侵权投诉
订阅
纠错
加入自媒体

智能视频监控技术解析

2014-03-04 14:09
科技潮人
关注

  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LevelSet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。

  目标分类

  目标分类的目的是从检测到的运动区域中将特定类型物体的运动区域提取出来,例如分类场景中的人、车辆、人群等不同的目标。根据可利用信息的不同,目标分类可以分为基于运动特性的分类和基于形状信息的分类两种方法。基于运动特性的识别利用目标运动的周期性进行识别。受颜色、光照的影响较小。基于形状信息的识别利用检测出的运动区域的形状特征与模板或者统计量进行匹配。

  1、基于形状信息的分类

  基于形状信息的分类是利用检测出的运动区域的形状特征进行目标分类的方法。例如VSAM采用区域的分散度、面积、宽高比等作为特征。利用三层神经网络方法将运动目标划分为人、人群、车和背景干扰;Lipton等利用分散度和面积信息对二维运动区域进行分类,主要是区分人、车及混乱扰动,时间一致性约束使其分类更加准确;Kuno与Watanabe使用简单的人体轮廓模式的形状参数从图像中检测运动的人。

<上一页  1  2  3  4  5  下一页>  余下全文
声明: 本文由入驻维科号的作者撰写,观点仅代表作者本人,不代表OFweek立场。如有侵权或其他问题,请联系举报。

发表评论

0条评论,0人参与

请输入评论内容...

请输入评论/评论长度6~500个字

您提交的评论过于频繁,请输入验证码继续

暂无评论

暂无评论

文章纠错
x
*文字标题:
*纠错内容:
联系邮箱:
*验 证 码:

粤公网安备 44030502002758号