基于計算機視覺的目標檢測與目標跟蹤算法改進.pdf

1、基于計算機視覺的目標檢測與跟蹤是計算機視覺領(lǐng)域的主要方向。它是對視頻圖像中動態(tài)區(qū)域分析，檢測、獲得運動目標，對其進行定位、獲得動態(tài)目標的特征參數(shù)，以此獲得目標的運動軌跡，達到跟蹤的目的。目前，目標遮擋、目標尺寸變化及背景顏色相似性干擾等問題仍影響著目標檢測和跟蹤算法的效果。本文針對以上問題，對傳統(tǒng)的目標檢測及跟蹤方法進行研究分析并提出改進，通過仿真實驗證明改進算法的效果優(yōu)于傳統(tǒng)算法。本文內(nèi)容如下：
　　(1)在目標檢測方面，首先分

2、析了靜態(tài)場景下常見的三種檢測方法，通過對比分析它們的優(yōu)缺點，改進傳統(tǒng)算法并將改進的算法相融合。傳統(tǒng)混合高斯背景模型的學(xué)習率是個穩(wěn)定值，因此提出更新學(xué)習率，提高算法對實際場景的應(yīng)變能力?；旌细咚贡尘澳Ｐ吞崛∧繕送暾?，但是對環(huán)境噪聲敏感；對稱幀差法計算量小，但它檢測的目標不完整?；谶@兩種檢測算法的特性，本文提出將它們相融合，這種方法不僅能消除對稱幀差法中的‘空洞’現(xiàn)象還可以改善混合高斯模型對環(huán)境敏感的情況。邊緣檢測方法的邊緣含有豐富的內(nèi)部

3、信息，還能很好地利用了運動區(qū)域的空域信息。而改進的算法只利用了目標的時域信息，因此又把改進的算法與邊緣檢測算法相融合，能很好地運用目標的時空域信息。仿真結(jié)果表明，改進算法在室內(nèi)外場景下的檢測效果都比傳統(tǒng)目標檢測算法好。
　　(2)在目標跟蹤方面，Meanshift算法不能自適應(yīng)調(diào)整窗口大小，因此重點分析了Camshift跟蹤算法。Camshift算法可自適應(yīng)調(diào)整跟蹤窗口大小，且在固定場景下不易受目標尺寸變化、形變等影響。但它沒有考