復(fù)雜背景下運動目標(biāo)跟蹤技術(shù)研究.pdf

1、目標(biāo)跟蹤技術(shù)是機器視覺領(lǐng)域的主流，智能化時代正在飛快的向我們靠近，包括人機智能交互、輔助醫(yī)療診斷、安全監(jiān)控和國防軍事等領(lǐng)域不斷凸顯其應(yīng)用價值，成為繼圖像處理及模式識別領(lǐng)域又一研究熱點。因此，目標(biāo)跟蹤技術(shù)無論在理論研究還是實際應(yīng)用上，都具有非常重要的意義?，F(xiàn)今大多數(shù)目標(biāo)跟蹤算法都很難應(yīng)用在實際應(yīng)用場景中，主要原因是實際場景中目標(biāo)和背景都是不確定變化的，若此時目標(biāo)特征模型不能很好地區(qū)分目標(biāo)和背景，就會導(dǎo)致跟蹤失敗。復(fù)雜背景下跟蹤快速運動目標(biāo)

2、，主要解決的是復(fù)雜場景下目標(biāo)受相似背景顏色干擾問題，目標(biāo)做強機動時跟蹤丟失等問題。本文針對上述問題進行探索和研究，在詳細(xì)分析傳統(tǒng) Camshift算法在復(fù)雜背景下跟蹤運動目標(biāo)失敗的基礎(chǔ)上，將目標(biāo)中提取的多特征信息進行自適應(yīng)融合表示目標(biāo)模型，同時引入目標(biāo)運動狀態(tài)估計，改進Camshift跟蹤算法。
　　首先，在特征融合方面，主要研究目前典型的顏色特征、邊緣梯度方向特征，分析各特征的特點和優(yōu)劣。根據(jù)目標(biāo)與背景顏色區(qū)分度對顏色特征和邊緣

3、梯度方向特征進行自適應(yīng)加權(quán)融合形成目標(biāo)聯(lián)合特征模型，解決了目標(biāo)易受相似背景顏色干擾問題，為后續(xù)的跟蹤算法做前期準(zhǔn)備。
　　其次，針對傳統(tǒng) Camshift算法對目標(biāo)做快速運動或強機動時跟蹤丟失的問題，提出了一種適用于做快速運動或強機動的基于改進卡爾曼濾波的 Camshift快速運動目標(biāo)跟蹤算法。該算法根據(jù)目標(biāo)前后時刻量測目標(biāo)方向之間的角度差，判斷目標(biāo)運動與機動性強弱，依次修正運動目標(biāo)加速度預(yù)測值和目標(biāo)狀態(tài)預(yù)測值，最終優(yōu)化目標(biāo)的狀態(tài)

4、估計，將目標(biāo)位置狀態(tài)的估計值作為下一幀起始搜索窗口中心位置，解決傳統(tǒng) Camshift算法因目標(biāo)運動過快，幀間目標(biāo)位移過大而導(dǎo)致目標(biāo)丟失的問題。仿真結(jié)果表明，在目標(biāo)做快速運動和強機動時該方法具有較高的跟蹤精度。
　　最后，為防止目標(biāo)因旋轉(zhuǎn)導(dǎo)致當(dāng)前邊緣梯度方向特征不能繼續(xù)描述目標(biāo)在像素域空間信息的邊緣特性，給出根據(jù)邊緣梯度方向特征匹配結(jié)果中歐式距離判斷是否需要動態(tài)更新目標(biāo)新特征模型，提出基于多特征融合與目標(biāo)運動估計的Camshift