視頻監(jiān)控系統(tǒng)中的多目標檢測與跟蹤技術(shù)研究.pdf

1、在智能視頻監(jiān)控系統(tǒng)中,運動目標尤其是多個運動目標的檢測跟蹤技術(shù)是比較關鍵的技術(shù),在軍事和民用中都有著廣泛的應用。這兩項技術(shù)也是視頻場景分析、行為理解等各種后續(xù)處理的基礎。
　　 運動目標檢測是把感興趣的運動物體從背景中提取出來。當背景比較簡單且影響較小時,我們可以快速提取目標；但是當背景發(fā)生細微抖動時,有效的檢測就變得復雜很多。在第二章中提出了改進的三幀差分法,結(jié)合形態(tài)學濾波與連通域檢測等多項技術(shù),最終實現(xiàn)多個運動目標的檢測。<

2、br>　　 在計算機視覺跟蹤領域,Mean-Shift算法是一個很好的算法。該算法實時性好,對目標的遮擋、旋轉(zhuǎn)、變形等魯棒性強,因此受到了眾多研究者的關注,并已經(jīng)成功地應用到許多視頻跟蹤系統(tǒng)中。但是Mean-Shift算法本身沒有實現(xiàn)模版更新,傳統(tǒng)算法僅僅依靠初始化選擇特征,可能導致后期跟蹤的失敗。第三章提出了一種相似度判斷與Kalman濾波預測相結(jié)合的方法對目標模板進行實時的更新,在保證算法實時性的同時,魯棒性也更好。當跟蹤目標發(fā)生

3、完全遮擋時,通過結(jié)合Kalman濾波預測來實現(xiàn)目標的準確跟蹤,并減少了算法的迭代次數(shù)。
　　 第四章介紹了另外一種非常重要的目標跟蹤算法:粒子濾波。針對多目標跟蹤中的難點,本文提出了基于HSV核直方圖的粒子濾波跟蹤算法,并采用了一種基于非均勻樣本的重采樣算法。粒子濾波算法的最大缺點就是實時性不強,新的算法在不增加算法復雜度的基礎上,充分利用跟蹤過程中粒子的狀態(tài)值實現(xiàn)粒子的重采樣,使粒子表示狀態(tài)更加合理。實驗結(jié)果證明,算法能夠比較