復雜場景中運動目標的檢測與跟蹤.pdf

1、運動目標檢測與跟蹤是計算機視覺中一個重要的研究方向,它融合了計算機圖像處理、人工智能與模式識別等諸多領域的知識,并在虛擬現(xiàn)實、交通監(jiān)控、生物醫(yī)學、智能人機交互等領域有著廣泛的應用前景。
　　 在基于傳統(tǒng)的目標檢測過程中,模型的建立、模型參數(shù)的更新和模型對場景變化的敏感度等,影響了檢測的速度;以及運動目標受光照的影響產(chǎn)生的投射陰影也會影響到檢測的準確性。在復雜的場景中,由于光照的變化、運動目標與背景的相似度高以及運動目標的交叉運動

2、等,使得在運動目標跟蹤過程中會出現(xiàn)跟蹤丟失的現(xiàn)象。針對這些問題,本文對復雜場景下運動目標的檢測和跟蹤的問題進行了研究,其主要內(nèi)容和成果如下:
　　 (1)提出了高斯混合模型的自學習算法,該算法通過在傳統(tǒng)EM(ExpectationMaximization)算法的基礎上,推導出學習率因子和遺忘因子的遞歸表達式,從而使得參數(shù)更新更加精確,收斂速度更快。針對光照所產(chǎn)生的投射陰影,在檢測過程中運動陰影也被檢測出來,本文通過HSV(Hue

3、,Saturation,Value)顏色模型對陰影進行消除,使得在復雜背景下檢測的前景目標更加精確。實驗結果表明,傳統(tǒng)的混合高斯模型需要到第40幀左右才能很好的檢測出運動目標,而高斯混合模型的自學習算法在第22幀左右就可以很好的檢測出運動目標,且通過陰影消除后,前景目標也更加精確。
　　 (2)提出了交互MCMC(Markov Chain Monte Carlo)粒子濾波,用來解決粒子數(shù)匱乏問題,通過引入粒子間的交互信息來減少粒

4、子歷史狀態(tài)之間的聯(lián)系,不僅解決粒子數(shù)退化的問題,還加快了算法的收斂速度,提高了算法的性能。利用人體運動檢測的結果,選擇包含目標區(qū)域邊界的兩個對角頂點作為跟蹤的特征點,用交互MCMC粒子濾波來預測并跟蹤特征點的位置和速度,從而得到特征點的軌跡,選擇特征點的三維空間位置和速度作為狀態(tài)變量,從而避免了將非線性函數(shù)直接線性化引起的跟蹤誤差。實驗結果表明,在復雜環(huán)境下對目標進行跟蹤時,即使存在光照、目標與背景相似度高等情況,也不會出現(xiàn)跟蹤目標丟失

5、的現(xiàn)象,同時,也能可靠地預測和跟蹤運動人體在3D空間的運動軌跡。
　　 (3)提出了將模糊數(shù)據(jù)關聯(lián)和粒子濾波相結合的方法,并用于多目標跟蹤過程中,該方法通過在粒子濾波重采樣后加入改進的模糊隸屬度函數(shù),將由數(shù)據(jù)關聯(lián)得到的最佳隸屬度作為粒子的權值,從而有效的避免了噪音數(shù)據(jù)的干擾,并通過算法性能的分析可知,在目標航跡有交叉的時候也不會丟失跟蹤目標。實驗結果表明,在復雜的環(huán)境下,當人體運動出現(xiàn)交叉時也能很好的對人體進行跟蹤,而不會出現(xiàn)跟