智能视频监控技术的架构与特征

　　移动目标跟踪等价于在连续的图像帧间，创建基于位置、速度、形状、纹理、色彩等有关特征的对应匹配问题。常用的数学工具有卡尔曼滤波、Condensation算法及动态贝叶斯网络等。其中Kalman滤波是基于高斯分布的状态预测方法。不能有效地处理多峰模式的分布情况;Condensation算法是以因子抽样为基础的条件密度传播方法，结合可学习的动态模型，可完成鲁棒的运动跟踪。就跟踪对象而言，跟踪如手、脸、头、腿等身体部分与跟踪整个目标;就跟踪视角而言，有对应于单摄像机的单一视角、对应于多摄像机的多视角和全方位视角;当然还可以通过跟踪空间(二维或三维)、跟踪环境(室内或户外)、跟踪人数(单人、多人、人群)、摄像机状态(运动或固定)等方面进行分类。从跟踪方法的不同讨论跟踪算法。

　　(1)基于模型的跟踪

　　传统的人体表达方法有如下三种：①线图法：人运动的实质是骨骼的运动，因此该表达方法将身体的各个部分以直线来近似。②二维轮廓(2D Contour)：该人体表达方法的使用直接与人体在图像中的投影有关，如Ju等提出的纸板人模型，它将人的肢体用一组连接的平面区域块所表达，该区域块的参数化运动受关节运动(Articulated Movement)的约束，该模型被用于关节运动图像的分析。③立体模型(Volumetric Model)：它是利用广义锥台、椭圆柱、球等三维模型来描述人体的结构细节，因此要求更多的计算参数和匹配过程中更大的计算量。例如Rohr使用14个椭圆柱体模型来表达人体结构，坐标系统的原点被定位在躯干的中心，目的是想利用该模型来产生人的行走的三维描述;Wachter与Nagel利用椭圆锥台建立三维人体模型，通过在连续的图像帧问匹配三维人体模型的投影来获得人运动的定量描述，其中，它利用了迭代的扩展卡尔曼滤波方法，结合边缘、区域信息及身体解析约束确定的身体关节运动的自由度，实现单目图像序列中人的跟踪。

　　(2)基于区域的跟踪

　　基于区域的跟踪方法目前已有较多的应用，例如Wren等利用小区域特征进行室内单人的跟踪，文中将人体看作由头、躯干、四肢等身体部分所对应的小区域块所组成，利用高斯分布建立人体和场景的模型，属于人体的像素被规划于不同的身体部分。通过跟踪各个小区域块来完成整个人的跟踪。基于区域跟踪的难点是处理运动目标的影子和遮挡，这或许可利用彩色信息以及阴影区域缺乏纹理的性质来加以解决，如McKenna等首先利用色彩和梯度信息建立自适应的背景模型，并且利用背景减除方法提取运动区域，有效地消除了影子的影响;然后，跟踪过程在区域、目标、目标群三个抽象级别上执行，区域可以合并和分离，而人是由许多身体部分区域在满足几何约束的条件下组成的，同时人群又是由单个的人组成的，因此利用区域跟踪器并结合人的表面颜色模型，在遮挡情况下也能够较好地完成多人的跟踪。

　　(3)基于活动轮廓的跟踪

　　基于活动轮廓的跟踪思想是利用封闭的曲线轮廓来表达运动目标，并且该轮廓能够自动连续地更新。例如Paragios与Deriche利用短程线的活动轮廓、结合Level Set理论在图像序列中检测和跟踪多个运动目标;采用基于卡尔曼滤波的活动轮廓来跟踪非刚性的运动物体;利用随机微分方程去描述复杂的运动模型，并与可变形模板相结合应用于人的跟踪。相对于基于区域的跟踪方法，轮廓表达有减少计算复杂度的优点。如果开始能够合理地分开每个运动目标并实现轮廓初始化的话，既使在有部分遮挡存在的情况下也能连续地进行跟踪，然而初始化通常是很困难的。

　　(4)基于特征的跟踪

　　基于特征的跟踪包括特征的提取和特征的匹配两个过程。一个很好的例子是点特征跟踪，将每个目标用一个矩形框封闭起来，封闭框的质心被选择作为跟踪的特征;在跟踪过程中若两人出现相互遮挡时。只要质心的速度能被区分开来，跟踪仍能被成功地执行;该方法的优点是实现简单，并能利用人体运动来解决遮挡问题，但是它仅仅考虑了平移运动。如果结合纹理、彩色及形状等特征可能会进一步提高跟踪的鲁棒性。另外，Segen与Pingali的跟踪系统使用了运动轮廓的角点作为对应特征，这些特征点采用基于位置和点的曲率值的距离度量在连续帧间进行匹配。

声明:

凡文章来源标注为"CPS中安网"的文章版权均为本站所有，如需转载请务必注明出处为"CPS中安网"，违反者本网将追究相关法律责任。非本网作品均来自互联网，转载目的在于传递更多信息，并不代表本网赞同其观点和对其真实性负责。