复杂场景多目标轮廓跟踪与异常行为早期检测方法研究

随着视频监视系统应用的不断深入，研究复杂场景内多目标跟踪和行为理解检测方法（即：如何在复杂场景中有效跟踪多目标运动和尽早判断其运动或姿态异常）成为视频场景理解的关键问题之一。由于复杂感知环境、图像传感器精度与使用代价等因素制约，基于线性高斯假设条件的许多场景检测与分析方法时常显的不能适应，效果不佳。本项目基于非高斯非线性系统假设，利用随机有限集数学工具，结合概率假设密度和粒子滤波方法，重点研究复杂场景下的多目标跟踪与异常行为早期检测方法的深层次问题：基于概率假设密度与粒子滤波多目标轮廓建模与跟踪算法；非高斯非线性系统轮廓跟踪质量检测准则；基于不确定信息模型未知环境下无特征模式异常行为早期检测算法。通过建立目标轮廓模型并进行轮廓跟踪，依据轮廓跟踪质量偏差，进行异常行为早期检测判断。为解决复杂场景下多目标跟踪与行为理解提供应用基础支持，同时也对非高斯非线性系统的早期变化检测方法进行初步探索。

由于复杂感知环境、目标区域运动和目标数目变化等因素制约，复杂场景内多目标跟踪和行为理解检测方法时常效果不佳。本项目基于非高斯非线性系统假设，利用随机有限集数学工具，结合概率假设密度和粒子滤波方法，研究了复杂场景下的多目标跟踪与异常行为早期检测方法的深层次问题：改进工作主要从补充跟踪算法的航迹识别功能，提高观测似然函数的区分性和可靠性，以及提高算法状态抽取的可靠性和准确性三个方面着手对基于随机有限集的视频目标跟踪算法进行研究。重点研究了基于概率假设密度与粒子滤波多目标轮廓建模与跟踪算法；基于不确定信息模型未知环境下无特征模式异常行为早期检测算法。通过建立目标轮廓模型并进行轮廓跟踪，依据轮廓跟踪质量偏差，进行异常行为早期检测判断。实现了复杂场景下多目标跟踪与异常状态分析。利用双摄像机协同系统，对交通拥塞异常状态数据进行算法验证，说明了算法的有效性。