计算机智能视频监控系统关键技术研究

1、东北大学博士学位论文计算机智能视频监控系统关键技术研究姓名：方帅申请学位级别：博士专业：控制理论与控制工程指导教师：徐心和20050101 4、DNA分子一条链中（A+T）/(C+G的比值等于互补链和整个DNA分子中该种比例的比值。5、若某DNA分子有个碱基对，其碱基对的排列方式为4种。（二）DNA复制有关的计算：1、复制n次，生成2n个DNA分子。2、若取一个被15标记的DNA分子，转移到14的培养基上培养（复制）若干代。则有以下规律：（1）、子代DNA分子中，含15的有2个，只含15的有0个；含14的有2个，只含14的有（22）个。做题时应看准是“含有”还是“只含有”。（2）无论复制多少次

2、，含15的DNA分子始终是2个，占总数比例为22。（3）子代DNA分子的链中：总链数2n2=2n+1条。含15的链始终是2条，占总数比例为22n+1=12n。做题时，应看准是“DNA分子数”还是“链数”。（4）若一亲代DNA含有某种脱氧核苷酸个，经过次复制需要消耗游离的该脱氧核苷酸（2n1）个。第次复制，需要含该碱基的脱氧核苷酸数为21（三）DNA的碱基数、RNA的碱基数、蛋白质的氨基酸数之间的关系：6：3：1.例：某个DNA片段由500对碱基组成，A+T占碱基总数的34%，若该DNA片段复制2次，共需游离的胞嘧啶脱氧核苷酸分子个数为（ ）A、330 B、660 C、990 D、1320解析：

3、由A+T占碱基总数的34%，可求出T=17%；由东北大擘博士学位论文第一章绪论主要任务他们是谁？（？）他们在干什么？（？、何地？（？）何时？（？虽然是针对一个视频监控系统的特例进行总结的，但它基本上可以反映出视频监控系统的主要任务。在此基础上，本文对矽稍加改动，增加一个矿，提出了，视频监控系统的概念，并明确其主要任务为：我看到了什么？（？）何地？（？，他们正在做什么将会做什么？（？何时？（？）我应该采取什么措施？（？虽然各种视频监控系统的结构、实现方式等均有所不同，但其主要任务基本上都是围绕上述五个问题进行豹。为了能够进一步从研究的角度直观说明视频监控系统的主要任务，本文给出了如图所示的视频监

4、控系统的结构框图。整个系统由四个模块组成【“，”】，分别是图像获取模块、图像处理模块、图像分析模块和图像理解模块。其中，图像获取模块是指通过硬件系统获取图像数据的过程。图像处理模块包括数据处理和图像预处理。数据处理用于对采集到的视频信息进行调整、压缩和存盘，以方便该信息在网络中传输。硬件系统获取的原始图像，由于噪声、光照、运动等原因，图像质量不高，所以需要进行预处理，以利于提取我们感兴趣的信息。预处理模块主要包括传感器标定、滤波、图像增强与恢复等。图像分析模块主要是对图像中感兴趣的目标进行检测和测量，以获得它们的客观信息。图像分析模块包括目标分割、目标定位、目标跟踪和特征提取。在这部分主要是解

5、决“何时？”和“何地？”的问题。碱基个数为1000相关技术运动目标检测个。根据公式m目标分类的目的是识别运动目标所属的类别。不同的运动区域可能对应于不同的运动目标，比如交通道路上监控摄像机所捕捉的序列图像中可能包含行人、车辆及其它诸如飞鸟、流云、摇动的树枝等运动物体，为了便于进一步对行人进行跟踪和行为分析，运动目标的正确分类是完全必要的。目前常用的目标分类方法有：基于形状信息的分类，】、基于运动特性的分类以及时间共生矩阵进行分层分类的方法【】等。传统上目标跟踪表达为一个组合：测量一状态分配一估值问题。目标跟踪等价于在连续的图像帧间仓建基于位置、速度、形状、纹理、色彩等有关特征的对应匹配问题，常

6、用的数学工具有卡尔曼滤波【、算法、动态贝叶斯网络【】等。在这些方法中，卡尔曼滤波是基于高斯分布的状态预测方法，不能有效处理多峰模式（）分布情况；算法是以因子抽样为基础的密度传播方法，结合可学习的动态模型，能够完成鲁棒的运动跟踪。目标跟踪的方法主要有基于模型的跟踪”（）、基于区域的跟踪，（）、基于活动轮廓的跟踪，（）。行为理解与描述）和基于特征的跟踪，（运动检测、目标分类与跟踪是运动分析中研究较多的三个问题，而行为理解与描述则是近年来被广泛关注的研究热点。它是指对运动模式进行分析和识别，并用自然语言等加以描述。行为理解可以简单地被认为是时变数据的分类问题，即将测试序列与预先标定的代表典型行为的参

7、考序列进行匹配。由此可见，行为理解的关键问题是如何从学习样本中获取参考行为序列，并且学习和匹配的行为序列必须能够处理在相似的运动模式类别中空间和时间尺度上轻微的特征变化。匹配时变数据的技术通常有：（）动态时间规整“（东北大学博士学住论文第一章绪论）：具有概念简单、算法鲁棒的优点，早期被广泛地应用于语音识别中，并且最近才被用于匹配人的运动模式：对而言，即使测试序列模式与参考序列模式的时间尺度不能完全一致，只要时间次序约束存在。它仍能较好地完成测试序列和参考序列之间的模式匹配。（）隐马尔可夫模型（）：是更加成熟的匹配时变数据的技术，它是随机状态机器。的使用涉及）练和分类两个阶段，训练阶段包括指定一

8、个隐马尔克夫模型的隐藏状态数，并且优化相应的状态转换和输出概率以便于产生的输出符号与在特定的运动类别之内所观察到的图像特征相匹配。对于每一个运动类别，一个是必须的。匹配阶段涉及到一个特定的可能产生相应于所观察图像特征的测试符号序列的概率计算。在学习能力和处理未分割的连续数据流方面比有更好的优越性，当前被广泛地应用于人的运动模式匹配中。（）神经网络（）：它同样也是目前比较感兴趣的匹配时变数据的方法，如等用其分析人的运动模式；等【】使用径向基函数网络从运动中识别人的情感。技术难点尽管视频监控研究已经取得了一定的成果，但下述几个方面仍是今后研究的难点问题。运动分割快速准确的运动分割是个相当重要但又比

9、较困难的问题。这是由于动态环境中捕捉的图像受到多方面的影响，比如天气的变化、光照条件的变化、背景的混乱干扰、运动目标的影子、物体与环境之间或者物体与物体之间的遮挡、以及摄像机的运动等，这些都给准确有效的运动分割带来了困难。就以运动目标的影子为例，它可能与被检测的目标相连，也可能与目标分离。在前者情况下，影子扭曲了目标的形状，从而使得以后基于形状的识别方法不再可靠；在后者情况下，影子有可能被误认为是场景中的目标。尽管目前图像运动分割主要利用背景减除方法，但如何建立对于任何复杂环境的动态变化均具有自适应性的背景模型仍是相当困难的问题。一个可喜的发展是，一些研究者们正利用时空统计的方法构建自适应的背

10、景模型。对于不受限环境中的运动分割而言，这也许是个更好的选择。 东北大学博士学住论文第一章绪论战争主动权有着极其重要的意义。建立边海防远程视频监控系统，对关键口岸、哨所和敏感地区实施监控，就能使情报部门直观、及时地监视边海防前线情况，提高情报获取的实时性和综合处理能力，也能有效防止偷渡、出逃、走私和贩毒等非法行为。在当前市场一体化和经济全球化形势下，企业为了提高竞争能力，纷纷在世界各地建立分支机构。通过远程视频传输系统，企业管理部门就能随时观察到其在各地机构的生产、工作状况，与电话汇报相比，既直观真实又方便快捷。就我国而言，由于历史的原因，我国大陆的安防产业较发达国家晚一、二十年。但是近年来，

11、随着我国经济的快速发展、人民物质生活水平的提高和消费观念的改变，安防从过去的人防发展为以技防为主、人防为辅，并成为现代管理的重要手段。在年月的安防产品展示会上，来自国内外的上百家厂商展出各种产品和系统。据权威部门统计，年全国监控系统的市场总额为亿，随后几年来一直以每年分速度快速增长，我国监控行业面临着良好的发展机遇。毋庸置疑，在年的北京奥运会中，计算机视频监控系统将大放异彩，它将广泛用于智能化的交通调度、现代化的体育场馆和优雅舒适的奥运村，为参加奥运会的各国朋友在北京的比赛、游览提供安全舒适的服务。本文主要工作本文研究主线本文研究主线如图所示。从三个层次对计算机智能视频监控系统进行研究。从下往

12、上分别是图像层、特征层和行为层，对应图像工程中的图像分析和图像理解。图像层对应于图像工程的图像分析，特征层和行为层对应于图像工程的行为理解。从图还可以看出，随着抽象程度的提高，需要处理的数据量在逐渐减少。也就是说原始图像数据经过一系列处理过程，逐步转化为更有组织的和用途的信息。下面将每一层的功能简单描述，其详细描述参见本文后面各章节。第一层是图像层，从硬件设备获得视频数据后，对单帧图像上运动目标进行检测，并对序列图像上的运动目标进行跟踪。第二层是特征层，主要是通过对图像层中检测和跟踪到的目标区域进行特征提取，并通过对特征的分析，进行目标分类。东北大学博士学位论文第一章绪诧第三层是行为层，由图像

13、层的跟踪结果和特征层的分类结果，对图像中的运动目标的状态和运动轨迹进作一步分析，识别运动目标的行为，从而对其进行行为理解。图系统技术流程图 东北大学博士学位论文第章相关理论基础贝叶斯预测基本思想贝叶斯预测就是运用贝叶斯统计方法进行的一种预测印。粗略地说，在统计推断中使用了先验分布的方法就是贝叶斯统计。贝叶斯统计，除了运用模型信息和数据信息以外，还利用未知参数的分布信息。由于这类信息是在进行试验以前就有的，所以称作先验信息。贝叶斯统计要求这类信息能以未知参数的概率分布来表示，这个概率分布称为先验分布。一般模式是：先验分布样本信息后验分布先验分布反映了在试验前我们关于未知参数的知识，有了样本带来的

14、信息后，这个知识有了改变，其结果就反映在后验分布中，或者说，后验分布综合了先验分布的信息和样本的信息。在应用中往往根据求出的后验分布作出推断。递推贝叶斯设在时刻，表示模型参数，“，”为参数空间，（）为先验概率，为观测向量，（）为观测似然函数，（五）为后验概率。设口表示时刻及其以前时刻所有有效信息的集合，为时初始信息的集合。在没有外部信息的条件下，口可记为皿亿，一，）（）故有（，一）。巾（一，口一，）（一一）（）其中一。，（）是分布函数。因为（，口一。）（）（，）（。）（）故有“口）。（薯口一，）（，一。）（）贝叶斯预测的另一重要基本思想是建立动态模型，并把预测分布看成是条件概率分布，预测者根据

15、先验信息一；求出预测分布（弓一，），并运用贝叶斯公式求得后验信息口，并不断对先验信息进行修正，从而求得人们所需要的预测值，贝叶斯预测递推算法框图如图所示。东北大学博士学位论文第章相关理论基础圈贝叶斯预测的递推算法蒙特卡罗方法蒙特卡罗方法基本原理蒙特卡罗是位于欧洲地中海的一座著名赌城。因为公平的赌博是随机的，所以这种利用随机数对物理过程或其它随机过程做统计检验的算法被称作蒙特卡罗算法，又称抽样法或统计试验法。下面本文将以一个例子来说明蒙特卡罗法的基本原理。设变量的函数关系如下：，（曲（）式中引报从某一概率分布的随机变量。厂（）是一未知或是一非常复杂的函数式，用解析的方法很难求得的概率分布。所谓蒙

16、特卡罗法就是通过直接或间接抽样求出每一随机自变量工，然后代入上式求出函数值，这样反复地独立模拟计算多次，便可得函数的一批抽样数据，。当独立模拟次数相当多时，即可由此来确定函数的概率特征。并用样本均值 东北大擘博士学位论文第章相关理论基础专善誓（）近似作为函数期望值。用样本标准差弗。专善（誓巧）（）作为精度的统计估计。式中：为模拟计算次数，即的予样个数。为试验所得函数的第个子样，。蒙特卡罗方法的收敛性根据大数定律，工，是个独立随机变量，它们有相同的分布，且具有相同的有限期望（而）和方差（葺），。则对任意占有熙降）、钟由伯努力定理可知，设随机事件的概率为（由，在次独立试验中，事件发生的频数为，频率

17、为（），则对于任意有熙陪一删蒙特卡罗法从总体善抽取简单子样做抽样试验，根据简单子样定义五，而，为具有同分布的独立随机变量。由式（）和式（）可知，当足够大时，以概率收敛于（），丽频率衫以概率删（），这就保证了使用蒙特卡罗方法的概率收敛性。由于蒙特卡罗方法的理论基础是概率论中的基本定律大数定律。因此，此方法的应用范围几乎没有什么限制。蒙特卡罗方法的实现蒙特卡罗法求解归纳为以下三个步骤。第一步，构造概率模型确定研究对象的概率分布。在有些情况下，可用一理论分布（如正态分布、 东北大擘博士学位论文第章相关理论基础专善誓（）近似作为函数期望值。用样本标准差弗。专善（誓巧）（）作为精度的统计估计。式中：为模

18、拟计算次数，即的予样个数。为试验所得函数的第个子样，。蒙特卡罗方法的收敛性根据大数定律，工，是个独立随机变量，它们有相同的分布，且具有相同的有限期望（而）和方差（葺），。则对任意占有熙降）、钟由伯努力定理可知，设随机事件的概率为（由，在次独立试验中，事件发生的频数为，频率为（），则对于任意有熙陪一删蒙特卡罗法从总体善抽取简单子样做抽样试验，根据简单子样定义五，而，为具有同分布的独立随机变量。由式（）和式（）可知，当足够大时，以概率收敛于（），丽频率衫以概率删（），这就保证了使用蒙特卡罗方法的概率收敛性。由于蒙特卡罗方法的理论基础是概率论中的基本定律大数定律。因此，此方法的应用范围几乎没有什么限

19、制。蒙特卡罗方法的实现蒙特卡罗法求解归纳为以下三个步骤。第一步，构造概率模型确定研究对象的概率分布。在有些情况下，可用一理论分布（如正态分布、东北太学博士学位论文第幸相关理论基础泊松分布等）描述研究对象的概率分布。第二步，实现从已知概率分布的抽样根据确定的初始概率分布进行随机抽样，即进行数字模拟。数字模拟根据条件，可以用手工计算和计算机处理两种方法。为了保证模拟结果具有给定的精度，模拟的次数必须达到一定标准。第三步，建立各种统计量的估计作为问题的解，可能是概率或期望。对于概率则用频率代替，对于期望用样本平均代替。根据随机模拟结果和预测要求，运用数理统计知识求取各种统计量，经过定性分析，认为合理

20、，取得预测值，预测结束。如认为模拟结果不理想，就修正初始概率分布，重新进行模拟，反复进行，直到模拟结果满意为止。图给出了蒙特卡罗方法实现过程。在数学上经典的处理概率问题的方法常常是把它变换为某个确定性问题去求解。蒙特卡罗方法正好与圈蒙特卡罗方法这种方法相反，它把确定性问题与某个概率模型相联系，通过统计试验求得的统计值作为原始问题的近似解。不变矩在目标识别中的应用【】人的视觉系统能够从二维图像中识别出许多物体。因此，在计算机视觉系统也常常不需要三维物体的完整模型，而是用二维图像上的几何特征来识别物体。描述物体二维图像上的特征并用于识别，是一个很有应用前景的研究方向。要做到这一点的主要困难是从不同

21、距离与视角去看同一物体时，所得到的二维图像是不同的，许多几何性质不具有不变性。因此，由二维图像特征去识别三维物体需要研究在不同距离与角度下观察到的二维图像中的不变特性。在计算机视觉系统，通常可以或近似可以做以下假设：（）假设物体是二维物体，即物体的厚度与摄像机与物体间的距离相比可以忽略不计。（）假设所有物体都在同一空间平面上，而且图像平面和物体平面平行。（）假设摄像机与物体平面距离较远，投影可以近似认为是平行投影。 东北大学博士学位论文第：章相关理论基础在以上三个假设下，同一物体的不同图像之间只相差一个旋转、平移与尺度变换。即同一物体的不同图像差别是由于物体摆设的方向不同、位置不同或摄像机与物

22、体之问距离不同引起的。我们可以找到一些不变量，这些量只与物体形状有关，而与它们的位置、方位、尺度无关，称为旋转、平移、尺度不变量。矩不变量是最常用的整体不变量。下面我们假设二维物体图像经过边缘检测或分割，每个物体在图像上由一个区域表示。该物体的）阶矩由下式表示：。（，。（）其中（，）为图像上某个像素坐标，（工，）表示点（石，力位于物体内部。容易证明，物体的重心坐标可用物体的零阶矩和阶矩表示如下：娩，歹：塑（，）于是，物体的（）阶中心矩（）可表示为，（）（）（，（）若物体在平面上做纯平移，平移量为（血，），则平移后物体上的点坐标（，）与原坐标的关系为，显然平移后，物体面积不变，新的重心坐标为，歹（）所以中心几何矩变换后为正。（一）以，可见，中心几何矩具有平移不变性。（）当物体尺度被放大或缩小时，归一化的中心几何矩具有平移与尺度变换不变性，归