復(fù)雜地物背景條件下運(yùn)動(dòng)目標(biāo)檢測(cè)和跟蹤算法研究.pdf

1、運(yùn)動(dòng)目標(biāo)檢測(cè)和跟蹤技術(shù)是機(jī)器視覺(jué)的核心技術(shù)，也是光學(xué)成像系統(tǒng)的研究熱點(diǎn)問(wèn)題。近幾年來(lái)，許多用于運(yùn)動(dòng)目標(biāo)檢測(cè)和跟蹤的算法陸續(xù)提出，大量新的思想、新的技術(shù)手段被應(yīng)用到運(yùn)動(dòng)目標(biāo)檢測(cè)和跟蹤技術(shù)中來(lái)，在很大程度上推動(dòng)了其發(fā)展。論文針對(duì)復(fù)雜地物背景下的運(yùn)動(dòng)目標(biāo)檢測(cè)和跟蹤技術(shù)展開研究，全文主要工作和研究成果總結(jié)如下：
　　1、針對(duì)光流場(chǎng)分割不準(zhǔn)確的問(wèn)題，研究了基于同向速度累加FBM(Fractal Brownian Motion)模型光流場(chǎng)分割

2、算法，為后續(xù)視覺(jué)顯著圖雙重分割提供前景知識(shí)。利用基于FBM模型的光流法計(jì)算自然圖像的光流場(chǎng)，結(jié)合光流二維矢量性，首先計(jì)算同一方向上速度幅值的累加和構(gòu)成加權(quán)速度方向直方圖。根據(jù)直方圖峰值對(duì)應(yīng)的速度方向，分割出運(yùn)動(dòng)目標(biāo)，為下一步顯著圖分割提供正樣本。
　　2、針對(duì)傳統(tǒng)光流目標(biāo)檢測(cè)算法自身缺陷導(dǎo)致對(duì)運(yùn)動(dòng)背景和復(fù)雜地物背景運(yùn)動(dòng)目標(biāo)檢測(cè)能力的不足，研究了基于前景知識(shí)和背景知識(shí)對(duì)視覺(jué)顯著圖二重分割的目標(biāo)檢測(cè)算法。SLIC圖像分割算法將圖像分割

3、成若干超像素區(qū)域，減少了計(jì)算視覺(jué)顯著圖的單元。根據(jù)流形排序算法求得各個(gè)超像素的顯著值，從而得到視覺(jué)顯著圖。將圖像四個(gè)邊界所在的超像素作為背景標(biāo)記為負(fù)，光流法檢測(cè)到的目標(biāo)區(qū)域標(biāo)記為正。最后通過(guò)這些正、負(fù)標(biāo)記區(qū)域，根據(jù)流形排序的標(biāo)簽傳遞規(guī)則重新賦予所有超像素顯著值，再利用簡(jiǎn)單的閾值分割就能分割出運(yùn)動(dòng)目標(biāo)。
　　3、針對(duì)TLD(跟蹤-學(xué)習(xí)-檢測(cè))算法不能抗遮擋和相似目標(biāo)干擾的缺陷，研究了改進(jìn)的CTLD(上下文跟蹤-學(xué)習(xí)-檢測(cè))算法。通過(guò)

4、提取目標(biāo)Haar-like特征，并利用隨機(jī)高斯矩陣將高維Haar-like特征壓縮到低維空間。采用結(jié)構(gòu)風(fēng)險(xiǎn)最小的SVM分類器學(xué)習(xí)訓(xùn)練低維Haar-like特征，尋找距離分割超平面距離最遠(yuǎn)的正樣本作為檢測(cè)器跟蹤結(jié)果。上下文學(xué)習(xí)算法作為跟蹤器，利用目標(biāo)和目標(biāo)周圍的上下文環(huán)境空域短暫相關(guān)性預(yù)測(cè)目標(biāo)位置進(jìn)行跟蹤。詳細(xì)推導(dǎo)了目標(biāo)尺度變化，再根據(jù)Mean-shift算法預(yù)測(cè)目標(biāo)旋轉(zhuǎn)因子，以便精確跟蹤。最后利用歷史目標(biāo)模板庫(kù)分別和檢測(cè)器結(jié)果、跟蹤器結(jié)