【文章內(nèi)容簡介】 段的車輛時，由于相互遮擋產(chǎn)生的跟蹤信息不準確，這對車流量、車速等數(shù)據(jù)的獲取有重要影響。針對復雜背景下多目標跟蹤問題，提出了基于蒙特卡羅粒子濾波器的多目標跟蹤算法。 智能分析技術(shù)關(guān)鍵及創(chuàng)新點 盡管視頻監(jiān)控研究己經(jīng)取得了一定的成果，但下述幾個方面仍是今后研究的難點問題。 1．背景提取和更新 交通場景的背景提取需要一定的預處理幀，對于普通的高速公路，由于車輛比較稀疏，大約取 100 幀的視頻就可以保證構(gòu)建出滿足 檢測要求的背景圖象；對于普通的城市交通場景，需要取 150 幀才可以構(gòu)建出比較合適的背景；在車輛極為密集，幾乎是前后銜接的情況下，比如國道的收費站、城市主干道的十字路口 11 等，往往需要大于 200 幀才能構(gòu)建出初始背景圖象。顯然，如果背景本身的變化非常頻繁，比如在大雨或大雪的惡劣氣候條件下，無法得到足夠穩(wěn)定的用來構(gòu)建背景的預處理幀，將導致背景構(gòu)建失敗，故而這一處理環(huán)節(jié)也是研究的難點。 背景更新替換的速度非常重要，速度太快，背景缺乏穩(wěn)定性，容易導致同一車輛在不同幀中的影像不同，從而引起跟蹤錯誤；反之，如果背景更新速度太慢 ，不能根據(jù)環(huán)境的變化迅速做出反應，則可能使一部分背景被誤當成目標而出現(xiàn)在背景差分圖中，同樣會導致車輛提取及跟蹤的錯誤。 2．運動分割 快速準確的運動分割是個相當重要但又比較困難的問題。這是由于動態(tài)環(huán)境中捕捉的圖像受到多方面的影響，比如天氣的變化、光照條件的變化、背景的混亂干擾、運動目標的影子、物體與環(huán)境之間或者物體與物體之間的遮擋、以及攝像機的運動等，這些都給準確有效的運動分割帶來了困難。就以運動目標的影子為例，它可能與被檢測的目標相連，也可能與目標分離。在前者情況下，影子扭曲了目標的形狀，從而使得以后基于 形狀的識別方法不再可靠；在后者情況下，影子有可能被誤認為是場景中的目標。 3．全天候的工作要求 圖像識別算法對環(huán)境很敏感。由于交通信息采集系統(tǒng)需要全天候工作，所以視頻檢測系統(tǒng)應能適應霧、雨雪、陰晴、多云等天氣變化，尤其是晝夜更替引起的交通場景光照變化。白天汽車車體清晰可見，即使晴天有車輛陰影存在，圖像識別算法能較好地分離車體和陰影、識別車體或者車體的某部分；夜晚視道路照明條件的不同，車體的可見度也不同，在路面照明不足的情況下算法不能檢測車體，而車體上的各種車燈及其路面反射光線奪人眼球，算法需要排除大面積路面反射光的影響，并從相鄰的多種車燈中析出正確數(shù)量的汽車；黃昏黎明時分，光照強度變化較快，而且車體相對于路面對比度不高，只有部分車輛打開車燈，這給算法設計造成了很大的困難。 4．遮擋處理 目前，大部分運動分析系統(tǒng)都不能很好地解決目標之間互遮擋和人體自遮擋問題，尤其是在擁擠狀態(tài)下，多目標檢測和跟蹤問題更是難于處理。在發(fā)生遮擋時，目標只有部分是可見的，而且這個過程一般是不可訓練的。此時簡單依賴于 12 背景減除進行運動分割的技術(shù)將不再可靠。為了減少遮擋或深度所帶來的歧義性問題，必須開發(fā)更好的模型來處理遮擋時特征與目標部分之 間的準確對應問題。另外，遮擋前后的跟蹤初始化也缺少自舉方法。目前比較有效的方法是利用統(tǒng)計方法從可獲得的圖像信息中進行目標姿勢、位置等的預測。不過，對于解決遮擋問題最有實際意義的潛在方法應該是基于多攝像機的跟蹤系統(tǒng)。 5．目標識別 在目標識別方面，由于環(huán)境復雜、目標種類多、特征差異大、樣本獲取代價高，造成目標分類識別的難度大。例如，在車輛類型識別過程中，可以發(fā)現(xiàn)對同等大小的客車和貨車進行區(qū)別是非常困難的，如何提取可靠的特征以提高車型識別率，也是本項目的難點之一。 6．性能評估 一般而言，魯棒性、準確度和速度是 運動分析系統(tǒng)的三個基本要求。例如，系統(tǒng)的魯棒性對于監(jiān)控應用特別重要，這是因為它們通常被要求是自動、連續(xù)地工作，因此這些系統(tǒng)對于如噪聲、光照、天氣等因素的影響不能太敏感；系統(tǒng)的準確度對于控制應用特別重要，例如基于行為或姿勢識別的接口控制場合；而系統(tǒng)的處理速度對于需要實時高速的監(jiān)控系統(tǒng)而言更是非常關(guān)鍵。因此，如何選擇有效的工作方案來提高系統(tǒng)性能、降低計算代價是特別值得考慮的問題。同時，如何利用來自不同用戶、不同環(huán)境、不同實驗條件的大量數(shù)據(jù)測試系統(tǒng)的實時性、魯棒性亦相當重要。 本項目重點針對計算機智 能視頻分析關(guān)鍵技術(shù)進行研究，主要創(chuàng)新工作和貢獻有以下幾個方面： 1．提出了分階段的自適應背景更新算法。本項目采用多高斯背景更新算法，分別研究了初始背景生成、背景實時更新等環(huán)節(jié)的特點，總結(jié)了一些有意義的規(guī)律，提出了利用連續(xù)三幀視頻的差別消除運動區(qū)域的方法來構(gòu)建初始背景，對初始階段的背景更新采用較大的閥值，以便快速得到穩(wěn)定干凈的背景，后續(xù)階段采用較小的閥值并采用隔多幀背景更新，達到減少計算量的目的。 2．提出了去除次要，保留主干的目標分割方法。針對場景中人在運動過程中手的擺動或張開會導致目標框時大時小的問題，通 過分析直方圖，去掉目標直方圖兩邊各 10％左右的區(qū)域，達到穩(wěn)定標識目標的目的。 13 3．針對復雜背景下多目標跟蹤問題，提出了基于蒙特卡羅粒子濾波器的多目標跟蹤算法。與其它目標跟蹤算法相比，該算法具有以下優(yōu)點：①對目標狀態(tài)的假設不是在整個圖像平面，而是在目標層次上。通過對圖像進行處理，得到圖像的運動目標，去除背景圖像，重構(gòu)了一個目標平面。這樣能夠降低計算成本并保證實時性。②本算法使用的目標位置信息是已標定的信息，所以對目標動態(tài)特性的建模更加精確和方便。③有效地解決了在跟蹤過程中目標個數(shù)的變化，即新目標出現(xiàn)或老目標消 失。④跟蹤過程中，目標暫時性的被遮擋后重新出現(xiàn)，仍能正確跟蹤。⑤有限的樣本點，就可以接近最優(yōu)貝葉斯估計。 4．將運動物體的輪廓信息和顏色信息相結(jié)合，根據(jù)運動投射陰影的一般屬性，尤其是運動投射陰影與背景的相似性，提出了一種有效的陰影消除算法。 5．對現(xiàn)有的 Adaboost 分類器進行調(diào)研，選用 Haarlike 特征進行目標分類。給出一種特殊的分類器訓練方法，在少量已知樣本情況下，就可以得到較好的分類精度。 6．對現(xiàn)有的支持向量機多類分類器進行調(diào)研，選用有向無環(huán)圖的多類支持向量機進行目標分類。提出一種特殊的分類器 訓練方法，在少量已知樣本情況下，就可以得到較好的分類精度。分類器的訓練可分為兩步，一是使用場景無關(guān)的特征量訓練得到基準分類器；二是利用場景相關(guān)的特征量進一步訓練分類器，以提高分類器的精度。 7．針對視頻監(jiān)控中的行為理解進行了探討性的研究。首先建立場景模型，然后建立行為模型，用圖像處理過程得到的運動目標的形狀特征和運動特征，建立了分層的、陳述性的行為模型，最后，基于貝葉斯網(wǎng)絡來對行為進行識別。 智能分析的實施方案 技術(shù)路線： 本 項目 研究主線如圖所示。從三個層次對計算機智能視頻監(jiān)控系統(tǒng)進行研究。從下往 上分別是圖像層、特征層和行為層，對應圖像工程中的圖像分析和圖像理解。圖像層對應于圖像工程的圖像分析，特征層和行為層對應于圖像工程的行為理解。從圖還可以看出，隨著抽象程度的提高，需要處理的數(shù)據(jù)量在逐漸減少。也就是說原始圖像數(shù)據(jù)經(jīng)過一系列處理過程，逐步轉(zhuǎn)化為更有組織的和用途 14 的信息。 下面將每一層的功能簡單描述，其詳細描述參見本文后面各章節(jié)。 第一層是圖像層，從硬件設備獲得視頻數(shù)據(jù)后，對單幀圖像上運動目標進行檢測，并對序列圖像上的運動目標進行跟蹤。 15 系統(tǒng)技術(shù)流程圖 圖像獲取 圖像 色塊 跟蹤色塊 特征選取 目標分類 模型建立 行為模型 軌跡模型 行為識別 決策 圖像 圖像 色塊 色塊 目標分割 (背景建模 ) 目標跟蹤 (蒙特卡羅粒子濾波器 ) 目標特征提取 目標識別 (SVM、 Adaboost) 行為理解 (場景建模 行為建模 軌跡建模 ) 抽象程度 數(shù)據(jù)量 低 大 高 小 行為層 特征層 圖像層 高層 圖像理解 中層 圖像分析 低層 圖像分析 16 第二層是特征層，主要是通過對圖像層中檢測和跟蹤到的目標區(qū)域進行特征提取，并通過對特征的分析，進行目標分類。 第三層是行為層，由圖像層的跟蹤結(jié)果和特征層的分類結(jié)果，對圖像中的運動目標的狀態(tài)和運動軌跡進作一步分析，識別運動目標的行為，從而對其進行行