英语原文共 12 页，剩余内容已隐藏，支付完成后下载完整资料
通过时间放弃对象检测一致性建模与回溯目视监视验证
摘要
本文提出了一种有效的方法监视录像中的行李检测。我们结合短期和长期背景模型提取前景对象，其中输入图像中的每个像素被归类为2位代码。随后，我们引入了一个框架来识别基于代码时间过渡的静态前景区域模式，并确定候选区域是否包含分析背向轨迹行李的主人。获得的实验结果的基础上视频图像2006跟踪性能评价和监视和2007先进的视频和信号为基础监测数据库表明，该方法是有效的—用于检测被遗弃的行李，和它优于以前的方法。索引条款遗弃行李检测，放弃目标检测，短期背景模型，长期背景模型，目标检测与跟踪，视觉监控。
一．介绍
视觉监控研究，检测废弃行李被称为被遗弃的物体的问题或行李寄存检测。这是公众的一项重要任务安全，特别是用于识别可疑的固定项目.因为没有对象类型的类别，可以假定已放弃，公共对象检测训练对象检测器的方法，如对象类别不适合执行此任务。为了解决这个问题，前景/背景提取—技术用于识别静态前景。
用于识别静态前景或废弃对象可分为三类。第一类涉及构建双重背景模型检测静态前景[ 1 ] - [ 3 ]。双—使用快速和慢速构建背景模型学习率。随后，静态前景本地化通过区分两获得前景之间。这些方法的缺点是高误报率，这通常是由不完善的背景减法造成鬼的效果，固定的人，拥挤场景.此外，这些方法只涉及使用每个图像的前景信息定位区域利息（ROIs）废弃的候选对象。因此，时间一致的信息，可能是有用的识别序列模式，ROIs可能被忽略。
第二类提取方法静态前台区域涉及使用专门的混合高斯（MOG）背景模型。在以前的
研究[ 4 ] - [ 6 ]，三高斯混合物被用来将前景对象分类为移动前景，放弃对象，并通过执行背景移除对象减法.此外，所提出的方法[ 6 ]用途视觉属性和排名功能来描述各种报警事件类型。
第三类涉及积累一段二进制前景图像或跟踪前景区域来识别静态前景。在[ 7 ]和[ 8 ]中提出的方法涉及基于像素的静态前景定位与最大累积值，分别求—因此认为静止物体的候选区域。然而，这类方法在复杂场景中失败。吕等。【9】使用跟踪跟踪跟踪前景对象基于它们的大小，长宽比和位置。行李寄存当移动的前景块停止移动时识别长期。黎等。[ 10 ]跟踪移动对象通过将原则颜色表示（PCR）模板匹配方案，并通过状态估计（例如，闭塞或移除）固定物体。而不是使用单一的相机，一些方法使用多个摄像头检测废弃行李。auvinet等人。【11】采用两台摄像机进行检测弃物和平面单应性之间两个摄像头被用来调节前景跟踪
结果.为了满足被遗弃的语义要求行李掉落的行李然后叶子，上述一些方法结合起来跟踪跟踪所涉及的人以进一步验证。廖等。【7】基于肤色的追踪行李主人信息和执行轮廓匹配
Hough变换。在[ 1 ]，Kalman滤波器（KF）和无味KF（UKF）用于跟踪前景对象（包括
人和行李）根据低级别的功能，例如作为颜色，轮廓和轨迹。田等。[ 4 ]集成一个人探测器和斑点跟踪跟踪所有者废弃行李，与相应的轨迹记录进一步分析。范等。[ 6 ]用了一滴跟踪跟踪移动人靠近行李。这个获得的运动信息被用作输入基于属性的警报排序函数。
我们的方法在本文中，我们提出了一个时间双速率前景一种单点静态前景估计的集成方法—
摄像机视频图像。我们的方法包括构建短期和长期的背景模型在线输入监视视频。随后，我们介绍一个基于有限状态机的简单像素（PFSM）模型使用时间转移信息来识别静态基于每个对象像素的序列模式的前景。因为所提出的方法涉及使用时间过渡的信息，我们可以减少缺陷的影响—影响前景提取的双背景模型，从而提高了构造静校正的精度前景的推理。业主跟踪程序也是采用我们的方法来语义验证被遗弃—对象事件。在该方法contributoins
以前的方法总结如下。
1）引入双速率背景建模具有时间一致性的框架。它执行大大优于基于单幅图像的双
背景模型[ 1 ] - [ 3 ]。
2）我们开发了一个简单的时空跟踪回溯验证方法。相比于逐帧跟踪方法，如KF或UKF受雇于[ 1 ]，我们的方法是优越的在处理临时闭塞，仍然高度高效实施。
3）标准数据集上的实验结果（PETS2006和avss2007）表明，我们的方法更具有毫不逊色对所有的比较方法[ 1 ] - [ 8 ]。本文的其余部分组织如下。第二节详细介绍了算法，第三节显示
实验结果，最后，我们的结论和讨论在第四节中提供。
二．T时间D性- R F 整合的方法
提出的放弃对象检测方法是基于背景建模与减法。以下图1。静态前景检测流程图。分部提供背景的概念审查—减法和相关的学习率更新背景模型。随后，剩余小节介绍我们的算法识别静态前景区域。A.背景建模和学习率背景减法是一种必不可少的检测技术—监视系统中的移动对象。应用此技术，基于像素的背景模型是典型的学从前面的图像。学习背景模型用于识别输入图像的每个像素是背景像素。当输入图像中的像素被确定为背景像素，相关的功能
（例如，像素颜色）随后可用于更新背景模型更适合代表最近观测像素值。给定一个序列的图像我T（Tisin;N）大小Mtimes;N，一个通用的背景建模的原则
更新程序可概括如下：
1）初始化每个像素的背景模型B（x，y）（x，y），0le;Xle;Mminus;1，和0le;Yle;Nminus;1。
2）输入图像的每一个像素（x，y），如果我的T（x，y）isin;B（x，y）（x，y），然后分为背—接地像素，否则被认为是前景像素。
3）对于每一个新发现的背景像素（x，y），通过考虑新的培训来更新B（x，y）样品，我吨（x，y）。
4）Tlarr;T 1，2步走）。
在这一过程中，学习率lambda;isin;[0,1]是典型应用于更新步骤3中的背景。学习率提供了一个lambda;B之间的权衡（1minus;lambda;）我T，从前模型B被调谐到新的训练数据我不快的时候，lambda;较小的增量更新例如，在[ 12 ]提出了MOG的方法，背景模型B（x，y）被记录为—RGB颜色空间中的高斯分布。学习率lambda;应用更新混合分布模观察到新的颜色t（x，y）和（x，y）被识别作为背景像素。类似的更新机制存在其他方法，如码本[ 13 ]，增强高斯混合模型（模型）算法[ 14 ]，由粗到精进场[ 15 ]。
图1显示了集成背景的概述本研究提出的建模方法。首先，我们描述了长期和短期模型建立在我们的方法为静态前景检测。该算法从通用的两种学习背景建模方法率。不失一般性，我们选择的比较方法在[ 12 ]作为我们的背景建模方法，但是，其他方法配备学习速率机制更新
背景模型也可用于我们的框架。正如上面提到的，一个小的学习率lambda;的更背景模型以更快的速度。学会的模型这个小的速率叫做短期背景模型B，其中f表示得到的二进制前景图像通过短期模型。相比之下，一个大的学习率lambda;l产生的模型，以较慢的速度更新同样，以这种速率学习的模型称为长期背景模型B，其中L表示利用长期模型获得二值前景图像。图2显示了得到的前景区域的示例使用长期和短期背景模型。长背景和短期背景模型的组合
适用于检测静止物体。图3显示一个被遗弃对象事件的例子。当行李由所有者留下，长期模型检测为前景对象，如图3所示（c）。此外，因为更快的更新率，行李将被归类作为背景对象的短期模型，如图所示如图3（d）。因此，像素表示为一二—位码的我将检测到的长期和短期前景，如下：我= L（I）F S（I），（1）其中F L（我），（我）和F的isin;{0,1}表示二进制值
前景图像的像素i。图3。一个对象放弃事件的例子，其中的组合长期和短期前景结果非常适合遗弃行李检测。像素分类从漫长的T erm和短T ERM背景模型[ 2 ]因此，有四个状态表示的两位代码I，如表一所示，它们表示如下：S i = 00表示像素i是背景像素因为它被分为B和B的背景。s i = 01意味着像素I是一个裸露的背景被对象暂时遮挡的像素
然后暴露在最近的图像中。S i = 10表示像素i很可能是静态的前景像素。s i = 11表示像素对应一个移动对象。当检测到遗弃的物体，我们主要是CON组—而这10个像素显示状态值，因为
1）这些前景像素已经存在了很长一段时间时间，如他们长期存在下长期模型，2）他们没有移动或振动在相当长的一段时间内，因此，短期模型预计很快就会拒绝它。这些属性限制上述静态前景像素和使状态适用于识别被遗弃对象的代码。然而，这些代码被定义为一个单一的图像只有。因为噪音可能是由于背景不完善造成的建模，这些代码可能是暂时的或不精确的。因此，在单图像的表I中的像素分类通常不足以识别被遗弃的物体一个不确定的环境，这就是为什么一个单一的方法或孤立的图像，如在[ 2 ]提出的，是不可靠的在实际案例中经常失败。在本文中，我们提出了使用时间连续性信息，以提高性能。我们断言图像序列中的代码模式应主要遵循一个时间规则，这规则是用一个非常简单有限状态机（FSM）模型。详情载于下一节。C.基于像素的有限状态机（PFSM）而不是识别每个像素的状态的基础上只有一帧，我们使用的时间过渡信息基于序列模式识别静止物体每个像素。像素仅与一个状态相关一时间。基于长期和短期背景模型，像素的状态，我可以从一个国家的时间t另一种状态在时间t 1。因此，我们构建一个简单的FSM模型来描述每个像素的行为。我们检测的静态foregroundby特定模式的识别跃迁。图4说明了特定的过渡静态前景识别。如图4所示，过渡模式描述对象放弃事件中的静态前景。从初始状态，该系统是由S = 11触发，表明该像素目前由前景区域遮挡。以后，当一个人放下行李时，短—术语方法很快更新行李到它的背景
模型，而长期的方法没有，因此，此站点的状态是更改为i = 10。最后，当状态的I = 10坚持了一定的时间时间（即，T s倍），然后我们推测像素i已成为静态前台的一部分。在这过程中，只有那些与此相关的像素过渡模式被认为是静态前景像素。否则，像素的状态我将返回到初始状态和重新启动，直到初始状态的I = 11。该PFSM因此，模型描述了以下规则：给定一二位代码序列，如果有连续的子序列开始由一系列11和随后的足够长的系列10，然后这个子序列是一个静态的检测前景。对于每一帧，那些像素由PFSM接受模型采集。随后，我们执行一个连接成分组那些像素和去除小组件.如果没有像素由PFSM模型接受，或
如果当前帧中的所有组件太小，没有进行进一步的验证。否则，保存组件（即，静态前景像素）被认为是被遗弃的行李候选人在目前的框架，和他们被送往后续阶段，以进一步核实
使用回溯算法，具体如下部分。背面回溯验证接下来，我们验证行李是否被丢弃或简单使用回溯法在地面上放置很短的时间验证程序。因此，我们的系统首先验证行李主人是否靠近行李。如果业主不返回他或她的行李，该对象被认为被遗弃的.执行上述语义分析对象丢弃事件，回溯验证是执行如下。第C发现静态前景随后考虑行李考生。当一个静态前台被视为左行李候选人在时间t和没有其他移动前景对象在其邻居半径d的区域，然后返回当前帧t对前一帧T 0 = Tminus;T S，指片刻，主人有可能放下行李，其中T是过渡时间常数在PFSM模型（图4）。让左行李的图像位置候选人在时间t 0。在P为中心，我们创建一个空间—时间窗口大小W 0（R 2，delta;），其中R指以P圆的半径，和delta;表示时间间【T 0、T 0 delta;]随后，窗口W 0，我们认为所有的前景使用背景减法算法识别斑点。从这些斑点中，我们选择N [ 1 ]和人类探测器在[ 16 ]和[ 17 ]，其中过滤器静态前景对象可能是人。我们简要介绍了人的检测方法
可变形零件模型（DPM）探测器[ 16 ]是人类最先进的检测算法之一，采用滑动窗口技术过滤内核来检测图像中的对象。对象使用根过滤器和多个部分进行检测过滤器.根过滤器描述的整体外观对象，而部分筛选器描绘对象的部分区域。该对象的位置时，该地区投票的最高
分数根和部分过滤器。然而，由于数量采用的过滤器，计算成本变得非常高。为了克服这个困难，dubout和Fleuret [ 17 ]近似滑动窗口技术为卷积程序。根据时域卷积定理—污染是相当于频域相乘的基于快速傅立叶的部分基于人体检测器的加速在这项工作中采用和改造。然后将包含人的前景区域视为所有者斑点为进一步跟踪，我们表示其形象P 1位置。如果有一个以上的人类检测，我们只是选择最接近P最接近的斑点位置P 1。我们提取的颜色分布的特征表示前景的斑点。接下来，集中在P 1，我们创建一个新的时空窗口W 1的尺寸（R 2，delta;）。然后我采用识别BLOB Bhattacharyya系数颜色分布最相似的所有者在W 1，然后创建一个窗口W 2集中在新识别斑点。然后使用上述过程跟踪代表所有者直到时间超过原始时间t或直到跟踪的斑点是在邻居之外区域（即半径D）以候选行李为中心。上述过程的优点是时间间隔delta;用于时空域，因此，它可以跟踪目标，当阻塞发生在delta;因此，不像帧跟踪方法，这样由于KF或UKF为基础的方法采用以前行李寄存检测研究[ 1 ]，我们的做法更强大的处理临时闭塞，它仍然高效实现，因为只有前台在有限数量的时空窗口中的斑点
被认为是。图5演示了我们的第一个回溯结果序列。图5（a）和图5（b）显示三维轨迹
基于时空结构的构造。后面—跟踪算法启动搜索的所有者从行李的位置，然后进行检查类似
前景的补丁。图5（c）显示行人检测结果。图5（d）显示放弃对象的摘要第一序列中的事件。表示所有者的区域用彩虹颜色顺序显示各种事件的时间戳。我们的跟踪程序是可扩展的保存多个使用时跟踪斑点的假设一个概率框架，如粒子滤波（PF）代表多个假设的动态跟踪。然而，PF是缓慢的，不能实现实时验证—大多数视觉监视应用的阳离子要求。因此，我们使用上述单一假设的方法，可以推广到更有效的跟踪时必要的。抛弃对象事件分析图6显示了所提出的系统架构。一旦获得业主的轨道，发出警告行李已按照下列规定被遗弃两个规则，由PETS2006 [ 18 ]定义。
全文共5859字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[144612]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
