基于改進Mean Shift算法的運動目標檢測與跟蹤研究.pdf

1、作為計算機視覺的重要研究分支，運動目標檢測與跟蹤技術(shù)一直都是機器視覺領(lǐng)域研究的熱點與重點方向，并廣泛應(yīng)用于智能監(jiān)控、工業(yè)檢測、軍事探測與制導(dǎo)、自主車、醫(yī)療檢測等諸多領(lǐng)域。本文主要研究運動目標的檢測和跟蹤兩方面內(nèi)容，對已有技術(shù)方法的不足進行改進并提出一些創(chuàng)新的解決方法。本文主要工作分為以下三點內(nèi)容:
　　(1)在目標檢測方面，本文提出一種融合LK光流法與Mean Shift算法的運動目標檢測方法。背景的運動會帶來大量背景噪聲，目標的

2、運動又具有不規(guī)律性，所以傳統(tǒng)光流法根據(jù)研究者經(jīng)驗設(shè)定的分割目標與背景的閾值存在很大概率的不準確性，閾值大會忽略部分目標區(qū)域，閾值小又難以抑制背景噪聲，導(dǎo)致目標檢測效果差。根據(jù)視頻序列圖像可知，圖像中大量背景的運動是一致的，其運動光流也是一致的;而圖像中目標的運動光流卻與背景的運動光流既不相同又相對較少。所以本文設(shè)想借助MeanShift算法的梯度搜索原理直接找出大量具有相同特點的背景運動光流，將其作為閾值來分割目標光流與背景光流，而把與

3、背景不相同的光流認定是目標的光流，從而精確地分割出背景與目標，解決了漏檢問題和抑制了背景噪聲，高效地實現(xiàn)了運動目標檢測。
　　(2)在目標跟蹤方面，本文在Mean Shift目標跟蹤算法的基礎(chǔ)上加以改進，提出一種自適應(yīng)Mean Shift算法的多特征運動目標跟蹤。針對運動目標因遠離或靠近攝像機而發(fā)生尺寸大小變化，Mean Shift算法的固定核窗口搜索方法存在一定局限性的問題，本文創(chuàng)新的提出一種基于邊緣特性的核窗口自動調(diào)節(jié)方法，利

4、用邊緣檢測求出以目標為中心，略大于Mean Shift核半徑區(qū)域的二值圖像，根據(jù)二值圖像的形心，用逐步縮小的圓逼近目標的辦法求出適合真實目標的Mean Shift核窗口半徑，這就達到了自動調(diào)節(jié)核函數(shù)半徑的目的;針對Mean Shift算法目標模型的描述易受到光照變化影響的問題，本文建立了一種顏色特征與紋理信息特征共同描述且可更新的目標模型，更新的模型是在每次搜索到當(dāng)前幀時，以當(dāng)前目標位置為中心，以更新后的核窗口半徑為半徑的范圍內(nèi)建立的。

5、兩方面的改進綜合解決了目標大小、亮度變化帶來的影響，使跟蹤更精準。
　　(3)針對目標小而運動速度快的跟蹤問題，本文提出一種結(jié)合MeanShift和粒子濾波的快速運動目標跟蹤方法。由于粒子濾波跟蹤會出現(xiàn)粒子匱乏的問題，所以本文先利用Mean Shift搜索到大致目標的區(qū)域，再利用粒子濾波方法精確跟蹤目標，這樣使浪費的粒子減少，接近真實目標的權(quán)值大的粒子數(shù)增多，從而解決粒子濾波的粒子匱乏問題，進而可以高效的應(yīng)用到目標小而運動速度快的