基于視頻圖像序列的目標跟蹤方法研究.pdf

1、近年來,隨著計算機視覺技術的迅猛發(fā)展以及實際應用中需求的不斷增加,運動目標跟蹤技術在安全監(jiān)控、機器人導航、智能交通等領域得到了廣泛的應用,因而成為了國內(nèi)外研究的熱點問題。然后,場景的復雜性、特征的選取、目標的遮擋等技術問題仍需解決,因此本課題具有重要的理論和實際價值。
　　 本文主要針對視頻圖像序列中的運動目標的跟蹤算法進行研究,首先研究了基于均值漂移算法的目標跟蹤算法,并針對其存在的問題做出了改進,提高了跟蹤的穩(wěn)定性,其次研究

2、了尺度不變化特征變換(SIFT)特征點匹配,并針對SIFT應用于視頻圖像序列跟蹤中存在的問題進行了改進。論文的主要工作如下:
　　 研究了均值漂移算法,該算法運用于目標跟蹤時,對目標的旋轉變形以及部分遮擋具有較好的適應性,計算簡單、實時性好,但是不能自適應地調(diào)節(jié)跟蹤窗口的大小。針對該算法在受到嚴重干擾情況下容易跟蹤失敗的問題,利用卡爾曼濾波預測與均值漂移算法相結合,通過對跟蹤過程中干擾的檢測,判斷目標受干擾的程度,用不同的權重將

3、卡爾曼濾波預測的結果與均值漂移算法得到的結果線性組合,有效地利用了目標的運動信息,提高了跟蹤的可靠性。當目標有尺度上的變化時,基于均值漂移的跟蹤窗口不能自適應地調(diào)節(jié)大小,因而無法準確地跟蹤目標。研究了連續(xù)自適應均值漂移算法(Camshift),該算法能夠自適應地調(diào)節(jié)跟蹤窗口的大小,但是受到相同顏色物體的干擾時,會誤認為是目標。本文利用目標的長軸與短軸之比判斷是否受到了干擾,在受到干擾的情況下,利用均值漂移算法進行固定窗口大小的跟蹤,提高

4、了Camshift算法的穩(wěn)定性。
　　 研究了SIFT特征點匹配,針對匹配過程中產(chǎn)生的錯誤匹配點,本文采用了最大最小距離聚類方法通過對匹配的特征點形成的斜率進行分類,較好地消除了錯誤的匹配點。SIFT特征匹配應用于運動目標跟蹤時,當經(jīng)過很多幀以后目標可能發(fā)生了較大的變化,用固定模板匹配容易導致跟蹤的失敗,本文采用均值漂移算法實時地提取當前的匹配區(qū)域來更新模板,在遇到有相近顏色物體遮擋發(fā)生時利用卡爾曼預測結合均值漂移算法來實現(xiàn)對模