稀疏表示目標(biāo)關(guān)聯(lián)-文庫吧
2025-06-15 23:57 本頁面
【正文】 關(guān)聯(lián)。運動目標(biāo)檢測的主要任務(wù)是在圖像中檢測出各個獨立的運動目標(biāo)，便于后續(xù)的特征提取和關(guān)聯(lián)等過程。運動目標(biāo)檢測技術(shù)已經(jīng)有大量的研究，形成了三種傳統(tǒng)的運動目標(biāo)檢測方法：幀間差分法[1,2]、背景差分法[39]和光流法[10]。其中光流法計算大都相當(dāng)復(fù)雜，且抗噪性能差，難以實時應(yīng)用，幀間差分法和背景差分法是目前最廣泛的運動目標(biāo)檢測方法[2]。運動目標(biāo)檢測通常采用以下幾種方法[56]：（1）幀間差分法：基本思想是將視頻中相鄰兩幀或多幀圖像做差分，然后利用閾值進(jìn)行分割，將超過閾值的當(dāng)做前景，其他的當(dāng)做背景。優(yōu)點是實時性好，算法復(fù)雜性比較小，容易實現(xiàn)。缺點是目標(biāo)內(nèi)部一般會有不連續(xù)的空洞。目前對于幀間差分法一般用來做前期檢測，（2）背景差分法：背景差分法是視頻監(jiān)控中最為常見的運動目標(biāo)檢測方法，它的基本思想是將當(dāng)前幀圖像與參考背景圖像做差分運算，然后設(shè)定一定的閾值來檢測運動目標(biāo)。背景差分法的關(guān)鍵是背景圖像的選取和背景模型的建立。最簡單方法是直接從視頻中抽取一幀圖像或者對一段時間內(nèi)的視頻序列中每個像素做均值濾波或中值濾波，然后將得到的圖像作為參考背景圖像。目前研究人員大多數(shù)都在研究如何開發(fā)不同的背景模型，期望建立更加合理的背景模型并對其及時進(jìn)行更新，希望借此能夠抵消背景的干擾和變化。從上世紀(jì)末至今，出現(xiàn)了一大批背景差分法的方法，比如混合高斯模型背景差分法[7]、無參數(shù)估計背景差分法[8]、核密度估計背景差分法[9]、碼本背景差分模型[10]等算法。但是，在多攝像機監(jiān)控系統(tǒng)中，由于圖像背景存在變化，不能直接采用背景差分法，本文在第二章中針對多攝像機環(huán)境下背景擾動的問題進(jìn)行了實驗，實驗結(jié)果表明利用改進(jìn)的扭曲背景差分模型，可以有效去除背景擾動的影響，一定程度上提高了檢測的準(zhǔn)確率。(3)光流法：基于光流法的運動目標(biāo)檢測是利用了運動目標(biāo)隨時間變化的光流特性，為視頻序列中每一個像素點賦予一個速度矢量，從而對應(yīng)產(chǎn)生一個運動場，一般情況下認(rèn)為光流場對應(yīng)于運動場，研究光流場就是為了從圖像序列中近似計算得到運動場的信息，然后根據(jù)各個像素點的速度矢量特征，實現(xiàn)圖像序列的動態(tài)分析。假如圖像序列中不出現(xiàn)運動目標(biāo)時，光流矢量在整個圖像區(qū)域是連續(xù)變化的。反之，運動物體所形成的速度矢量就會與鄰域背景速度矢量不同，從而檢測出運動目標(biāo)的具體位置。該算法同時能夠在攝像機運動的情況下檢測運動目標(biāo)，但計算復(fù)雜，實時性不高。 單攝像頭目標(biāo)跟蹤 基于多特征融合與自適應(yīng)模板的多目標(biāo)跟蹤算法視覺特征對于跟蹤算法的性能有很重要的影響，所選的視覺特征應(yīng)該能很好的區(qū)分跟蹤目標(biāo)與背景。針對單一視覺信息描述目標(biāo)不夠充分、跟蹤目標(biāo)不夠穩(wěn)定的缺點，出現(xiàn)了許多基于多特征融合的多目標(biāo)跟蹤算法[1115]。文獻(xiàn)[11]將顏色、紋理和運動信息三個特征相結(jié)合描述目標(biāo)，該算法采用固定不變的模板，然而當(dāng)背景和目標(biāo)外觀變化時，易出現(xiàn)失跟。文獻(xiàn)[13]針對此問題提出了多特征融合與自適應(yīng)模板相結(jié)合的多目標(biāo)跟蹤算法，能有效處理模板隨時間變化的情況，但是算法計算量大。文獻(xiàn)[14]為了提高算法的實時性，基于在線自適應(yīng)模板選擇特征個數(shù)，計算量大大降低。上述文獻(xiàn)都是將多特征用于目標(biāo)描述。文獻(xiàn)[15](針對人臉)將多特征融合技術(shù)用于判斷新目標(biāo)的出現(xiàn)；基于在線學(xué)習(xí)的自適應(yīng)模板以適應(yīng)背景與目標(biāo)外觀的變化；以目標(biāo)觀測概率小于某一閾值判斷舊目標(biāo)的消失；對每一個目標(biāo)單獨建立一個粒子濾波器，實現(xiàn)多個目標(biāo)的跟蹤。該方法能在較簡單場景下自動判斷新目標(biāo)的出現(xiàn)與舊目標(biāo)的消失，處理目標(biāo)部分遮擋及背景變化，但是未能處理目標(biāo)的分裂與合并(嚴(yán)重遮擋)。 基于運動信息的多目標(biāo)跟蹤算法目標(biāo)總數(shù)可變一直是多目標(biāo)跟蹤中的難點，有效地對可變數(shù)量目標(biāo)的判定取決于目標(biāo)檢測的準(zhǔn)確度。目標(biāo)的運動信息是目標(biāo)檢測中一項重要特征，運動檢測技術(shù)包括光流法、差分法等。目前，比較常用的是差分法。文獻(xiàn)[16]針對人的跟蹤中常出現(xiàn)的變形、遮擋以及多目標(biāo)跟蹤中常出現(xiàn)的目標(biāo)合并、分裂、消失、新增等情況。利用背景差分法,差分值分別代表背景和目標(biāo)。當(dāng)目標(biāo)數(shù)量發(fā)生變化時,采用基于相交區(qū)域面積的關(guān)聯(lián)矩陣判斷場景中各種特殊情況的發(fā)生。當(dāng)目標(biāo)輕微合并時，采用基于顏色直方圖的均值漂移算法分別跟蹤合并在一塊的各個目標(biāo)，當(dāng)目標(biāo)分裂時，要判斷分裂出的目標(biāo)屬于遮擋前的哪一個目標(biāo)，用巴氏距離表示分裂前各目標(biāo)和分裂后目標(biāo)直方圖的關(guān)聯(lián)度，取最大值者作為關(guān)聯(lián)目標(biāo)。 基于3D 空間的多目標(biāo)跟蹤算法現(xiàn)實世界中的物體都是三維的，而人眼所獲得的圖像是二維的，對2D 圖像來說目標(biāo)間容易出現(xiàn)遮擋，而對3D 圖像來說每個目標(biāo)只有一個位置，可有效地解決多目標(biāo)間遮擋問題。因此，有些研究者對基于3D的多目標(biāo)跟蹤算法[1719]進(jìn)行了研究。這里的3D 體現(xiàn)在：3D 模型描述目標(biāo)，3D 狀態(tài)空間。文獻(xiàn)[18]提出了基于粒子濾波的多攝像頭3D 單人跟蹤算法，將3D模型和多目視頻采集機制嵌入到粒子濾波框架中。利用目標(biāo)空間位置的惟一性，能對嚴(yán)重遮擋的人進(jìn)行較準(zhǔn)確地跟蹤。3D 模型可有效地處理目標(biāo)分裂與合并問題，文獻(xiàn)[19]提出了基于MCMC 的3D 多目標(biāo)跟蹤算法。由于多攝像頭必須同步工作，且成本較大，文獻(xiàn)[19]中使用單攝像頭機制。文中用兩個橢圓體表示一個目標(biāo)，用3D 坐標(biāo)表示狀態(tài)向量。對多目標(biāo)用聯(lián)合狀態(tài)空間表示。采用一階動態(tài)模型傳遞狀態(tài)，利用此狀態(tài)參數(shù)得到模擬二值圖，同時對背景建模，利用背景差分法得到背景提取二值圖，計算兩個二值圖相交區(qū)域像素點個數(shù)與相并區(qū)域像素點個數(shù)的比值，此值作為狀態(tài)權(quán)值，選擇權(quán)值大的部分粒子的狀態(tài)平均和作為目標(biāo)的最優(yōu)位置估計。 多目標(biāo)關(guān)聯(lián) 目標(biāo)關(guān)聯(lián)目標(biāo)關(guān)聯(lián)是指把在不同時刻出現(xiàn)在不同攝像機前的目標(biāo)進(jìn)行關(guān)聯(lián)，從而識別出相同的目標(biāo)，實現(xiàn)不同攝像機中同一目標(biāo)的對應(yīng)。這里的關(guān)聯(lián)不同于傳統(tǒng)單目攝像機跟蹤理論中的目標(biāo)關(guān)聯(lián)，由于目標(biāo)物體在不同攝像機前的顏色、形狀和攝像機的觀測距離、觀測角度等方面的巨大的差異，以及各個攝像機的內(nèi)部參數(shù)和監(jiān)控區(qū)域中光照等環(huán)境條件的不同等種種復(fù)雜的原因，傳統(tǒng)計算機視覺理論中關(guān)于單目攝像機跟蹤關(guān)聯(lián)的很多方法都不再適用。所以，無重疊視域攝像機之間的目標(biāo)關(guān)聯(lián)[20,21]需要建立適合自己特殊問題的新的理論體系。目前已有的關(guān)聯(lián)方法主要包括對目標(biāo)建立表現(xiàn)模型（Appearance Mo
黨政相關(guān)相關(guān)推薦
鄂ICP備17016276號-1