当前位置: > 硕士毕业论文 > 38900字硕士毕业论文视频数统计与跟踪校正算法概念的分析与实现

38900字硕士毕业论文视频数统计与跟踪校正算法概念的分析与实现

论文类型:硕士毕业论文
论文字数:38900字
论点:运动,目标,提取
论文概述:

人头检测算法不拘一格,从人头的特征信息出发,识别、提取这些特征信息加以合理性判断是基本思路。在人头成功检测的前提下,利用跟踪、学习等方法,实现视频流中的人数统计。人流计数

论文正文:

第一章导言

1.1项目背景和研究意义
1.1.1项目背景
智能视频监控系统[2]是一个利用计算机视觉技术、图像和视频处理技术以及模式识别技术来理解、分析甚至描述被监控视频内容的系统,可以根据分析结果控制视频监控系统,从而使视频监控系统具有更高的智能水平。智能视频监控系统与以往视频监控系统的关键区别在于增加了智能分析模块,可以利用计算机强大的数据处理能力,通过设计的功能程序快速处理海量视频,有效实现异常情况的预警、处理中处理和取证后收集。该系统具有全天候7×24小时、全自动、响应速度快、报警精度高等优点,拓宽了视频资源的应用领域。智能视频监控系统的应用主要包括三个方面:第一方面是人和物体的识别。不同行业有不同的识别应用,如道路监控行业的车牌和车型识别、金融银行业的人脸识别和航道管理行业的船舶识别。这种识别的应用要求只有识别准确率在90%以上的产品才能投入使用。第二个方面是识别人和物体的运动轨迹。所谓的运动轨迹识别是指在一个对象被标记为被跟踪对象之后,该对象在图像中的位置可以随着视频帧的前进而不断更新。如果以被跟踪物体的固定位置(如物体的几何中心点)作为跟踪点,将每帧中的跟踪点与线段连接起来,就会形成一条轨迹线,清晰地反映人和物体的运动过程。一方面,运动轨迹可用于定量统计,如交通流量统计、数量统计、船舶统计等。另一方面,它可以用于判断人和物体的异常行为,如超速、压线、车道合并、逆行等。指车辆、入侵、突然奔跑、突然聚集等。人员警告线/警告区域。运动轨迹识别的应用需要尽可能避免遗漏。第三个方面是视频质量的检测和补偿。影响视频质量的因素很多,如雨、雪、雾等恶劣天气、夜间照明亮度低、摄像机抖动和镜头遮挡、摄像机偏离正常监控范围等。智能视频监控系统必须首先检测这些不利影响,然后针对不同的影响做出不同的响应或补偿。例如,当摄像头被遮挡,视角偏离时,可以立即发出报警,方便相关人员响应。当照明亮度较低时,可以通过锐化和直方图均衡化等措施来补偿图像的清晰度,最终保证系统在恶劣的视频环境下正常工作。作为社会的主体和各种社会活动的主要参与者,人体和各种人体行为的识别是智能视频监控系统的重要应用,也是目前非常活跃的研究领域。其中,人体识别是智能视频监控的底层处理部分,为高层人员各种行为的分析和处理部分提供了依据。人体识别
1.1.2研究意义
人口流动统计有助于解决公共资源的合理配置和利用问题。在[的一些公共场所,如大型展览馆、体育馆、商场、旅游景点、机场、地铁站、十字路口、汽车站等。,将会有高度集中的人流。此时,只有实现对人流的准确统计和流量分析,智能调度系统才能有效发挥作用,从而更充分地利用公共资源,方便人们出行。另一方面,在人群拥挤的情况下,如果出现紧急情况,人群不容易疏散,人群中的恐慌很容易导致踩踏事件,造成人员伤亡。近年来,随着体育赛事、音乐会、宗教活动、展览活动、法定假日等集会活动的增加,这类案件无论是国内还是国外都在迅速增加。如果我们能监控人员流动并控制人数,我们就能在一定程度上避免这类事件。对于不同的应用,人数统计系统的研究意义可以表现为:(1)对于大型商场或超市,可以通过统计不同时间段的人数来了解和预测每天的顾客模式,合理安排公司人员的工作时间和内容,在顾客较少的时间段内进行商品分拣。统计不同商品的人流,特别是新增商品所在地区的人流,可以更好地了解顾客对不同商品的需求程度,从而调整购买商品的数量和货架的布置,提高购物环境的舒适度,提升顾客的购买欲望。(二)铁路、地铁、公共汽车等公共交通设施。统计每个车站上下车的乘客数量,了解不同地区、不同时间段的出行需求,从而调整公共交通设施的路线和分布频率,更好地为人们服务,在一定程度上避免交通拥堵。(3)对于大型建筑,一方面,公共服务设施的设计数量和位置,如电梯、厕所、座椅等。,需要考虑到人的流动;另一方面,安全通道的设计需要满足事故发生时提供合理逃生路线和容纳大量逃生人员的要求。需要依靠人体本身的信息,包括很多方面,静态信息如头部的颜色和形状、躯干的比例和四肢的位置、面部的肤色和眼睛、眉毛、鼻子和嘴巴的相对位置信息,以及动态信息如人体的行走、步态和姿势,通过合理的分析和利用这些信息可以实现人体识别。人体识别与目标跟踪技术相结合实现的自动人数统计方法
第二章运动目标提取研究是对传统人数统计方法的改革。该方法可以在无人监控或半人工监控的环境下正确运行,准确统计人数,了解人员流动趋势,完成各种进出口的日常监控。由于其精度高、成本低、工作周期长,越来越受到许多研究机构和大公司的重视和青睐。

[3]

[4]

2.1简介
当整个视频帧图像作为头部检测和计数的处理区域时,不相关的像素太多,工作量很大。因此,为了减少工作量,提高程序运行效率,考虑到视频中的人是运动目标,可以先从视频帧中提取出运动目标,然后以运动目标的外部矩形作为处理区域,实现人头的检测和计数。运动对象提取是指通过将改变的像素包括在连接区域中,将由于运动而改变的像素与视频帧序列中保持静止的像素分离,以形成运动区域。根据摄像机是否在运动,运动目标的提取可以分为两种类型,一种是在静止背景下,当摄像机静止时,运动目标的提取;一种是移动背景下的移动目标提取,摄像机在移动。相机的移动可能是因为相机本身放置在移动设备上,例如车载相机,或者因为相机支架是固定的并且相机旋转。例如,在PTZ跟踪中,摄像机需要随着目标的移动而旋转,以确保移动目标不超出摄像机的拍摄范围。如果需要,需要改变摄像机的焦距,以确保无论移动目标是远离还是靠近摄像机,它都可以在视频帧中占据一定量的像素,以防止移动区域太小而被过滤为噪声。本文研究摄像机静止时的运动目标提取。此时,有必要完全提取运动区域并包含尽可能少的背景像素。然而,由于相机抖动、照明亮度变化和实际情况中的其他条件,背景在建立后不会保持不变。充分考虑这些变化和噪声因素,采用适当的算法消除这些因素的不利影响,可以提高运动目标提取的精度。本章研究了运动目标的提取。背景采用基于帧间差异的二进制掩码方法建立,背景逐帧自适应更新。然后,通过帧间差分结合背景差分的方法实现运动目标的检测,保证运动目标提取的准确性。

第三章头部特征分析和头部检测研究.........26
3.1导言.......26
3.2摄像机参数和头部识别模式的获取.......26
3.2.1摄像机参数的获取.......26
3.2.2头部识别模式的设置……28
3.3通用头部特征........28
3.3.1霍夫圆形特征........29
3.3.2肤色和头发颜色特征....32
3.4头部检测......36
3.4.1均值漂移分段........36
3.4.2坎尼边缘检测........40
3.4.3摄像头垂直向下时的头部检测........42
3.4.4摄像机角度拍摄.........44
3.5本章概述......47
第四章目标跟踪与计数研究....48
4.1导言.......48
4.2常见预测方法........48
4.2.1均值漂移算法.........48
4.2.2卡尔曼滤波...50
4.2.3颗粒过滤...51
4.3改进的基于卡尔曼滤波的区域匹配...52
4.4实验结果...56
4.5本章摘要...57
第五章总结和展望……59
5.1概述.......59
5.2展望.......59

结论

本文研究了一种基于视频的人数统计和跟踪的改进算法。根据两种常见的摄像机安装方法,提出了两种摄像机拍摄角度固定的行人流量统计系统。该系统运行在视窗XP的VC++6.0环境中,使用OpenCV开发包。本文的主要内容如下:
(1)运动区域检测:在分析几种常用背景建模方法和运动区域提取方法的基础上,采用基于帧间差分法的二值掩模背景建模方法和帧间差分与背景差分相结合的运动区域提取方法,实现运动区域的完整提取,运动区域检测的实时性好。在背景建立和前景提取过程中,采用自适应更新算法实时更新背景。
(2)人体头部目标提取:针对人体头部目标在不同拍摄角度拍摄的视频中包含不同特征的事实,给出了一种在摄像机垂直拍摄时利用颜色模型和梯度霍夫曼圆变换特征提取人体头部的方法,以及在摄像机以一定偏置角度拍摄时利用肤色、颜色模型和颜色、肤色区域邻接检测的方法。
(3)跟踪改进算法:描述了跟踪的基本过程,给出了三种常用的预测方法。采用基于卡尔曼滤波的区域匹配跟踪算法实现流量计数。跟踪算法利用了人体头部目标的三个特征,即外接矩形、中心点和颜色直方图。匹配主要基于目标相邻帧之间的重叠区域,辅以直方图相似性和中心点的欧氏距离完美匹配。结合背景差分和帧间差分相结合的运动目标提取方法,解决了静止目标干扰计数和分割目标容易记忆的问题。

参考
[1]朱妙良。计算机视觉。[·米】。杭州:浙江大学出版社,1997,1-20
[2]周永红。智能视频监控技术及其应用[。《智能建筑与城市信息》,2009年,第5期:83-87
[3]莫里斯兰德·格兰姆。基于计算机http://sblunwen.com/shtjxlw/视觉的人体运动捕捉综述。[·杰]。计算机视觉与图像理解,2001,81(3):231-268
[4]罗克艾罗,瓦莱里·阿,彼得鲁辛。用摄像机计算人数。[·杰]。《并行、应急和分布式系统国际期刊》,2006,08: P1-4。
[5]赵敏。单目视觉多行人目标检测与跟踪技术研究。[·德】。重庆:重庆大学博士论文,2010年
[6]周瑞英。基于神经网络的购物中心客流统计系统研究。天津:河北工业大学硕士学位论文,2006年
[7]李普顿·柯林斯。VASM视频监控系统最终报告。卡耐基梅隆大学机器人研究所,CMU-里-特-00-12,2000。
[8]雷玛尼诺·P,坦·T,贝克·k .动态场景的多智能体视觉监视。[·杰]。图像和视觉计算,1998,16(8):529-532
[9]哈里陶格鲁一世,哈伍德,戴维斯l w4:人及其活动的实时调查。[·c]。IEEE trans。模式分析和机器智能,2000,22 (8): 809-830。
[10]徐庆和。视频流分析关键技术的研究与应用[。上海:上海交通大学硕士学位论文,2008年。