复杂场景中运动目标检测与识别方法研究

随着视频监控需求的迅速增长、监控规模的日益扩大，人工监视已远远不能满足监控要求，深入开展智能视频分析算法研究有着非常重要的工程价值与理论指导意义，复杂动态场景中的智能视频分析更是近年来的研究热点和难点。本申请课题将针对复杂场景中运动目标检测与识别所存在的问题与不足，研究复杂动态场景下快速的连续运动检测方法、运动目标实时跟踪方法、目标自动识别分类技术及高层智能视频分析处理技术。通过对场景动态区域进行空间位置和颜色灰度建模，提高对动态随机场景的自适应性，实现复杂场景中运动目标即时报警和运动目标区域实时提取。结合运动目标遮挡状态的有效判定，采用基于模型动态切换的运动目标实时跟踪方法，实现拥塞状态下目标跟踪的稳定性与实时性。研究有效的目标外形特征、运动特征提取方法和特征权重评估方法，实现快速的目标分类及高层智能视频分析功能。

视频运动目标检测与识别是计算机视觉领域的核心关键技术，然而由于复杂动态场景条件和目标运动的随机性而使其在理论和应用上变得非常困难，仍然存在着许多不完善和尚待解决的问题，例如自然光照变化，动态背景，目标的旋转、遮挡以及目标运动随机性等影响因素。本课题深入研究了复杂动态场景下快速的连续运动检测方法、运动目标实时跟踪方法、目标自动分类技术及高层智能视频分析处理相关技术。为了提高对动态随机背景的自适应性，提出了基于空间位置和颜色灰度模型的快速运动目标检测方法，通过在色度空间对动态背景区域进行差分分类，获得了比传统的差分检测和非参数化模型更好的检测精度与速度。针对目标跟踪过程中出现的旋转、遮挡以及目标运动随机性等问题，提出了自适应特征的匹配跟踪模型，首先利用颜色、形状和位置等快速特征匹配构建初始目标关联，对于处于旋转、遮挡等复杂状态目标采用有效的全局统计外观特征进行匹配，同时根据目标运动方向的变化率控制特征匹配模型参数更新，并利用目标的运动方向及速率预测优先搜索区域以减少目标匹配运算量，实现了复杂状态下目标跟踪的稳定性与实时性。为了提高目标分类的准确率，提出了连续跟踪状态下基于可分性特征的目标优化分类方法，通过提取摄像机视角相关性小的目标长宽比、颜色均值、紧凑性、目标尺寸以及目标位置变化等可分性特征，并利用连续跟踪时间间隔内目标特征匹配的最大概率决定最优分类结果，有效地提高了复杂场景中目标分类精度。结合基于空间位置和颜色灰度模型的运动目标分割，提出了摄像机镜头遮挡/散焦/移动检测、遗留物品报警、区域物品保护和虚拟警戒线保护算法，通过分析监视背景图像在一定时间间隔内的归一化直方图分布，剔除自然条件影响下摄像机轻微晃动和监视背景动态变化造成的误报，并利用自适应特征匹配跟踪信息判定物品被长期遗留时物品所有人是否已远离，取得了较好的检测效果。