視頻運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤算法的研究及實(shí)現(xiàn).pdf

1、近幾十年來(lái)，伴隨計(jì)算機(jī)和人工智能等相關(guān)技術(shù)的飛速發(fā)展，視頻運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤技術(shù)作為計(jì)算機(jī)視覺(jué)領(lǐng)域當(dāng)中新興的研究方向，它結(jié)合了圖像處理、人工智能、機(jī)器視覺(jué)等諸多方面的前沿技術(shù)，在安防監(jiān)控、智能交通、視頻摘要等相關(guān)領(lǐng)域得到大量應(yīng)用，但是，至今還沒(méi)有研究出非常成熟的視頻運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤算法能夠處理好各種復(fù)雜情況的視頻時(shí)能同時(shí)達(dá)到高實(shí)時(shí)性、高魯棒性、高準(zhǔn)確性，因此還需要對(duì)本課題做更深入的研究和探討，主要研究?jī)?nèi)容包括：
　　對(duì)傳統(tǒng)的檢測(cè)

2、算法的分析比較，包括基于相鄰幀的幀間差分法、基于背景模型的背景差分法、基于光流矢量場(chǎng)的光流法，總結(jié)它們的最適合的應(yīng)用場(chǎng)景和需要改進(jìn)的地方。同時(shí)深入研究基于像素的自適應(yīng)分割算法（PBAS），它結(jié)合了SACON和VIBE兩個(gè)算法的優(yōu)勢(shì)，并且引入了控制論思想和背景復(fù)雜度的度量方法，采用基于像素的自適應(yīng)閾值分割和隨機(jī)背景模型更新機(jī)制，基本實(shí)現(xiàn)了無(wú)參數(shù)自動(dòng)化的目標(biāo)檢測(cè)，檢測(cè)結(jié)果的準(zhǔn)確性和魯棒性都比較好。
　　研究目標(biāo)跟蹤丟失問(wèn)題的解決方法。

3、分析比較基于濾波理論的Kalman濾波算法、基于顏色特征的Camshift算法和ABCshift算法，得出這幾種算法的優(yōu)缺點(diǎn)和適合環(huán)境。同時(shí)深入研究在ABCshift上加入Kalman濾波的算法，利用空間位置信息和顏色特征信息，有效解決運(yùn)動(dòng)目標(biāo)在有背景顏色干擾和其它物體短時(shí)間遮擋情況下跟蹤失敗的問(wèn)題，但是在復(fù)雜環(huán)境下和受到嚴(yán)重遮擋導(dǎo)致搜索窗內(nèi)顏色改變很大時(shí)，目標(biāo)容易跟蹤丟失，本文在此基礎(chǔ)上引入短暫在線(xiàn)學(xué)習(xí)理念，利用學(xué)習(xí)目標(biāo)跟蹤丟失前的正

4、樣本特征，結(jié)合Kalman對(duì)丟失幀的預(yù)測(cè)作用，對(duì)丟失幀進(jìn)行搜索匹配重新找回目標(biāo)，在以后跟蹤過(guò)程中沒(méi)有發(fā)生丟失時(shí)就用之前的跟蹤算法，只要一發(fā)生目標(biāo)跟蹤丟失就引入在線(xiàn)學(xué)習(xí)機(jī)制。實(shí)驗(yàn)表明引入在線(xiàn)學(xué)習(xí)機(jī)制的算法能夠有效解決了復(fù)雜環(huán)境下和受到嚴(yán)重遮擋而跟蹤丟失的問(wèn)題。
　　設(shè)計(jì)和開(kāi)發(fā)運(yùn)動(dòng)目標(biāo)檢測(cè)和跟蹤系統(tǒng)。在window7環(huán)境下，利用 VS2008軟件平臺(tái)結(jié)合OpenCV相關(guān)庫(kù)函數(shù)研發(fā)一個(gè)以MFC對(duì)話(huà)框框架的視頻運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤系統(tǒng)，詳細(xì)