● 摘要
随着人们安防意识的不断增强，视频监控以其直观、方便、信息内容丰富的特点得到了广泛的普及，越来越多的摄像机被部署在诸如交通路口、机场、商场、停车场和商业大楼等公共场所，这些摄像机被用于观察被监控场景中的人和车辆等目标的活动。另外，视频监控的长足发展还得益于计算机处理能力和存储容量的迅速提高，图像处理和网络传输技术的飞速进步，以及各种视频信息处理技术的出现。这些相关技术的进步使得视频监控逐步向全程数字化、网络化和智能化的方向发展，并且越来越具有高度的开放性、集成性和灵活性。视频监控的智能化给计算机视觉在公共安全领域中应用提供了广阔的前景，智能视觉监控成为一个逐渐兴起的研究方向。在现实的视频监控系统中，一个摄像头监控一次看到整个监控场景几乎是不可能的，而多摄像机具有监控范围大、视野宽阔、全方位视点等优点，使得通过多个摄像机信息的融合来实现多场景下目标的连续跟踪已经成为智能视觉监控领域研究的主流方向。目前，实现目标在整个监控区域内的持续跟踪是智能视觉监控中目标跟踪的一个难题，其技术难点是多摄像机目标匹配、协作、多摄像机定标及数据融合等问题，目前仍处于基础研究阶段。针对上述问题，本文提出了一种场景自适应目标跟踪方法SAOT（Scenes Adaptive Object Tracking）。该方法将目标的多个特征通过线性加权的方式集成在Mean Shift跟踪方法中。根据各个特征对当前目标及背景的相似性，提出了一种基于Fisher准则可分性度量的权值自适应机制，实现目标在多变化场景下特征有效的自适应融合；同时根据各个特征的可分性，提出了一种选择性目标子模型更新策略，改善了在变化场景下目标跟踪的鲁棒性。本文采取了颜色空间特征、LBP（Local Binary Pattern）纹理特征以及基于Kalman滤波的运动特征对该方法进行了仿真实验，验证了本文方法对场景及目标变化具有良好的自适应性，能够实现鲁棒实时的目标跟踪。在此基础上本文实现了一个多场景运动目标连续跟踪系统，对SAOT方法中的具体设计和实现细节进行了详细的阐述。最后本文对该多场景运动目标连续跟踪系统进行了测试，实验验证了本文方法的有效性。