基于AMCMC算法的多種運(yùn)動(dòng)目標(biāo)跟蹤及特征提取.pdf

1、運(yùn)動(dòng)目標(biāo)跟蹤在自治車輛導(dǎo)航，機(jī)器人控制，基于運(yùn)動(dòng)的識(shí)別，視頻壓縮，基于視覺的控制，人機(jī)接口，醫(yī)學(xué)成像，增強(qiáng)現(xiàn)實(shí)和視頻場景監(jiān)控中都具有重要的應(yīng)用前景。隨著應(yīng)用的推廣，各種新技術(shù)被應(yīng)用到目標(biāo)跟蹤中來適應(yīng)更加復(fù)雜的環(huán)境，但到目前為止，還沒有一種算法對所有的情況都能適用，所以研究一種魯棒性好、精確、高性能的運(yùn)動(dòng)目標(biāo)跟蹤方法是該研究領(lǐng)域所面臨的一個(gè)巨大挑戰(zhàn)。運(yùn)動(dòng)目標(biāo)跟蹤的最終目的是分析和理解其行為以及和其他目標(biāo)的交互關(guān)系，運(yùn)動(dòng)目標(biāo)的行為理解和描述

2、引起了各國學(xué)者的高度重視，已成為最具挑戰(zhàn)的研究方向，它是將計(jì)算機(jī)視覺由低、中層次的處理推向高層抽象思維的關(guān)鍵問題。 本論文在回顧前人工作，研究各種跟蹤算法及其應(yīng)用場合的基礎(chǔ)上，提出了一種新的跟蹤算法，滿足了視頻監(jiān)控系統(tǒng)對跟蹤算法實(shí)時(shí)性的要求，解決了交互、碰撞、目標(biāo)進(jìn)出場景、多目標(biāo)跟蹤等問題，實(shí)現(xiàn)了監(jiān)控系統(tǒng)中對多種運(yùn)動(dòng)目標(biāo)（如人，魚群，鳥群）的跟蹤，并在數(shù)字全息干涉測量技術(shù)測量溶液濃度變化中，實(shí)現(xiàn)了溶液濃度變化過程的無噪聲干擾跟蹤

3、重建；特征作為目標(biāo)的行為描述和身份標(biāo)識(shí)，是進(jìn)行計(jì)算機(jī)視覺高層研究的主要信息，本文在跟蹤的基礎(chǔ)上提取了目標(biāo)的關(guān)鍵運(yùn)動(dòng)特征。 本文首先針對運(yùn)動(dòng)目標(biāo)跟蹤中存在的問題，提出了AMCMC（Added Markov Chain Monte Carlo）粒子濾波跟蹤算法。AMCMC算法是把RJMCMC（Reversible Jump Markov Chain Monte Carlo）算法中檢測進(jìn)入場景和離開場景目標(biāo)的部分移到馬爾可夫鏈外，使其

4、抽樣過程相當(dāng)于MCMC（Markov Chain Monte Carlo）粒子濾波器。算法的運(yùn)算復(fù)雜度低，可以跟蹤可變數(shù)量的運(yùn)動(dòng)目標(biāo)，還可以定義交換運(yùn)動(dòng)模式來解決遮擋、碰撞等問題。通過在AMCMC算法中定義不同的觀測模型和運(yùn)動(dòng)模式，實(shí)現(xiàn)了對運(yùn)動(dòng)人體、機(jī)動(dòng)性很強(qiáng)的群體運(yùn)動(dòng)目標(biāo)魚和鳥的跟蹤。通過不同運(yùn)動(dòng)模式不同觀測模型的思想，進(jìn)一步降低了運(yùn)算的復(fù)雜度，達(dá)到了實(shí)時(shí)跟蹤的要求。 對于目標(biāo)的特征提取，本文主要提取目標(biāo)的運(yùn)動(dòng)特征。在提取目標(biāo)

5、基本尺寸特征的基礎(chǔ)上，提取了目標(biāo)的運(yùn)動(dòng)速度和方向，并重點(diǎn)提出一種在視頻中利用目標(biāo)尺寸的變化特點(diǎn)測量鳥的翅膀拍打頻率的方法。通過對鳥在視頻中的運(yùn)動(dòng)進(jìn)行分析，得出鳥在圖像中的尺寸變化周期與鳥的拍打頻率一致的結(jié)論，采用短時(shí)傅立葉變換對尺寸信號(hào)進(jìn)行時(shí)頻分析，并計(jì)算信號(hào)的局部平均頻率，準(zhǔn)確測量了鳥的局部拍打頻率隨時(shí)間的變化。 在實(shí)現(xiàn)溶液濃度變化過程的無噪聲干擾跟蹤重建時(shí)，首先介紹了跟蹤重建的過程和原理，針對存在噪聲的特點(diǎn)引入了一個(gè)似中值濾