人體跟蹤理論及算法研究.pdf

1、對運動的人體進行實時跟蹤就是通過對采集到的圖像序列進行處理和分析，獲得關(guān)于人體的相關(guān)信息。它在智能監(jiān)控、高級人機界面以及基于運動的診斷與辨別等方面都有廣泛應(yīng)用和潛在的經(jīng)濟價值。因此該方向是近年來計算機視覺領(lǐng)域研究的熱點問題之一，特別是在復(fù)雜的動態(tài)背景下如何完成準(zhǔn)確地跟蹤更是人們討論的重點，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?；诖耍疚膶υ诓煌谋尘碍h(huán)境下運動目標(biāo)的跟蹤問題進行了討論和研究，主要包括圖像小波域去

2、噪、圖像邊緣增強、在小波域進行目標(biāo)檢測、復(fù)雜背景下基于貝葉斯模型的運動目標(biāo)檢測、目標(biāo)分析、利用卡爾曼濾波理論進行目標(biāo)跟蹤等。 人體的實時跟蹤系統(tǒng)是對人體進行實時監(jiān)控的智能系統(tǒng)，在本論文，對其中的具體問題進行了細(xì)致的分析和討論，提出了一些新的算法。本文的主要貢獻如下： 1.在對包含有目標(biāo)的圖像進行分析前必須要進行圖像的預(yù)處理，以盡量減少噪聲對目標(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，對小波系數(shù)的收縮量進行進一步的討論，得到一個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，對原有的軟門限值進行了優(yōu)化，推導(dǎo)出在最小均方誤差的條件下對于不同噪聲分布的最佳去噪算法。理論和實例證明，該算法可以得到一個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估計完成圖像去噪：首先對小波基的選取進行了討論，由于雙Haar小波不僅具有良好的邊緣檢測性能而且有更好

4、的平滑噪聲的能力，因此適用于信號去噪。該方法給出了基于MAP的雙Haar小波收縮算法，并對其在圖像去噪中的應(yīng)用進行了討論。該算法充分利用了信號的雙Haar小波兩個變換系數(shù)間的相關(guān)特性，得到小波系數(shù)的最佳估計。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)邊緣增強算法：邊緣增強是圖像處理的一個重要研究領(lǐng)域，它主要用于對模糊圖像的銳化。但是，現(xiàn)有的圖像邊緣增強方法對噪聲敏感。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，可采用多級中值濾波器。由于在圖像的邊緣部分，多級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)圖像邊緣增強算法。它在增強圖像邊緣的同時，還具有抑制噪聲的能力，因此具有良好的應(yīng)用前景。 2.在對運動人體進行跟蹤時，準(zhǔn)確地檢測出目標(biāo)是非常關(guān)鍵的一步，因此本文對不同的背景情況

6、下的目標(biāo)檢測算法進行了詳細(xì)的討論，提出了以下幾種改進算法： (1)基于貝葉斯準(zhǔn)則水平投影優(yōu)化的運動目標(biāo)檢測算法：在目標(biāo)檢測系統(tǒng)中，閾值的選取是一個非常關(guān)鍵的問題，它直接決定了檢測結(jié)果的準(zhǔn)確性。如果選取經(jīng)驗值作為門限將目標(biāo)從背景中分離出來，有時并不能得到理想的檢測結(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，給出了一個動態(tài)閾值，利用該閾值對二值化圖像的水平投影做進一步分析，在去噪聲的同時保證目標(biāo)

7、的完整性。該方法當(dāng)外界環(huán)境光線變化較大時，可以有效地改善光線變化帶來的影響，從而使人體目標(biāo)的檢測更為準(zhǔn)確。 (2)基于滑動窗口的雙Haar小波運動目標(biāo)檢測算法：該算法不再直接在時域?qū)δ繕?biāo)分析，而是從頻域的角度出發(fā)，提出一種新的運動目標(biāo)檢測方法。在對運動目標(biāo)檢測之前，首先對差分圖像去噪，然后對去噪后的圖像進行邊緣增強，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。實驗證明，利用該方法可以得到更好的檢測結(jié)果。 (3)基于貝葉斯模型的動態(tài)背景檢測：在跟蹤目標(biāo)時，有時會遇到復(fù)雜的動態(tài)背景，原有的檢測方法有時不能得到滿意的結(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)雜的動態(tài)背景下檢測出運動目標(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

9、出背景和前景的先驗概率，兩者相結(jié)合得到一個估計的閾值，從而實現(xiàn)目標(biāo)和背景的分類。 3.在準(zhǔn)確檢測出目標(biāo)后，就要對運動目標(biāo)進行跟蹤了。關(guān)于運動人體的跟蹤本文提出了下面的改進算法： 快速卡爾曼濾波算法在人體跟蹤中的應(yīng)用：在對運動目標(biāo)進行跟蹤時，為使跟蹤準(zhǔn)確無誤地完成，需要根據(jù)目標(biāo)當(dāng)前的運動軌跡來預(yù)測下一時刻的位置并對該時刻的位置進行修正。卡爾曼濾波預(yù)測理論可以解決這類問題，將該理論應(yīng)用到人體跟蹤中，可以達到理想的跟蹤效果。該