視頻運動跟蹤及其在增強現(xiàn)實中的應(yīng)用研究.pdf

1、視頻運動跟蹤能夠自動地檢測到目標(biāo)物體并對運動目標(biāo)進行準確跟蹤，其應(yīng)用領(lǐng)域越來越廣泛，比如交通監(jiān)控、影視動畫、軍事定位等。而基于視頻的增強現(xiàn)實AR技術(shù)通常需將虛擬物體注冊到實時跟蹤的目標(biāo)對象上。但是增強現(xiàn)實的應(yīng)用還沒有普及且其設(shè)備成本較高。因此，研究運動跟蹤技術(shù)及其在增強現(xiàn)實中的應(yīng)用已成為一項重要的研究課題。
　　本文首先對現(xiàn)有的目標(biāo)跟蹤技術(shù)進行了研究和分析，并詳細介紹了均值漂移算法的原理及步驟。對于均值漂移算法無法自動識別跟蹤對象

2、及目標(biāo)尺度變化造成跟蹤準確度降低問題，提出了兩種改進的方法，主要研究工作如下:
　　1.針對均值漂移算法對視頻流首幀無法自動檢測目標(biāo)對象的問題，提出一種基于優(yōu)化加權(quán)參數(shù)的AdaBoost目標(biāo)檢測算法。該算法首先通過改變?nèi)醴诸惼骷訖?quán)參數(shù)求解公式的方法，保證了低誤警率和低誤檢率，其次應(yīng)用特征值曲線自適應(yīng)得到雙閾值，構(gòu)造雙閾值弱分類器并集成為一強分類器。最后，采用強分類器對視頻幀中目標(biāo)對象進行檢測。實驗結(jié)果表明，該方法不僅有效地提高了檢

3、測精度，而且訓(xùn)練及檢測時間也有明顯改進。
　　2.針對目標(biāo)對象尺度變化、目標(biāo)與背景顏色信息相似造成均值漂移算法跟蹤準確度下降問題，改進了一種基于SIFT特征的Mean-Shift目標(biāo)跟蹤算法。對于SIFT提取特征所耗時間較大的問題，采用將SURF特征加權(quán)到目標(biāo)模型的概率密度估計中。然后，算法運用EM算法來迭代求解Mean-Shift向量，實現(xiàn)目標(biāo)的跟蹤。實驗結(jié)果表明，改進方法有效地解決了目標(biāo)尺度變化、顏色空間相似性、光照及旋轉(zhuǎn)的問