检测和跟踪移动对象的视频监控解析.doc

检测和跟踪移动对象的视频监控 艾萨.克科恩 杰拉德.梅迪奥尼 南加州大学 研究所机器人与智能系统 洛杉矶加利福尼亚90089-0273 {?icohen| medionig}@ 摘要 我们解决从移动空降平台获得的视频流对象的检测和跟踪问题。该方法依赖于一个图表。该图表显示在时间连贯性条件下每一个移动物体所得出并维持的一个动态模板。这意味模板随着图表改变，这允许我们采用该方法定性最佳目标的轨迹图中的路径。跟踪仪器被建议可以处理部分闭塞，停止和走在非常具有挑战性状态下的运动情况。我们正好说明了若干不同的结果真正的序列。然后，我们定义一个评价方法?去量化我们得到的结果，并说明如何克服跟踪检测错误。 1引言 在云台和缩放功能或移动式平台监视中越来越多的视频传感器的应用，加强了研究者对视频流的处理上更随意的关注。对视频流中感兴趣的事件的加工依靠检测，该检测对涉及的对象在每个帧进行，并且这一时间框架的集成模型以信息为基础分为简单和复杂的行为。这种对视频流的高层次的描述依赖于对移动物体的准确的检测和跟踪，并与它们的轨迹现场有一定关系。 在本文中，我们解决在视频监控范围内对移动的物体的检测和追踪问题。大部分技术使用一个固定的摄像头[4,3]或封闭的空间小平面[8,6] 来处理这一问题，这依赖于对正在发生的行动类型有一个固定的背景或特定的知识?。我们处理一个更为挑战性的视频流类型：从一移动空中平台获得的视频流。一般情况下，这允许我们评估所提出的用于处理在现实世界中的视频监控情况下获得的视频流的方法。 我们所提出的办法，依赖于一个图表对移动区域中强有力跟踪的展现。在检测阶段后，由观察运动对产生大量区域的平台的图像进行流量补偿。事实上，利用剩余的流场和正常的组成部分，即正常流动，锁定移动区域也可以检测到因登记错误导致的采用稳定量以及三维结构而没能正确处理本地变化量的问题，即视差。定义一个原因图，其中每个节点是一个检测地区，每一条边是两个采用了两种不同的框架检测的区域之间的可能匹配，该图表提供了对所有检测到的运动物体的详尽的代表。这个图表示我们可以维持一个动态的模板，该模板用于对所有移动对象的跟踪。此外，该图通过优化每个有哪些信誉好的足球投注网站路径图的连通分支，用来描述物体的轨迹。 该文件的结构如下：最初我们在第2节描述了检测技术的使用，图形表示和动态模板推理介绍在第3和4节给予介绍。第5节介绍对从关联的图形轨迹得到观测对象所采用的方法。最后，在第6节，我们对一套已处理的视频进行评价，量化其所取得的成果。 2运动物体检测 大多数现有的对移动物体的检测技术被设计为采用固定相机获得场景。这些方法允许通过使用背景差分算法[6,4]将每个图片集分割成各区域代表的运动物体。最近，[3]建议有背景的地方使用混合建模的 K -高斯方法，它 让不同背景下的时间来处理视频流?。这些方法产生了令人满意的结果并可以实现实时处理并不需要专用硬件。 视频传感器的可用性，成本低，有泛倾斜和变焦功能，或者通过移动平台获得视频流，这些都将探测研究人员的注意集中在对从移动平台上获得的视频流中移动对象的监测。在这种情况下，背景差分方法不能使用，他们必须依赖在一个稳定算法以取消相机活动。这种两步法，即稳定和检测，由于差分检测技术基于一个完美的稳定性的假设上，已不能够执行。事实上，稳定的算法是使用仿射或透射方法进行运动补偿和质量赔偿，这种补偿取决于现场模型的观察角度和获得物的类型（即云台，变焦，任意行为活动...). 因此，运动补偿没有差错，也不会诱导虚假检测。然而，我们可以利用检测区域的时间相干性，以增加对运动目标检测的准确性[10]。 我们采用稳定算法，通过定位剩余的行为活动发生的区域这种具体方法去整合区域的图像检测，而不是使用这种分两步走的方法。这些区域可以利用光流场的正常组成来寻找。 正常流量是来自形象时空的稳定图像序列的时间梯度。这个框架的每个图像序列在选定的参照系下映射得到原始框架。事实上，让Tij表示图像i的变形量在参照系下的映射j，映射函数的定义是下面的公式： 稳定的图像序列用来定义。该映射函数的估计归结于对egomotion的估计，它以相机模型为基础，星级模型指在图像平面的投影点上他们的三维模型。该方法要求我们使用图像诱导流，而不是一般的角度转换[7] 中的三维参数。该模型的参数由跟踪一个序列中的小集特征点来估计。给定一个参考图片IO和 I1中的目标图像，图像稳定性构成两幅图像的登记并计算几何弯曲变换，是I1的象， 就如同I0也是他的一个原象。几何变换的参数估计是由最小化平方准则得来的： 如发现有异常数据，可通过一个反复的过程中删除。我们选择一个仿射模型，接近普通透视投影，并有低数值的复杂性。此外，形如金字塔形式的空间层次，用来跟踪选定的特征点。金字塔至