運(yùn)動(dòng)目標(biāo)實(shí)時(shí)檢測(cè)和跟蹤技術(shù)應(yīng)用研究與實(shí)現(xiàn).pdf

1、運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤是應(yīng)用視覺和運(yùn)動(dòng)圖像編碼研究領(lǐng)域的一個(gè)重要課題，在虛擬現(xiàn)實(shí)和視覺監(jiān)控領(lǐng)域有著廣泛的應(yīng)用。運(yùn)動(dòng)目標(biāo)檢測(cè)就是判斷視頻序列中是否存在運(yùn)動(dòng)目標(biāo)，并確定運(yùn)動(dòng)目標(biāo)的位置。運(yùn)動(dòng)目標(biāo)跟蹤是指在整個(gè)視頻序列中監(jiān)控運(yùn)動(dòng)目標(biāo)的時(shí)空變化，如目標(biāo)的出現(xiàn)與消失，目標(biāo)的位置、尺寸和形狀等。運(yùn)動(dòng)目標(biāo)的檢測(cè)與跟蹤是緊密關(guān)聯(lián)的兩個(gè)過程，跟蹤始于檢測(cè)，而目標(biāo)在后續(xù)圖像序列中的重復(fù)檢測(cè)也有助于對(duì)目標(biāo)更加精確的跟蹤。 本文在研究比較了幾種常用的視頻序列

2、中運(yùn)動(dòng)目標(biāo)檢測(cè)方法后，結(jié)合本論文的實(shí)驗(yàn)場(chǎng)景，采用了基于背景差分法的多模態(tài)背景建模方法，提取運(yùn)動(dòng)前景，利用其自適應(yīng)性和動(dòng)態(tài)更新特性有效地反應(yīng)背景的動(dòng)態(tài)變化。但是這仍然不能很好地濾除掉背景中存在的不感興趣目標(biāo)，結(jié)果使得感興趣目標(biāo)和不感興趣目標(biāo)同時(shí)存在，這嚴(yán)重影響了后期軌跡跟蹤結(jié)果。基于此原因，本論文提出了一種改進(jìn)的基于背景差分法的多模態(tài)背景建模算法一基于特征的運(yùn)動(dòng)物體濾除法，當(dāng)背景存在不強(qiáng)烈的光照變化或是輕微晃動(dòng)時(shí)，在自適應(yīng)的運(yùn)動(dòng)目標(biāo)特征學(xué)

3、習(xí)過程中，可以有效地去除多模態(tài)背景建模方法誤判和錯(cuò)檢情況造成的前景不準(zhǔn)確提取，這對(duì)于后期軌跡跟蹤有著重要的作用，降低了對(duì)于不感興趣運(yùn)動(dòng)物體的報(bào)警錯(cuò)誤率，可以說，在現(xiàn)代這樣一個(gè)追求經(jīng)濟(jì)效益，倡導(dǎo)建立節(jié)約型社會(huì)的環(huán)境下，降低誤報(bào)率無(wú)疑可以節(jié)約大量的人力財(cái)力。 有了高準(zhǔn)確度的目標(biāo)檢測(cè)結(jié)果，本文利用MeanShift算法和Kalman預(yù)測(cè)器在運(yùn)動(dòng)目標(biāo)軌跡預(yù)測(cè)方面的優(yōu)勢(shì)，加入了前景檢測(cè)結(jié)果作為Kalman預(yù)測(cè)器的初始輸入，進(jìn)一步提高了目標(biāo)

4、跟蹤的準(zhǔn)確性，較好地處理了目標(biāo)淺度遮擋時(shí)的跟蹤問題。為后一步實(shí)現(xiàn)軌跡偏離的判定提供了可靠的信息和良好的基礎(chǔ)。 為了將得到的目標(biāo)運(yùn)動(dòng)軌跡加以利用，本文基于Windows平臺(tái)，通過自適應(yīng)地學(xué)習(xí)目標(biāo)的運(yùn)動(dòng)模式，設(shè)計(jì)實(shí)現(xiàn)了一個(gè)基于偏離閾值的偏軌報(bào)警系統(tǒng)。無(wú)論在室內(nèi)還是室外，背景存在輕微晃動(dòng)，或變化不明顯時(shí)，以一種用戶可定制的方式提供參數(shù)選擇，增強(qiáng)了方案的靈活性。 最后，在不同的實(shí)驗(yàn)條件和參數(shù)選擇下，使用此系統(tǒng)進(jìn)行了大量實(shí)驗(yàn)，全面