基于Qt嵌入式跟蹤系統(tǒng)的設(shè)計與研究.pdf

1、機器視覺技術(shù)是近年來的研究熱點，智能目標(biāo)檢測與跟蹤有著極其重要的地位。然而大多數(shù)目標(biāo)檢測算法在動態(tài)背景下不夠準確，實時性較低。當(dāng)目標(biāo)受遮擋、旋轉(zhuǎn)、光照等更多因素影響時，一般的跟蹤算法容易發(fā)生跟蹤丟失，抖動等現(xiàn)象。且受限于算法的高復(fù)雜度，產(chǎn)生巨大的計算量，目標(biāo)的檢測與跟蹤算法難以逃離大型計算機系統(tǒng)，致使在多樣的移動設(shè)備中難以應(yīng)用。
　　本文主要針對這些問題，提出了一種基于特征匹配的運動對消全局矢量估計方法，對運動背景補償，進而對運動

2、目標(biāo)進行準確性檢測。提出了基于Bhattacharyya系數(shù)估計的局部特征更新方法，并結(jié)合卡爾曼濾波進行實時性跟蹤。實驗證明具有良好的魯棒性和實時性。最后，把此算法利用Qt跨平臺開發(fā)工具開發(fā)成應(yīng)用程序，成功的移植到達芬奇DM6446開發(fā)板的嵌入式操作系統(tǒng)中。本文主要工作包括以下幾個方面：
　　學(xué)習(xí)并且研究了近些年目標(biāo)檢測與跟蹤技術(shù)基本理論和最新算法，詳細解析了經(jīng)典熱門的特征點算子。研究了基于估計的卡爾曼濾波跟蹤方法和粒子濾波跟蹤方

3、法。介紹了嵌入式設(shè)備DM6446和開發(fā)工具QT的構(gòu)架。
　　提出了一種動態(tài)場景下的目標(biāo)檢測算法。雖然用經(jīng)典的算法，例如SURF和SIFT等來提取特征點，在有尺度、旋轉(zhuǎn)、亮度等眾多因素變化情況下具有一定程度的穩(wěn)定性。但是由于生成特征點速度緩慢，不利于實時性的檢測。假定檢測目標(biāo)在連續(xù)視頻序列中相對平穩(wěn)，本文使用基于FAST的FREAK特征算子篩選特征點來提高檢測速度。當(dāng)目標(biāo)外形較大時生成的局部特征點，影響全局矢量估計導(dǎo)致檢測失敗，對于

4、這種情況，運用RANSAC算法去除誤匹配，結(jié)合網(wǎng)格法和運動對消法求得補償背景。最后，運用多幀差分、形態(tài)學(xué)濾波、閾值分割等方法能夠準確的檢測提取出目標(biāo)區(qū)域。
　　提出了一種動態(tài)場景下的目標(biāo)跟蹤算法。通常在視頻序列中目標(biāo)具有較強的機動性，本文選用匹配和實效性較好的Freak特征算子。對于跟蹤目標(biāo)存在遮擋和抖動的問題，采用卡爾曼濾波方法來對目標(biāo)位置進行連續(xù)性估計。對于目標(biāo)形變會引起特征變化的問題，提出用Bhattacharyya系數(shù)估計