目標跟蹤與背景減除算法研究.pdf

1、計算機視覺在最近幾年中得到了很大的發(fā)展。然而計算機視覺領域仍有許多問題有待解決，其中背景減除與目標跟蹤是目前研究者關注的焦點。背景減除和目標跟蹤算法是視頻監(jiān)控、人機交互以及車輛導航等許多應用的關鍵技術之一。近年來，人們已經(jīng)在背景減除和目標跟蹤方面取得重要進展，提出了許多重要的背景減除以及目標跟蹤算法。然而，背景減除和目標跟蹤是一個非常困難的問題，更加魯棒可靠的背景減除以及目標跟蹤算法仍有待進一步發(fā)掘。本文對常見的背景減除及目標跟蹤算法進

2、行了研究與改進，提出了幾種新的背景減除與目標跟蹤算法。
　　 在背景減除中，混合高斯模型是一種較常見的模型。由于標準的EM算法是離線算法，因此雖然EM算法可以較為準確的估計GMM模型的參數(shù)，卻無法用于在線背景減除應用中。為解決這個問題，本文提出了一種新的基于充分統(tǒng)計量的在線EM算法。實驗結果表明這種算法可以高效準確的估計出GMM模型的參數(shù)。
　　 K-Means算法屬于一種聚類算法，具有實現(xiàn)簡單，運行效率高的特點。廣義K

3、-Means算法是對K-Means算法的擴展，能夠估計出GMM模型中的所有參數(shù)。通過分析EM算法和K-Means算法之間的聯(lián)系，本文提出了一種基于充分統(tǒng)計量的在線K-Means算法。實驗顯示這種算法的性能同基于Robbin-Monro近似的在線K-Means算法性能接近。
　　 本文基于以上算法對視頻進行了背景減除實驗，結果表明所提出的在線EM算法和在線K-Means算法都能夠可靠的檢測到運動目標。為了對算法的性能進行詳細的分析

4、和比較，本文采用一維及二維仿真數(shù)據(jù)對上述算法的性能進行了實驗對比。
　　 高斯粒子濾波是貝葉斯濾波的一種半?yún)?shù)化的實現(xiàn)，已經(jīng)被人們成功的用于目標跟蹤中。本文提出了一種新的采樣算法。通過將高斯粒子濾波的采樣及預測步驟合并為一步，高斯粒子濾波的實現(xiàn)得到了簡化。本文證明當系統(tǒng)的預測模型為線性時，新的采樣步驟同原采樣及預測步驟等價。當系統(tǒng)的預測模型為非線性時，可以先通過一階泰勒展開對非線性模型線性化，然后再應用本文的采樣方法。