基于稀疏运动轨迹与图论的运动摄像机下的视频运动目标检测研究

The moving camera is widely used in various social fields, such as intelligent transportation, public security, crime investigation and machine vision. The techniques of detecting, tracking and analyzing of the moving object under moving camera is becoming the key technique in intelligent video analysis system. However, there is a large number of existing detection algorithms which cannot detect the moving object accurately because of the motion aliasing and the motion parallax between the video background and the moving object. In order to overcome the challenge of moving camera to video moving object detection, this program introduces the sparse model of motion trajectory to eliminate the redundant data effectively and improve the detection efficiency. With strong ability in expressing various graph relations between things and efficient algorithm, to segment the weighted undirected graph into the moving object sub-graph and the background sub-graph, then detect the moving target from the moving camera. Through the research, we intends to reveal the rule that the sparse model of motion trajectory affects the efficiency of moving object detection; clarify the principle that the weighted undirected graph model of sparse trajectory is suitable for moving object detection under moving camera; build the efficient video moving object detection method. Our research will become an important technical breakthrough of intelligent video analysis system in the field of national security, having great social and economic value.

随着运动摄像机在智能交通、公共安全、犯罪侦查、机器视觉等领域的广泛应用，从运动摄像机拍摄的视频中提取出运动目标，进而追踪并分析目标行为，成为了智能视频分析系统中亟待解决的关键技术。然而视频背景与运动目标之间的运动混叠和运动视差，使得大量现有的检测算法无法准确检测出运动目标。为了解决运动摄像机对视频运动目标检测带来的难题，本课题开创性的引入运动轨迹稀疏模型，有效去除冗余数据，提高检测效率。并进一步借助图论在表述事物之间各种关系的强大能力以及高效的算法，分割出赋权无向图中运动目标子图与背景子图，从而检测出运动摄像机下的视频运动目标。通过研究，本课题欲揭示运动轨迹的稀疏模型影响运动目标检测效率的规律；阐明稀疏运动轨迹的赋权无向图模型适用于移动摄像机下的视频运动目标检测的原理；建立高效的视频运动目标检测方法。这将成为智能视频分析在国民安防领域建设的一个重要技术突破，具有重大的社会效应和经济价值。

随着运动摄像机在智能交通、公共安全、犯罪侦查、机器视觉等领域的广泛应用，从运动摄像机拍摄的视频中提取出运动目标，进而追踪并分析目标行为，成为了智能视频分析系统中亟待解决的关键技术。然而视频背景与运动目标之间的运动混叠和运动视差，使得大量现有的检测算法无法准确检测出运动目标。.本项目首先对大量视频特征进行了特性分析；并利用在线字典学习方法计算出特征矩阵的稀疏字典，求出最具视频本质视频特征；还研究了如何更好地结合多个特征构成强分类器，实现运动目标与视频背景特征点的准确分类；最后通过计算特征点的瞬时运动向量和质点平流运算，提取出稀疏运动轨迹。获得稀疏特征点及其运动轨迹后，本项目提出将稀疏特征点映射为无向图中的若干节点，并利用时间效率高的递推式方法建立邻接矩阵，最后对无向图的边赋予权值，描述相邻节点的相似性。赋权值的过程充分考虑了视频的运动视差效应，计算了相邻节点多特征的相似性，如：方向、速度、位置、转角等。针对已建立的赋权无向图模型，本项目利用数学分析理论研究常用能量函数的函数形态包括函数单调性、凸性、拐点，进而构建符合需求的数据项与平化项的数学形态能量函数；再运用最大流/最小割算法对无向图进行分割，标记出属于背景区域和运动目标的特征点。.本项目通过分析运动轨迹的视频特征分布特性，揭示了运动轨迹的稀疏模型影响运动目标检测效率的规律。利用稀疏运动轨迹的稀疏模型去除了冗余运动轨迹，保留最具视频本质特征，有效提高了视频运动目标检测效率。本项目将图论理论引入到视频运动目标检测的解决方案中，成功探索了一种新的检测方法，解决了传统方法无法较好地处理运动视差效应的问题。本项目分析了稀疏运动轨迹的图论模型的特性，科学设计赋权无向图的节点能量函数，相比传统方法，本项目方法提高了视频运动目标检测的准确率。本项目的研究将成为智能视频分析在国民安防领域建设的一个重要技术突破，具有重大的社会效应和经济价值。