視頻序列中運動目標檢測與跟蹤技術的研究.pdf

1、在現(xiàn)實生活中,運動目標的檢測與跟蹤在智能人機交互、醫(yī)療診斷、智能機器人、視頻監(jiān)控和軍事等領域得到了廣泛的應用。但該技術在實際應用中仍存在許多難點問題:應用場景的復雜多變、多目標跟蹤等。針對這些問題,本文借鑒國內外學者對這些問題的解決方法,對檢測與跟蹤的主要環(huán)節(jié)加以改進,并設計相應的原型系統(tǒng)。
　　 本文的主要工作包括:
　　 (1)在目標檢測方面,對常用目標檢測方法進行了研究分析。針對大部分視頻的多噪聲點、低清晰度,降低

2、了幀間差分法檢測目標的準確性這一現(xiàn)狀,提出了一種將幀間差分法與視覺注意模型相結合的運動目標檢測方法。該方法首先利用幀問差分法獲取出目標的大致輪廓,然后使用Itti視覺注意模型顯著圖算法得到目標的顯著區(qū)域,再通過WTA競爭機制得到目標的注意焦點并結合區(qū)域生長算法來檢測目標的感興趣區(qū)域。實驗表明,該方法在不丟失目標重要特征的原則下,準確的獲取到目標感興趣區(qū)域,同時盡可能的去除了周圍環(huán)境區(qū)域的干擾,為后續(xù)跟蹤提高了性能。
　　 (2)

3、在目標跟蹤方面,首先對目標跟蹤理論進行了研究分析,并對粒子濾波算法進行了深入的研究。針對粒子濾波在多目標視頻跟蹤下不能持續(xù)維持目標的多模態(tài)分布即對多目標.足艮蹤的不足,本文提出了一種改進的混合粒子濾波算法。該算法首先用k-means算法對粒子進行空間分布聚類,給各粒子群附加身份標簽,不僅提高了目標狀態(tài)估計的準確性,同時讓各粒子群分別對應于混合粒子濾波的各分量,使相互獨立的各分量粒子濾波器跟蹤各個目標,從而能夠有效維持目標的多模態(tài)分布。<

4、br>　　 (3)針對傳統(tǒng)多目標跟蹤方法中復雜的數(shù)據(jù)關聯(lián)問題,則提出了基于隨機有限集(RFS)理論框架下的概率假設密度(PHD)濾波來有效地避免,并且本文通過混合粒子對PHD濾波加以實現(xiàn),提出了一種基于混合粒子PHD濾波的多目標視頻跟蹤方法。實驗結果表明,該算法能夠有效處理新目標出現(xiàn)、合并、分離等多目標跟蹤問題。
　　 (4)采用OpenCV計算機視覺庫設計并實現(xiàn)了運動目標檢測與跟蹤系統(tǒng)。該系統(tǒng)主要包括目標檢測與目標跟蹤兩大模