基本信息
- 项目名称：
- 视频监控中人体跟踪
- 来源：
- 第十二届“挑战杯”作品
- 小类：
- 信息技术
- 大类：
- 科技发明制作B类
- 简介：
- 我们的作品展示了在拥挤环境下人体的检测和跟踪，而在这个过程中解决这个较难处理的遮挡问题。提出了基于人体模型的边界曲线的分割方法。此方法不同于前人提出的一些方法，这种分割方法将多维图像转换为一维曲线，通过对一维曲线的处理来达到分割目的，而且此方法具有简单而且速度快的特点。
- 详细介绍：
- 在社会信息化发展过程中，智能监控以及单人体跟踪系统也得到长足的发展，并且有了一定的应用。然而，多人体跟踪系统研究一直是一个难点问题，由于受阴影、光照以及人体之间的互遮挡影响，导致目标跟踪错误或丢失。本文主要关注视频监控中互相遮挡人体的跟踪问题，完成的主要工作如下： (1)对于运动的检测,为了避免光照和阴影给前景检测带来的影响，提出了背景模型和背景边界模型相结合的前景检测模型。该模型能够较完整的获取前景目标，能够有效避免光照和阴影给前景检测带来的影响。 (2) 视频监控中，拥挤人群的相互遮挡给人体分割和跟踪带来很大困难。为了解决该问题，提出了人体模型和人体边缘曲线相结合的人体分割方法。此方法依据人体边界像素点绘制人体边界曲线，通过对边界曲线的处理来确定人体头部的宽度，最后根据人体模型来确定人体各部分的比例。由于本文提出的分割方法是将对二维图像的处理转化为对一维曲线的处理，因此，此方法具有简单而且实时性好的优点。 (3) 采用分层Dirichlet过程(HDP)与BP网络相结合的人体跟踪模型。本文提出的遮挡处理方法能够有效的解决人体遮挡问题，但也会造成人体特征值存在较大的缺损、畸变，而BP神经网络可处理一些环境信息十分复杂，推理规则不明确的问题，允许样本有较大的缺损、畸变，其学习和训练算法相对简单、速度快，因此本文采用BP神经网络作为人体跟踪模型。本文跟踪系统分为在线人体跟踪和离线网络学习两个子系统。在线跟踪过程中，用HDP对当前帧中得到的人体特征向量与知识库中人体特征数据进行聚类来决策是否有新的人体行为模式产生，如果有则激活离线子系统来量化新的行为模式，并更新知识库。随着BP网络不断学习，知识库越来越丰富，系统的跟踪性能及适应性不断提高。通过在BP网络学习过程中引入HDP，有效提高了BP神经网络学习的自主性和效率。
作品图片
作品专业信息
设计、发明的目的和基本思路、创新点、技术关键和主要技术指标
- 本系统主要阐述了两个主要方面：一方面提出了一种人体模型和人体边界曲线相结合的人体分割方法，这种方法能够有效的解决人体部分遮挡问题；另一方面采用了一种基于特征值与方位信息相结合的人体跟踪系统，通过特征值匹配与方位信息的判断来对人体进行跟踪。BP神经网络数学跟踪模型。
科学性、先进性
- 在系统中，对于前景的检测，我们采用背景边界模型，此方法能够减少光照变化、阴影等带来的干扰。对于跟踪算法，我们采用机器学习的办法，利用BP神经网络作为跟踪模型，BP神经网络通过提取人体特征数据来训练网络，用学习后的BP网络来对人体进行跟踪。
获奖情况及鉴定结果
- 已申请软件著作权登记和专利。
作品所处阶段
- 中试阶段
技术转让方式
- 无
作品可展示的形式
- 实物或录像
使用说明,技术特点和优势,适应范围,推广前景的技术性说明,市场分析,经济效益预测
- 计算机视觉是计算机科学和人工智能的一个重要分支。它研究的主要内容是怎样利用各种成像系统代替视觉器官来获取信息，由计算机代替大脑完成对信息的处理和解释，使计算机具有人一样的视觉功能。利用计算机视觉系统，我们可以自动检测和跟踪运动的对象，由于数码相机的普及，这些方法都有很大的应用范围，包括机器人导航，医疗诊断用，视觉效果，多媒体检索，和遥感。
同类课题研究水平概述
- 目标跟踪是视频序列的研究，从序列图像中监测到运动的目标，然后对指定的目标进行准确且连续的跟踪。一般来说，运动目标的分割与跟踪就是通过计算有传感器所获得的图像与包含的参考图之间的相似性，确定目标当前的位置、运动参数、空间结构，并给出相应的跟踪过程。因此，运动目标的分割与跟踪是以图像处理技术为核心、有机融合了计算机技术、传感器技术、模式识别、人工智能等多种理论和技术的新型的目标分割跟踪技术。它是图像处理技术的直接应用。在本段中我们主要概括分割和跟踪的相关研究，由于在这一领域的文献数量，这是我们无法提供一个全面的调查，但我们尝试包括主要发展趋势。
