基于圖像序列的多目標(biāo)檢測(cè)與跟蹤.pdf

1、運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤是計(jì)算機(jī)視覺(jué)中一個(gè)重要的研究方向，它融合了計(jì)算機(jī)圖像處理、模式識(shí)別與人工智能等諸多相關(guān)領(lǐng)域的知識(shí)，并在軍事視覺(jué)制導(dǎo)、機(jī)器人視覺(jué)導(dǎo)航、智能人機(jī)交互、工業(yè)產(chǎn)品檢測(cè)、生物醫(yī)學(xué)、交通監(jiān)控、虛擬現(xiàn)實(shí)、運(yùn)動(dòng)分析等領(lǐng)域有著廣泛的應(yīng)用前景。
　　 本文研究了基于圖像序列的多目標(biāo)檢測(cè)與跟蹤，其主要內(nèi)容包括：
　　 (1)對(duì)運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤的研究背景和意義進(jìn)行了概括介紹，總結(jié)了目標(biāo)檢測(cè)與跟蹤的一些常用方法，由此得出了該課

2、題的研究難點(diǎn)，為本文的研究提供了思路。
　　 (2)提出了基于像素概率模型的背景分割方法對(duì)圖像序列中的運(yùn)動(dòng)目標(biāo)進(jìn)行檢測(cè)，該方法用高斯混合模型描述每一像素在一段時(shí)間內(nèi)的色彩分布情況，再以具有最大適應(yīng)度值的子模型作為當(dāng)前分布模型來(lái)描述每一像素的特征；然后通過(guò)初始分類(lèi)階段和迭代分類(lèi)階段，將像素分類(lèi)為前景或背景；最后基于分類(lèi)結(jié)果，利用在線(xiàn)EM算法更新模型參數(shù)。實(shí)驗(yàn)結(jié)果表明，該方法是可行的且是魯棒的。
　　 (3)對(duì)Marko.C

3、hai.Mont.Carlo方法的基礎(chǔ)知識(shí)進(jìn)行了簡(jiǎn)單介紹，提出了基于MarkovChai.Mont.Carlo的灰度圖像分割方法，并給出了實(shí)驗(yàn)結(jié)果，實(shí)驗(yàn)結(jié)果表明該方法能有效地對(duì)灰度圖像進(jìn)行分割，并為解決目標(biāo)跟蹤中的遮擋問(wèn)題提供了依據(jù)。
　　 (4)結(jié)合基于Marko.Chai.Mont.Carlo的灰度圖像分割方法，提出了基于MarkovChai.Mont.Carlo的運(yùn)動(dòng)目標(biāo)檢測(cè)方法，該方法用矩形區(qū)域來(lái)近似目標(biāo)，實(shí)驗(yàn)結(jié)果表明該

4、方法能將前景圖像中相互融合的目標(biāo)單獨(dú)地檢測(cè)出來(lái)，有效地解決了目標(biāo)遮擋問(wèn)題。
　　 (5)對(duì)多目標(biāo)跟蹤過(guò)程中主要存在的問(wèn)題進(jìn)行分析，并對(duì)多目標(biāo)跟蹤領(lǐng)域中的常用數(shù)據(jù)關(guān)聯(lián)算法進(jìn)行了簡(jiǎn)單描述；在此基礎(chǔ)上，提出了基于Marko.Chai.Mont.Carlo數(shù)據(jù)關(guān)聯(lián)的多目標(biāo)跟蹤方法，并且針對(duì)監(jiān)控場(chǎng)景中目標(biāo)數(shù)目確定與否，分別詳細(xì)描述了單掃描MCMCDA方法與多掃描MCMCDA方法，并給出了仿真實(shí)驗(yàn)結(jié)果和真實(shí)圖像序列跟蹤結(jié)果，實(shí)驗(yàn)結(jié)果表明了該