基于檢測和Graph-cuts的目標(biāo)跟蹤算法研究.pdf

1、運動目標(biāo)檢測和跟蹤技術(shù)是計算機視覺領(lǐng)域的一個熱點課題。目前，在目標(biāo)跟蹤過程中仍然存在幾大難題：(1)背景的動態(tài)變化及其復(fù)雜性；(2)目標(biāo)的遮擋；(3)目標(biāo)發(fā)生形變及特征變化。本文針對上述問題提出了一些改進方法，主要工作如下：
　　首先，研究了基于檢測的目標(biāo)跟蹤、基于動態(tài)分割的目標(biāo)跟蹤和基于分布的目標(biāo)跟蹤這三種主要的跟蹤類別方法，提出了一種融合這三個類別各自優(yōu)點的一種跟蹤方法，即采用檢測和Graph-cuts技術(shù)的目標(biāo)跟蹤方法。

2、r>　　其次，提出了一種基于改進的Graph-cuts的圖像分割算法。該方法采用寬度優(yōu)先搜索方式搜索圖像中的每個像素點，通過對屬于相同區(qū)域的像素點進行合并的方式解決了傳統(tǒng)的Graph-cuts算法在分割較大尺寸的圖像時耗時長的缺點。
　　然后，針對目標(biāo)遮擋、形變等不同情況，選擇合適的檢測算法來獲取目標(biāo)觀測值，然后將預(yù)測目標(biāo)和觀測值這兩項加入能量函數(shù)中并進行最小化。在圖中引入觀測值后能使得目標(biāo)的跟蹤結(jié)果更為準(zhǔn)確，且能夠處理新目標(biāo)進入

3、的情況。通過實驗發(fā)現(xiàn)在對多目標(biāo)進行跟蹤時只采用一個能量函數(shù)并不能解決目標(biāo)融合或遮擋的問題，針對該問題，我們又在目標(biāo)融合區(qū)域定義了另一個能量函數(shù)。最后實驗結(jié)果表明，無論是針對單目標(biāo)還是多目標(biāo)跟蹤本文所提算法都具有較強的魯棒性。
　　最后，給出了一種基于混合高斯模型和Graph-cuts的目標(biāo)跟蹤算法。該方法針對目標(biāo)的不同情況會做出不同的處理。對于獨立目標(biāo)建立一個基于空間-顏色的混合高斯模型，對于遮擋目標(biāo)引入一個混合高斯模型替換策略，