視頻圖像中運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤算法研究.pdf

1、運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤是機(jī)器視覺(jué)領(lǐng)域的重要研究方向之一，它是智能交通、人機(jī)交互、視覺(jué)導(dǎo)航和智能監(jiān)控等工程應(yīng)用中的基礎(chǔ)和關(guān)鍵技術(shù)，其在技術(shù)上主要涉及到數(shù)字圖像處理、機(jī)器視覺(jué)、模式識(shí)別和人工智能等諸多領(lǐng)域，因此具有很強(qiáng)的理論研究和工程應(yīng)用價(jià)值。
　　本文針對(duì)視頻圖像中的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤算法展開(kāi)研究，主要研究?jī)?nèi)容如下：
　　1.在運(yùn)動(dòng)目標(biāo)檢測(cè)方面：分析總結(jié)了混合高斯模型、非參數(shù)核密度方法的特點(diǎn)及其適用范圍，提出了一種基于時(shí)空熵分析的

2、核密度估計(jì)方法。該方法根據(jù)場(chǎng)景的像素動(dòng)態(tài)復(fù)雜度計(jì)算場(chǎng)景的時(shí)空熵模型，然后按照熵值圖將場(chǎng)景分割為穩(wěn)定區(qū)域和動(dòng)態(tài)區(qū)域，最后在各自區(qū)域采用不同數(shù)量的樣本進(jìn)行估計(jì)以達(dá)到檢測(cè)效果和算法效率的平衡。實(shí)驗(yàn)結(jié)果表明該方法能有效分割運(yùn)動(dòng)目標(biāo)，具有較強(qiáng)的穩(wěn)定性和魯棒性，并且具備更快的背景模型更新速度。
　　2.在目標(biāo)跟蹤方面：首先對(duì)基于壓縮感知的跟蹤方法展開(kāi)了分析，針對(duì)該方法由于特征單一易導(dǎo)致跟蹤不穩(wěn)定的問(wèn)題，提出了一種自適應(yīng)特征融合的改進(jìn)方法，并用

3、實(shí)驗(yàn)結(jié)果予以了驗(yàn)證，同時(shí)，針對(duì)特征分類(lèi)能力不穩(wěn)定的問(wèn)題，提出了一種基于在線特征選擇的壓縮跟蹤方法，通過(guò)引入特征選擇機(jī)制來(lái)挑選最優(yōu)特征，該特征選擇機(jī)制從特征池中挑選出能有效區(qū)分正負(fù)樣本的特征。改進(jìn)后的方法能改善由于特征分類(lèi)能力不穩(wěn)定而引起的跟蹤漂移等問(wèn)題，同時(shí)選擇性的更新機(jī)制能有效地處理部分遮擋問(wèn)題。大量實(shí)驗(yàn)結(jié)果表明本文算法能提高跟蹤精度和穩(wěn)定性。
　　3.基于上述跟蹤算法的研究成果，結(jié)合項(xiàng)目需求設(shè)計(jì)了一套疲勞狀態(tài)監(jiān)測(cè)系統(tǒng)。該系統(tǒng)基