視頻運動目標(biāo)提取與跟蹤算法研究.pdf

1、運動目標(biāo)檢測與跟蹤的目的就是從連續(xù)的圖像序列中提取出運動目標(biāo),并對所提取出的運動目標(biāo)進行實時的跟蹤。作為計算機圖像處理與機器視覺領(lǐng)域的重要研究技術(shù),涉及到了模式識別、人工智能、自動控制等許多領(lǐng)域。對智能監(jiān)控、機器人導(dǎo)航、軍事制導(dǎo)、智能交通、醫(yī)學(xué)圖像分析等領(lǐng)域都有深遠的影響,并得到了廣泛的應(yīng)用。
　　 對運動目標(biāo)的跟蹤主要分為兩個方面:運動目標(biāo)的檢測和運動目標(biāo)的跟蹤。運動目標(biāo)檢測是指從視頻流中實時地檢測目標(biāo)并提取大小、位置等相關(guān)信

2、息;而運動目標(biāo)跟蹤則是指對檢測出的運動目標(biāo)進行連續(xù)跟蹤并確定運動軌跡。
　　 雖然對檢測和跟蹤研究的算法和方法很多,但迄今為止沒有一種算法或方法可以有效的處理任何的場景。因此檢測和跟蹤成為學(xué)者研究的熱點問題同時也是世界性的難題,如:運動目標(biāo)的遮擋、尺度伸縮、復(fù)雜背景和非剛體形變等。正因如此檢測和跟蹤才具有重要的實際意義和理論價值。
　　 本文將聚類思想、預(yù)測判斷、尺度空間思想以及模式匹配等常用經(jīng)典方法應(yīng)用到視頻運動目標(biāo)檢

3、測與跟蹤算法的研究中,尋找有效地解決上述難題的實時的、魯棒的高精度運動目標(biāo)檢測與跟蹤算法,主要內(nèi)容有:
　　 1、運動目標(biāo)檢測:本文將Mean Shift算法,即均值漂移算法,應(yīng)用在運動的目標(biāo)檢測上,以實現(xiàn)對運動目標(biāo)的有效檢測。因為Mean Shift聚類算法對噪聲,干擾等復(fù)雜的環(huán)境有較好的魯棒性,并且該算法是一個無參數(shù)的、快速的迭代算法,所以對圖像的分割和圖像的平滑有非常好的效果。但將其應(yīng)用于運動目標(biāo)檢測上,實時性就是考慮的關(guān)

4、鍵性問題,因此根據(jù)顏色空間的相似性本文提出了“迭代策略”的方法來解決這一難題,從而提高運動目標(biāo)檢測的精確性和實時性,并利用簡單的三幀差分及邊緣檢測算法來進一步提高算法的魯棒性。
　　 2、運動目標(biāo)跟蹤:在已有的基于Kalman濾波預(yù)測的Camshift算法的運動目標(biāo)跟蹤框架下,新增尺度空間算法與差分法來進行目標(biāo)跟蹤。在前期檢測算法的基礎(chǔ)上,利用Kalman濾波預(yù)測算法預(yù)測下一幀中目標(biāo)的運動位置及相關(guān)信息,然后融合尺度空間的Cam

5、shift算法對得到的結(jié)果與目標(biāo)模板進行優(yōu)化匹配搜索,并提出利用區(qū)域差分法對搜索窗口進行修正及對目標(biāo)模板進行更新的方法,從而精確的跟蹤運動目標(biāo)。經(jīng)過改進的算法可以有效的對目標(biāo)模板進行更新及窗口修正,并適應(yīng)旋轉(zhuǎn),尺度變化及形變的運動目標(biāo)跟蹤,具有比傳統(tǒng)算法更高的精確度。
　　 本文提到的算法是在基于Intel處理器的Windows環(huán)境下,使用Flash Builder4開發(fā)平臺得以實現(xiàn)。從得到的效果來看,本文改進的運動目標(biāo)檢測與跟