基于視頻序列的目標(biāo)檢測(cè)與跟蹤.pdf

1、視頻運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤算法一直是眾多國(guó)內(nèi)外研究學(xué)者的重要課題。它不但是計(jì)算機(jī)視覺領(lǐng)域的重點(diǎn)攻克的問題，更智能視頻監(jiān)控系統(tǒng)中關(guān)鍵的底層技術(shù)。它對(duì)此方向的研究不但具有很好的學(xué)術(shù)價(jià)值，與其他課題相比，還更易用于實(shí)際用，現(xiàn)實(shí)意義巨大，已經(jīng)廣泛應(yīng)用于各種視頻監(jiān)控場(chǎng)景中如:圖書館監(jiān)控，安保監(jiān)控、視頻會(huì)議、視頻檢索等方面。因此，視頻運(yùn)動(dòng)目標(biāo)檢測(cè)與跟宋算法研究具有極其重要的理論意義與使用價(jià)值。
　　 本論文根據(jù)課題要求側(cè)重研究目標(biāo)檢測(cè)和跟蹤方面

2、算法改進(jìn)。在目標(biāo)檢測(cè)和跟蹤方面分別提出了改進(jìn)的算法，對(duì)于傳統(tǒng)的經(jīng)典跟蹤算法更是大膽提出自己的改進(jìn)設(shè)想，并通過仿真證明自己改進(jìn)算法的優(yōu)越性。
　　 在運(yùn)動(dòng)檢測(cè)方面，本文首先對(duì)常用的目標(biāo)檢測(cè)方法進(jìn)行了綜述。針對(duì)不同的目標(biāo)檢測(cè)算法分別指出其優(yōu)缺點(diǎn)及主要的適用范圍。同時(shí)，對(duì)現(xiàn)在比較流行的高斯背景建模和基于證據(jù)理論的信息融合背景建模算法原理做了理論分析。針對(duì)不同算法各有的優(yōu)缺點(diǎn)，本文提出了一種運(yùn)動(dòng)目標(biāo)檢測(cè)的混合方法。采用中值濾波背景建模與

3、改進(jìn)時(shí)間差分方法相結(jié)合的混合算法(MFTD)。在差分圖像中采用自適應(yīng)閾值分割方法來優(yōu)化運(yùn)動(dòng)目標(biāo)提取，同時(shí)使用高斯濾波與數(shù)學(xué)形態(tài)學(xué)來消除噪聲，改善了運(yùn)動(dòng)區(qū)域的效果。
　　 在運(yùn)動(dòng)目標(biāo)跟蹤方面，以常用運(yùn)動(dòng)目標(biāo)跟蹤算法的分類為題引入目標(biāo)跟蹤方向的研究。對(duì)常用的基于區(qū)域匹配、3D模型和特征匹配的目標(biāo)跟蹤算法都做了一定的介紹。隨后，對(duì)經(jīng)典的Mean-Shift目標(biāo)跟蹤算法在數(shù)學(xué)理論層面做理論闡述。針對(duì)傳統(tǒng)均值漂移算法自身不足，本文提出了一

4、種改進(jìn)的基于均值遷移的目標(biāo)跟蹤算法。通過理論推導(dǎo)指出MeanShift算法相似度在目標(biāo)大小發(fā)生變化時(shí)自身存在的缺點(diǎn)，在此基礎(chǔ)上提出了一種改進(jìn)的加權(quán)值算法。為克服目標(biāo)短時(shí)間遮擋的跟蹤問題，提出Mean-Shift算法與卡爾曼濾波相結(jié)合的軌跡預(yù)測(cè)的目標(biāo)跟蹤算法。同時(shí)，針對(duì)尺度固定不變的窗口不能有效的跟蹤存在明顯尺寸變化的目標(biāo)，為此，本文在Mean-Shift算法與卡爾曼濾波相結(jié)合的基礎(chǔ)上，增加了帶寬自適應(yīng)更新算法，提高了算法的魯棒性。