復(fù)雜背景下的運動人體跟蹤算法研究.pdf

1、運動人體的跟蹤技術(shù)研究是機器視覺領(lǐng)域的核心課題之一，目前被廣泛應(yīng)用在視頻編碼、智能交通、智能監(jiān)控、圖像檢索及軍工等眾多領(lǐng)域中。本文就低對比度的復(fù)雜環(huán)境下運動人體跟蹤技術(shù)進(jìn)行了深入的研究，著重分析在了低對比度的復(fù)雜環(huán)境下如何進(jìn)行運動人體目標(biāo)的識別和提取以及目標(biāo)的后續(xù)跟蹤，主要完成了以下幾項工作：
　　1.背景的快速構(gòu)建與更新：復(fù)雜的場景中，尤其是對于大面積監(jiān)控的場景，采取單一背景生成及維護模型，總會消耗系統(tǒng)大量資源用于處理無用的信息

2、。針對這一問題，我們運用了一種分區(qū)管理的背景建模方法，對于不同的區(qū)域采用不同的方法進(jìn)行建模，可以更加有效地利用系統(tǒng)資源。在背景生成和維護階段，把背景區(qū)域劃分成一個個大小相等的區(qū)域(類似“貼片”)，并根據(jù)這些“貼片”所在區(qū)域的不同變化特征分別進(jìn)行更新，可以在占用很少系統(tǒng)資源的同時，快速地適應(yīng)環(huán)境的變化。
　　2.運動目標(biāo)的快速精確提?。簽榱嗽诘玫捷^為細(xì)致的運動目標(biāo)形狀的同時，又可以避免對場景非平穩(wěn)變化的敏感性，本文運用了基于局部鄰域

3、相似度的目標(biāo)檢測方法，在對輸入視頻中像素進(jìn)行分析的同時考慮周圍背景的相似性，通過像素周圍圖像塊在時域中的變化來區(qū)分背景和前景，在沒有任何預(yù)處理的情況下，不僅有效地降低了噪聲的干擾，并能夠快速準(zhǔn)確地提取出運動目標(biāo)。
　　3.低對比度下運動人體的識別：針對造成低對比度下運動人體識別困難的兩個主要因素，拍攝時光線昏暗和拍攝時距離較遠(yuǎn)，引入局部直方圖熵概念，提出基于局部直方圖熵的人體識別算法，運用檢測率和虛警率對實驗數(shù)據(jù)進(jìn)行評價，獲取兩種

4、低對比度環(huán)境下獲取人體的最佳局部直方圖熵差值的閾值，通過對理論和實驗數(shù)據(jù)的分析，得出基于局部直方圖熵的人體識別算法在準(zhǔn)確度上仍需提高，進(jìn)而引入局部灰度熵概念，提出基于局部灰度熵的人體識別算法，運用檢測率與虛警率對算法進(jìn)行的評價,獲取局部灰度熵差值的最佳閾值，經(jīng)過對算法進(jìn)行的綜合評價，得出基于局部灰度熵的人體識別算法更適合于低對比度下的人體識別。
　　4.運動人體追蹤：由于Mean Shift算法在對運動人體進(jìn)行追蹤時表現(xiàn)出了很高的

5、實時性，而且其對一些干擾素并不敏感，所以本文在對人體進(jìn)行實時性追蹤時采取基于 Mean Shift的運動人體追蹤算法。但是為了進(jìn)一步提高基于 Mean Shift算法的穩(wěn)健性，本文做出了一些改進(jìn)，設(shè)計了基于改進(jìn)的 Mean Shift運動人體追蹤算法：在目標(biāo)建模階段，結(jié)合人體識別對人體區(qū)域進(jìn)行定位，對區(qū)域內(nèi)的人體目標(biāo)進(jìn)行多特征建模，選擇反差大的特征子模型來對目標(biāo)進(jìn)行跟蹤；在后續(xù)跟蹤階段，通過對目標(biāo)特征和周圍區(qū)域的特征進(jìn)行對比，選擇最優(yōu)子