視頻序列中多目標檢測與跟蹤技術(shù)的研究.pdf

1、數(shù)字智能視頻監(jiān)控系統(tǒng)在商場、銀行、學校、醫(yī)院等多種場所均有廣泛應(yīng)用，而目標檢測與跟蹤是該系統(tǒng)的主要步驟。本文在國內(nèi)外學者們研究成果的基礎(chǔ)上，針對目標檢測方法和多目標跟蹤方法的不足，分別提出了相應(yīng)改進方法，同時設(shè)計開發(fā)了多目標檢測和跟蹤系統(tǒng)，文章的主要研究內(nèi)容如下:
　　本文在分析混合高斯模型背景減法的基礎(chǔ)上，針對傳統(tǒng)混合高斯模型在背景復(fù)雜的情況下無法快速準確更新、對背景擾動光照變化魯棒性不強的缺點，就混合高斯模型的更新率做出兩點改

2、進，提出了基于自適應(yīng)更新率混合高斯模型的目標檢測方法。一方面，讓更新率與時間相關(guān)，即在建模初期，背景模型不穩(wěn)定，采用較大的更新率;然后更新率逐步減小;當背景模型穩(wěn)定以后，采用較小的更新率，以對噪聲起一定的抑制作用，提高算法的魯棒性。另一方面，讓更新率與模型匹配程度相關(guān)。對于那些與觀測值相匹配的高斯分布，依據(jù)匹配程度更新，而對于那些無法匹配的，其權(quán)重遵循一定規(guī)則衰減，但保持均值與方差不發(fā)生變化。實驗結(jié)果表明改進后的算法能有效地檢測出運算速

3、度較快、較慢的目標對象，并且對背景干擾、光照變化等外界干擾有較強的魯棒性。
　　本文在分析混合粒子濾波、高斯粒子濾波以及粒子概率假設(shè)密度(PHD)濾波方法的基礎(chǔ)上，針對傳統(tǒng)粒子PHD濾波方法跟蹤多個目標時，不能有效地處理目標數(shù)量不確定或者未知情況的不足，在該方法的框架下，引入高斯粒子濾波以及混合粒子濾波方法，提出了基于高斯混合粒子PHD濾波方法的多目標跟蹤方法。該方法用一系列帶權(quán)值的高斯分量之和描述多目標PHD，同時與混合粒子濾波