人體跟蹤理論及算法研究.pdf

1、對(duì)運(yùn)動(dòng)的人體進(jìn)行實(shí)時(shí)跟蹤就是通過對(duì)采集到的圖像序列進(jìn)行處理和分析，獲得關(guān)于人體的相關(guān)信息。它在智能監(jiān)控、高級(jí)人機(jī)界面以及基于運(yùn)動(dòng)的診斷與辨別等方面都有廣泛應(yīng)用和潛在的經(jīng)濟(jì)價(jià)值。因此該方向是近年來計(jì)算機(jī)視覺領(lǐng)域研究的熱點(diǎn)問題之一，特別是在復(fù)雜的動(dòng)態(tài)背景下如何完成準(zhǔn)確地跟蹤更是人們討論的重點(diǎn)，并受到日益廣泛的重視，而圖像去噪是人體跟蹤的重要組成部分之一?；诖?，本文對(duì)在不同的背景環(huán)境下運(yùn)動(dòng)目標(biāo)的跟蹤問題進(jìn)行了討論和研究，主要包括圖像小波域去

2、噪、圖像邊緣增強(qiáng)、在小波域進(jìn)行目標(biāo)檢測(cè)、復(fù)雜背景下基于貝葉斯模型的運(yùn)動(dòng)目標(biāo)檢測(cè)、目標(biāo)分析、利用卡爾曼濾波理論進(jìn)行目標(biāo)跟蹤等。 人體的實(shí)時(shí)跟蹤系統(tǒng)是對(duì)人體進(jìn)行實(shí)時(shí)監(jiān)控的智能系統(tǒng)，在本論文，對(duì)其中的具體問題進(jìn)行了細(xì)致的分析和討論，提出了一些新的算法。本文的主要貢獻(xiàn)如下： 1.在對(duì)包含有目標(biāo)的圖像進(jìn)行分析前必須要進(jìn)行圖像的預(yù)處理，以盡量減少噪聲對(duì)目標(biāo)的干擾。因此，文中提出了不同的算法來完成該任務(wù)： (1)最佳軟門限去噪

3、：在Donoho軟門限的理論基礎(chǔ)上，對(duì)小波系數(shù)的收縮量進(jìn)行進(jìn)一步的討論，得到一個(gè)最佳的軟門限值完成圖像的去噪。該方法利用最小均方誤差準(zhǔn)則，對(duì)原有的軟門限值進(jìn)行了優(yōu)化，推導(dǎo)出在最小均方誤差的條件下對(duì)于不同噪聲分布的最佳去噪算法。理論和實(shí)例證明，該算法可以得到一個(gè)比原有軟門限方法更好的濾波結(jié)果。 (2)雙Haar小波變換系數(shù)的MAP估計(jì)完成圖像去噪：首先對(duì)小波基的選取進(jìn)行了討論，由于雙Haar小波不僅具有良好的邊緣檢測(cè)性能而且有更好

4、的平滑噪聲的能力，因此適用于信號(hào)去噪。該方法給出了基于MAP的雙Haar小波收縮算法，并對(duì)其在圖像去噪中的應(yīng)用進(jìn)行了討論。該算法充分利用了信號(hào)的雙Haar小波兩個(gè)變換系數(shù)間的相關(guān)特性，得到小波系數(shù)的最佳估計(jì)。這種小波收縮算法與現(xiàn)有的軟門限方法相比較，可以給出更好的去噪結(jié)果。 (3)自適應(yīng)邊緣增強(qiáng)算法：邊緣增強(qiáng)是圖像處理的一個(gè)重要研究領(lǐng)域，它主要用于對(duì)模糊圖像的銳化。但是，現(xiàn)有的圖像邊緣增強(qiáng)方法對(duì)噪聲敏感。由于中值濾波是一種用于圖

5、像去噪的非線性濾波器，為了提高中值濾波的細(xì)節(jié)保持能力，可采用多級(jí)中值濾波器。由于在圖像的邊緣部分，多級(jí)中值濾波和均值濾波的輸出差較大，而在圖像的平坦部分輸出較小，因此該算法在傳統(tǒng)的高通濾波器的基礎(chǔ)上，利用多級(jí)中值濾波和均值濾波的差作為參數(shù)，提出了一種自適應(yīng)圖像邊緣增強(qiáng)算法。它在增強(qiáng)圖像邊緣的同時(shí)，還具有抑制噪聲的能力，因此具有良好的應(yīng)用前景。 2.在對(duì)運(yùn)動(dòng)人體進(jìn)行跟蹤時(shí)，準(zhǔn)確地檢測(cè)出目標(biāo)是非常關(guān)鍵的一步，因此本文對(duì)不同的背景情況

6、下的目標(biāo)檢測(cè)算法進(jìn)行了詳細(xì)的討論，提出了以下幾種改進(jìn)算法： (1)基于貝葉斯準(zhǔn)則水平投影優(yōu)化的運(yùn)動(dòng)目標(biāo)檢測(cè)算法：在目標(biāo)檢測(cè)系統(tǒng)中，閾值的選取是一個(gè)非常關(guān)鍵的問題，它直接決定了檢測(cè)結(jié)果的準(zhǔn)確性。如果選取經(jīng)驗(yàn)值作為門限將目標(biāo)從背景中分離出來，有時(shí)并不能得到理想的檢測(cè)結(jié)果。新算法充分考慮了僅僅依靠閾值來確定目標(biāo)區(qū)域大小的局限性，結(jié)合貝葉斯判決準(zhǔn)則，給出了一個(gè)動(dòng)態(tài)閾值，利用該閾值對(duì)二值化圖像的水平投影做進(jìn)一步分析，在去噪聲的同時(shí)保證目標(biāo)

7、的完整性。該方法當(dāng)外界環(huán)境光線變化較大時(shí)，可以有效地改善光線變化帶來的影響，從而使人體目標(biāo)的檢測(cè)更為準(zhǔn)確。 (2)基于滑動(dòng)窗口的雙Haar小波運(yùn)動(dòng)目標(biāo)檢測(cè)算法：該算法不再直接在時(shí)域?qū)δ繕?biāo)分析，而是從頻域的角度出發(fā)，提出一種新的運(yùn)動(dòng)目標(biāo)檢測(cè)方法。在對(duì)運(yùn)動(dòng)目標(biāo)檢測(cè)之前，首先對(duì)差分圖像去噪，然后對(duì)去噪后的圖像進(jìn)行邊緣增強(qiáng)，使目標(biāo)區(qū)域更為明顯。最后，利用圖像的能量特性得到差分圖像的特征圖像，區(qū)分背景和目標(biāo)，并在特征圖像直方圖的基礎(chǔ)上得到

8、判斷閾值，完成圖像的二值化。實(shí)驗(yàn)證明，利用該方法可以得到更好的檢測(cè)結(jié)果。 (3)基于貝葉斯模型的動(dòng)態(tài)背景檢測(cè)：在跟蹤目標(biāo)時(shí)，有時(shí)會(huì)遇到復(fù)雜的動(dòng)態(tài)背景，原有的檢測(cè)方法有時(shí)不能得到滿意的結(jié)果，因此提出一種新算法。該算法利用貝葉斯模型結(jié)合核密度函數(shù)理論，把閾值的選取放到概率空間上考慮，給出了在復(fù)雜的動(dòng)態(tài)背景下檢測(cè)出運(yùn)動(dòng)目標(biāo)的方法。首先，在圖像相關(guān)性的基礎(chǔ)上，利用非參數(shù)核密度估計(jì)的方法，建立前景和背景的核密度函數(shù)，再利用貝葉斯理論，估計(jì)

9、出背景和前景的先驗(yàn)概率，兩者相結(jié)合得到一個(gè)估計(jì)的閾值，從而實(shí)現(xiàn)目標(biāo)和背景的分類。 3.在準(zhǔn)確檢測(cè)出目標(biāo)后，就要對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行跟蹤了。關(guān)于運(yùn)動(dòng)人體的跟蹤本文提出了下面的改進(jìn)算法： 快速卡爾曼濾波算法在人體跟蹤中的應(yīng)用：在對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行跟蹤時(shí)，為使跟蹤準(zhǔn)確無誤地完成，需要根據(jù)目標(biāo)當(dāng)前的運(yùn)動(dòng)軌跡來預(yù)測(cè)下一時(shí)刻的位置并對(duì)該時(shí)刻的位置進(jìn)行修正?？柭鼮V波預(yù)測(cè)理論可以解決這類問題，將該理論應(yīng)用到人體跟蹤中，可以達(dá)到理想的跟蹤效果。該