本书以视频序列中运动目标检测与跟踪技术为核心，对运动目标检测与跟踪理论和方法进行探讨，吸纳国内外相关运动目标检测与跟踪技术的精华，阐述基于K-means、AdaBoost和LBP背景建模的特征分类以及Otsu结合肤色检测的微动目标提取算法；设计利用SVM方法提取HOG特征分类器对行人人体进行检测的算法、基于前景模板和Camshift相结合的目标跟踪算法；实现双层Codebook模型和短时滑动窗口相结合的背景更新方法，解决外部干扰问题，保证粒子多样性，减少计算量和时间复杂度；提出一种基于轨迹网格化分析的运动目标徘徊检测方法。
本书所有实验结果及分析均取自作者所在研究团队工作的研究成果，具有一定的前沿性和实用性。
样章试读
目录
- 目录
前言
第1章 运动目标检测与跟踪概述 1
1.1 运动目标检测与跟踪的发展及现状 1
1.1.1 运动目标检测与跟踪的发展 1
1.1.2 运动目标检测与跟踪的国内外研究现状 2
1.2 运动目标检测与跟踪技术 4
1.2.1 运动目标检测技术简介 4
1.2.2 运动目标跟踪技术简介 6
1.3 运动目标检测与跟踪的技术难点 9
1.4 本章小结 10
参考文献 10
第2章 运动目标检测与跟踪基础知识 13
2.1 视频序列图像的预处理 13
2.1.1 图像灰度化 13
2.1.2 图像二值化 16
2.1.3 图像增强 18
2.1.4 图像滤波 20
2.1.5 形态学处理 22
2.1.6 颜色空间 25
2.1.7 图像边缘检测 28
2.2 运动目标检测技术 31
2.2.1 光流法 31
2.2.2 帧间差分法 33
2.2.3 背景减除法 34
2.2.4 可视化背景提取算法 42
2.3 运动目标跟踪技术 46
2.3.1 Meanshift跟踪算法 46
2.3.2 Camshift跟踪算法 48
2.3.3 Kalman滤波跟踪算法 49
2.3.4 粒子滤波跟踪算法 51
2.3.5 基于Snake模型的目标跟踪算法 53
2.4 本章小结 58
参考文献 58
第3章 视频序列中的微动目标检测方法 61
3.1 图像特征分类技术 61
3.1.1 Bayes分类算法 61
3.1.2 K-means算法 62
3.1.3 条件随机场模型 65
3.1.4 AdaBoost模型 68
3.2 图像特征提取技术 70
3.2.1 基于区域分割的特征提取 70
3.2.2 基于目标边缘检测的特征提取 71
3.2.3 基于目标纹理的特征提取 71
3.3 微动目标提取技术 71
3.3.1 改进的K-means聚类算法 72
3.3.2 肤色检测算法 74
3.4 微动目标背景替换技术 76
3.4.1 微动目标粗分割算法 76
3.4.2 微动目标孔洞填充算法 77
3.4.3 背景替换算法 80
3.5 LBP背景建模改进技术 81
3.5.1 LBP纹理特征提取算法 81
3.5.2 基于LBP背景建模的微动目标检测算法 83
3.5.3 LBP背景建模改进算法性能分析 84
3.6 多线程图像处理技术 90
3.6.1 多线程与图像处理 91
3.6.2 多线程与视频微动目标提取算法 91
3.6.3 线程间的通信 92
3.6.4 共享缓冲区和互斥机制 92
3.7 坐席视频通话中的微动目标检测与背景替换系统 95
3.7.1 坐席视频通话系统体系结构 96
3.7.2 坐席视频通话系统设计与实现 97
3.8 本章小结 100
参考文献 101
第4章 视频序列中的运动目标跟踪方法 103
4.1 结合前景检测的运动目标跟踪技术 103
4.1.1 Codebook背景建模 104
4.1.2 融合邻域信息Codebook背景建模 106
4.1.3 确定跟踪目标和特征提取 107
4.1.4 基于颜色特征的运动目标模型构造 109
4.1.5 融合邻域信息的Codebook模型与粒子滤波结合的跟踪算法 110
4.1.6 目标跟踪和特征提取算法性能分析 112
4.2 结合在线学习检测器的运动目标跟踪技术 115
4.2.1 基于机器学习的特征提取 117
4.2.2 特征选择与分类器设计 118
4.2.3 随机蕨丛在线学习和粒子滤波相结合的目标跟踪 122
4.2.4 基于滤波的目标跟踪算法性能分析 123
4.3 视频序列中的粒子滤波跟踪系统体系结构 126
4.3.1 粒子滤波跟踪系统体系结构 127
4.3.2 粒子滤波跟踪系统设计与实现 128
4.4 本章小结 130
参考文献 131
第5章 行人检测和流量统计方法 133
5.1 运动目标计数算法 133
5.1.1 智能视频监控系统概述 133
5.1.2 行人计数统计算法 134
5.2 基于AdaBoost的行人检测技术 139
5.2.1 人头样本训练 140
5.2.2 Haar-Like特征与MB-LBP特征提取 142
5.2.3 基于AdaBoost的人头检测算法 144
5.2.4 人头检测实验结果与分析 145
5.3 基于SVM的人体识别技术 150
5.3.1 HOG特征提取 150
5.3.2 SVM分类器 152
5.3.3 人体识别实验结果及分析 153
5.4 基于粒子滤波跟踪的人头检测技术 156
5.4.1 改进的粒子滤波剩余重采样算法 156
5.4.2 结合人头检测的粒子滤波算法 161
5.4.3 粒子滤波的人头检测实验结果与分析 162
5.5 行人检测和流量统计系统 165
5.5.1 行人检测系统设计与实现 165
5.5.2 行人流量统计系统设计与实现 170
5.6 本章小结 176
参考文献 176
第6章 视频序列中的遗留物检测方法 179
6.1 遗留物检测技术 179
6.1.1 算法约束假设 181
6.1.2 视频序列图像单帧预处理 182
6.1.3 遗留物检测算法 183
6.1.4 基于场景分类的遗留物检测算法 187
6.1.5 基于双背景模型的遗留物检测算法 188
6.1.6 基于目标行为分析的遗留物检测算法 189
6.2 基于双混合高斯背景模型的遗留物检测技术 191
6.2.1 遗留物检测算法中的静止前景检测 191
6.2.2 改进的混合高斯背景建模算法 192
6.2.3 静止前景目标的提取 194
6.3 遗留物主的提取技术 196
6.3.1 改进的Camshift目标跟踪算法 197
6.3.2 基于图像信息熵的遗留物主关键帧提取 199
6.4 遗留物检测实验结果与分析 201
6.5 本章小结 205
参考文献 206
第7章 运动目标异常行为检测与跟踪方法 208
7.1 运动目标表示与特征提取 208
7.1.1 运动目标表示 209
7.1.2 运动目标特征提取 209
7.2 运动目标异常行为检测技术 210
7.2.1 目标越线和进入虚拟墙检测 211
7.2.2 逆向运动和加速运动检测 215
7.2.3 运动目标跌倒和蹲下行为检测 216
7.2.4 运动目标伸开双臂检测 218
7.3 运动目标徘徊检测技术 218
7.3.1 运动目标徘徊轨迹检测 219
7.3.2 运动目标轨迹的网格化分析 221
7.3.3 正常行为轨迹分析 223
7.3.4 徘徊行为轨迹分析 224
7.3.5 徘徊轨迹检测 224
7.4 运动目标行为检测与跟踪实验结果与分析 226
7.5 异常行为检测系统的设计与实现 231
7.5.1 异常行为检测系统体系结构 231
7.5.2 异常行为检测系统接口设计与实现 232
7.5.3 异常行为检测系统设计与实现 233
7.6 本章小结 236
参考文献 236
索引 237
彩图
京公网安备 11010102004214号