论文部分内容阅读
作为后续步态和行为识别的基础工作,行人的轨迹与骨架信息提取一直是计算机视觉领域的重要热点话题。近年来视频监控在人流追踪、疫情安检等公共场合下发挥了重大作用,然而监控场景下的信息提取精度以及智能处理水平还有待提高,传统的跟踪与骨架提取算法普遍受到差异化的监控环境与监测噪声的影响。围绕着这一难题,本文基于视频监控场景对行人跟踪与骨架提取算法进行研究。本文所做的研究工作主要如下:1.为了解决基本的颜色粒子滤波（Color Particle Filter,CPF）跟踪算法存在的跟踪结果漂移与丢失问题,本文构建了背景上下文权值结合距离权值的双通道特征表示方法,提高了表观模型中目标的特征可区分度。同时在粒子传播过程中引入粒子群优化算法（Particle Swarm Optimization,PSO）,根据静动态背景视频类型特点自适应选取粒子尺度更新方法,改善了运动模型中单个粒子搜索能力不足、群体信息缺乏交流的问题。实验表明基于上下文信息与群优化学习的颜色粒子滤波算法（Context and Swarm Optimization Learning Color Particle Filter,CSO-CPF）在视频序列跟踪结果中漂移问题明显改善,跟踪像素误差降低了10%-40%,跟踪重叠率提升了2%-11%不等。2.在骨架提取的人体检测阶段,本文为了解决可视化背景提取（Visual Background Extractor,Vi Be）算法存在的伪前景问题,通过形态学运算以及多帧初始化结合像素区域平稳度判断的方法有效消除了颗粒噪声以及“鬼影”区域。CASIA-A库下的视频序列检测结果表明,其前景检测查确率与查全率均达到了90%以上。3.在骨架提取的人体骨架化阶段,本文针对传统ZS（Zhang and Suen）细化算法存在的结构丢失、冗余以及分叉问题,提出了引入平滑迭代与模板匹配的细化算法（Smooth iteration and Template matching Parallel Thinning Algorithm,ST-PTA）。MPEG-7数据库实验结果显示,其细化率相比其他方法提高了0.05-0.41%,各类细化问题得到改善。在基于邻域判断、K-Means聚类以及比例链码搜索的人体关节点定位流程下,用所提出的骨架化方法处理CASIA-A库的真实前景序列,得到的人体关节点查准率与查全率均达到89%以上,算法受边界噪声的影响明显降低。本文针对监控场景下的跟踪算法与骨架提取算法进行了研究,传统跟踪算法跟踪精度差、骨架提取算法受边界噪声影响等问题在一定程度改善,可以明显提高实际监控项目的鲁棒性。