基于分立目标的监控视频结构化方法研究.docVIP

　　基于分立目标的监控视频结构化方法研究 第1章 绪论 1.1 研究背景和意义 视觉是人类感知世界、认识外部世界的主要途径，视频、图像能够形象生动的对客观事物进行描述。随着数字化视频技术的发展，视频安防监控已经成为了我们生活中非常重要的一部分。传统的视频监控系统往往只具有视频数据的采集、存储、传输的功能，而对于特定目标的检索往往需要通过人工对所有视频的浏览来实现。比如在刑事案件侦查过程中，为了寻找犯罪嫌疑人，我们经常要调出所有犯罪嫌疑人所有可能出现的监控视频数据，使用大量的人力物力进行搜索；同时即便如此大的投入，由于人眼在长时间的视频浏览过程中的识别能力的下降，往往也会存在较多的漏检情况。近些年来，由于平安城市建设以及智慧城市建设这些概念的提出，视频监控产业得到了快速的发展。随着监控摄像机的数量不断增长与监控摄像机正朝着高清化方向的发展，这使得监控视频的数据量呈现爆炸式增长。这些海量的监控视频数据对我们提出了一系列的挑战，主要体现在如下方面：(1) 海量的监控视频的对存储以及网络传输带来了巨大的挑战。如单台两百万的高清摄像机一天二十四小时产生的数据量就达几十 GB,同时传输的实时码流达到500KB 至 1M 每秒。(2) 在海量监控视频中寻找特定的目标往往需要消耗巨大的人力物力。一个简单的案例就是追捕犯罪嫌疑人周克华一案，当时候周克华连续作案，影响非常恶劣，长沙警方为了从监控视频中寻找周克华的踪迹调出来了海量的监控视频数据；对于这海量的视频，如果单纯的依靠人力浏览，即便数百名警察也至少需要花几年时间才能浏览完。(3) 多摄像机之间的信息共享与协同困难。由于原始视频数据无结构的原因，这使得多摄像机下的信息共享与协同比较困难，从而大范围的情报与预警系统受到限制。 ...... 1.2 研究现状 这些年来，智能视频监控一直是国内外研究的热点并得到了广泛的应用。国外的智能视频监控系统发展的比较快，已经形成了几套比较成熟的系统，下面将对这些具有代表性的智能视频监控系统进行简单介绍。VSAM（Visual SurveillanceAnd Monitoring）[3]是一套比较成熟的智能视频监控系统，它能够自动解析场景中的人和车，并能够对检测的目标进行分类以及走动、奔跑等行为分析。 智能监控系统[5-7]，它是少数比较先进的智能监控系统，不仅能够实现自动监控并且能够处理并有效的组织好监控数据，能够实现基于事件的检索、实时报警、提取长期的运动统计信息；IBM S3 系统框架以开放性和可扩展性两个原则来设计，其中开放性是指它能够结合第三方设计的分析和检索的软件并且这个系统使用被认证的标准；可扩展性是指系统有内部结构和接口能够实现系统功能随着时间进行扩展。OpenCV 智能监控框架[8]，IntelOpenCV VS 是 OpenCV 图像与视频处理类库中的一个开源平台，其中设计好了目标检测、目标跟踪和轨迹分析等接口；这为视频目标检测、跟踪研究提供了一个通用、高效的平台，研究人员可以快速的将算法嵌入该平台实现系统运作。国内的智能视频监控技术相比国外发达国家起步较晚，但由于平安城市、智慧城市建设的强烈需求以及政府对智能视频监控领域的大力投入，国内在智能视频领域中也取得了快速的发展。监控视频的结构化作为智能监控的一个重要发展方向，随着研究的不断深入以及研究成果的不断出现，它引起了社会各界的广泛关注。由于视频数据的复杂性，当前监控视频的结构化还只能对场景比较简单的视频数据进行有效的处理，但是随着技术的发展，监控视频结构化已经展现出广阔的发展前景。监控视频的结构化所需要的视频分析技术包括感兴趣目标的检测、目标的关联与跟踪等。感兴趣目标检测当前主要有两种方式，①通过运动检测的算法，提取运动的目标，现有的算法可以归纳为：光流法[10]，帧差法[11]，背景减除法；②使用模式识别技术，对特定目标进行建模，通过大量样本训练得到分类器，使用分类器对兴趣目标进行检测。 ..... 第2章 基于模糊关联矩阵的分立目标关联 2.1 引言 多目标关联是计算机视觉中的一项关键技术，智能监控中的异常检测、视频数据结构化等都需要对目标序列进行准确的关联。近年来，已经有很多学者对运动检测和数据关联矩阵结合的多目标关联算法进行了研究，文献[23]，通过重叠比例因素来计算关联矩阵，并提出了推理更新策略；文献[24]提出了一种不同情况选择不同因素（重叠比例或质心距离）来计算关联矩阵的方法；文献[25, 26]提出了使用质心距离、重叠比例、形变量等多种因素计算关联矩阵方法，它通过乘积实现多因素融合，但这种融合方式不能很好的处理重要因素和次要因素之间的关系。多因素模糊综合判决法对于解决多因素、多变量的复杂情况是一种非常有效的方法，它通过对多种先验信息的考虑，往往能得到更鲁棒的评判结果。本章