視頻監(jiān)控環(huán)境下運動目標(biāo)的跟蹤算法研究.pdf

1、隨著計算機的發(fā)展和監(jiān)控設(shè)備分辨率的不斷提升，作為計算機視覺領(lǐng)域的一個熱門研究方向，智能視頻監(jiān)控系統(tǒng)的研究越來越多的得到了人們的關(guān)注和重視。如何在視頻監(jiān)控系統(tǒng)中真正的做到完全解放人力，是所有研究者共同的奮斗目標(biāo)。智能視頻監(jiān)控中視頻序列的處理流程，一般包括圖像預(yù)處理、目標(biāo)檢測和分類、目標(biāo)跟蹤、目標(biāo)的行為理解等步驟。運動目標(biāo)的跟蹤是整個流程中的重要技術(shù)，它是基于計算機視覺最底層，即目標(biāo)檢測之上的研究，能為后續(xù)的高層信息處理，如目標(biāo)的行為理解等

2、提供輔助。目標(biāo)跟蹤算法為本文的主要研究課題。
　　 視頻監(jiān)控環(huán)境中的背景和目標(biāo)情況都是復(fù)雜多變的，因此很難找到一個能適應(yīng)各種情況的算法。但是經(jīng)過人們多年的努力，出現(xiàn)了能解決部分問題的一些經(jīng)典的算法。本文總結(jié)了目前已有的跟蹤算法的分類，引出了一些主流的跟蹤算法，而后分別對Kalman濾波器法、粒子濾波法、MCMC粒子濾波法、RJ-MCMC粒子濾波法和Mean Shift算法等進行了詳細(xì)的介紹，并對這些算法進行了優(yōu)缺點分析和比較。<

3、br>　　 詳細(xì)介紹了一種較好的融合算法，即Kalman濾波器預(yù)測結(jié)合Mean Shift搜索算法。傳統(tǒng)Mean Shift算法跟蹤效果一般，目標(biāo)發(fā)生嚴(yán)重遮擋時會跟蹤失敗，目標(biāo)運動速度過快時也會有跟蹤丟失的現(xiàn)象。Mean Shift算法要求相鄰兩幀間目標(biāo)區(qū)域需要有重疊部分，而結(jié)合算法克服了這一依賴。因此仿真結(jié)果可見，在對快速運動目標(biāo)的跟蹤中，結(jié)合算法表現(xiàn)良好。此外，通過對遮擋是否發(fā)生的判斷，選擇性的使用Kalman預(yù)測或Mean Sh

4、ift的搜索結(jié)果，能較好的跟蹤有遮擋情況的目標(biāo)。該算法的結(jié)合思想為后來的研究提供了思路。
　　 本文重點引入了一種改進的MCMC算法，即AMCMC算法。該算法針對MCMC算法不能跟蹤可變數(shù)量的目標(biāo)和RJ-MCMC運算復(fù)雜度高的問題，提出將目標(biāo)的進入和離開場景的檢測獨立于MCMC抽樣之外，使同一時刻馬爾可夫鏈維數(shù)不變。這樣AMCMC算法即能跟蹤可變數(shù)量的目標(biāo)，又相對于RJ-MCMC有較小的運算量。
　　 由實驗可知，AMC

5、MC算法為使馬爾可夫鏈?zhǔn)諗?，往往需要設(shè)置較大的粒子數(shù)，這是由于采樣過程中，大量的“不好”的提議抽樣被舍棄。因此基于Mean Shift算法能快速找到峰值的特點，我們引入Mean Shift來一步優(yōu)化那些“不好”的被舍棄的粒子點的狀態(tài)，而后再次進行接收拒絕判斷。這樣就能大大提高粒子的利用率。仿真實驗表明，在設(shè)置較小的粒子數(shù)的情況下，優(yōu)化算法能比原算法更好的跟蹤目標(biāo)。
　　 AMCMC算法由于顏色模型的缺陷，處理目標(biāo)交互交叉和有遮擋