基于高斯模型的運動目標(biāo)檢測與跟蹤算法研究.pdf

1、本文以基于高斯模型的運動目標(biāo)檢測與跟蹤為主要研究內(nèi)容，分別給出了基于高斯背景模型的車輛檢測改進(jìn)算法和基于高斯模型和卡爾曼預(yù)測的檢測與跟蹤。本文主要內(nèi)容包括以下三個部分:
　　 首先，介紹了高斯模型的基本理論，包括高斯模型的定義和性質(zhì);描述了數(shù)學(xué)形態(tài)學(xué)的幾種常見方法，包括開啟、閉合、膨脹、腐蝕、填充空洞;討論了空間濾波的一些慣用方式，包括高斯濾波、中值濾波和均值濾波。
　　 其次，針對車輛檢測中實時性、準(zhǔn)確性以及自適應(yīng)性很

2、難兼顧的問題，提出了一種基于高斯背景模型的車輛檢測改進(jìn)算法。該算法一方面通過在背景更新初期和背景差分的過程中，采用高低雙閾值降低車輛與背景之間灰度值重合區(qū)域的干擾;在背景更新后期采用基于單高斯模型的動態(tài)權(quán)值方法，使該算法的魯棒性大大加強。另一方面，將二次幀差法通過邏輯“或”運算巧妙地引入到我們的改進(jìn)算法中，使該算法不但具有了隨環(huán)境變化適應(yīng)強的特點，而且顯著地提高了檢測的準(zhǔn)確性和完整性，并具有一定的魯棒性。
　　 最后，針對運動目

3、標(biāo)檢測與跟蹤算法較難同時保證準(zhǔn)確性和穩(wěn)定性的問題，提出了一種基于高斯模型和Kalman預(yù)測的運動目標(biāo)檢測與跟蹤算法。首先在高斯背景建模中，采用了分塊拼接的方式來初始化背景模型，并且利用動態(tài)權(quán)值完成背景自適應(yīng)更新，使得背景模型能夠持續(xù)有效，再采用背景差分法檢測出運動目標(biāo)。在目標(biāo)跟蹤中，將檢測到的運動目標(biāo)區(qū)域和質(zhì)心位置信息作為Kalman預(yù)測的狀態(tài)信息，結(jié)合其他相關(guān)參數(shù)完成運動目標(biāo)的預(yù)測跟蹤，并且對觀測噪聲矩陣進(jìn)行自適應(yīng)取值，使得跟蹤的穩(wěn)定