基于主動輪廓模型的視頻人體檢測與跟蹤.pdf

1、人體的運(yùn)動與跟蹤技術(shù)是近年來計(jì)算機(jī)視覺研究領(lǐng)域的重要課題之一。該技術(shù)在智能視頻監(jiān)控方面有著重要的應(yīng)用價(jià)值。在常見的人體目標(biāo)檢測與跟蹤方法的基礎(chǔ)上將跟蹤過程分為:圖像預(yù)處理、分割出運(yùn)動目標(biāo)前景區(qū)域、人體目標(biāo)定位和人體目標(biāo)跟蹤。
　　主動輪廓模型將數(shù)字圖像處理中分割或提取問題的初始估計(jì)、圖像數(shù)據(jù)及基于先驗(yàn)知識的約束等方面融為一體進(jìn)行解決,打破了信息傳遞方向的局限性。在基于GVF-Snake模型完成跟蹤任務(wù)的過程中,對初始輪廓線選取、計(jì)

2、算GVF時間耗費(fèi)大以及跟蹤不穩(wěn)定的問題提出了有效地解決方法。在人體目標(biāo)的跟蹤過程中,人體的運(yùn)動方向以及速度是不可知的,當(dāng)目標(biāo)的運(yùn)動速度較快,使用GVF-Snake模型跟蹤容易跟不上目標(biāo)位置的變化速度,導(dǎo)致目標(biāo)丟失。而且GVF-Snake模型對其初始輪廓線的設(shè)置位置敏感,如若輪廓線距離目標(biāo)的邊界較遠(yuǎn),輪廓線容易被背景邊緣所吸引,容易丟失目標(biāo)。
　　針對GVF-Snake模型不能自動獲取初始輪廓線的問題,提出了一種通過檢測方法來自動穩(wěn)

3、定地獲取初始輪廓線的方法。為了得到比較精確初始輪廓線,就需要使檢測得到的目標(biāo)的邊緣信息足夠完整。通過比較目標(biāo)檢測的三種經(jīng)典方法的優(yōu)缺點(diǎn),提出了基于改進(jìn)背景差分與三幀差分法結(jié)合的自適應(yīng)差分算法。算法實(shí)現(xiàn)了對包含運(yùn)動人體目標(biāo)的前景區(qū)域的穩(wěn)定檢測,然后將得到的前景區(qū)域進(jìn)行去噪、定位處理,得到人體目標(biāo);然后對目標(biāo)的輪廓進(jìn)行提取并離散化;最終得到我們需要的 GVF-Snake模型的初始輪廓線。
　　另外為了解決GVF-Snake模型在目標(biāo)運(yùn)

4、動速度過快時容易丟失目標(biāo)的問題,本文引入卡爾曼濾波將GVF-Snake收斂得到的目標(biāo)質(zhì)心點(diǎn)作為人體目標(biāo)的運(yùn)動特征,預(yù)測其運(yùn)動軌跡。卡爾曼濾波的當(dāng)前估計(jì)值是根據(jù)當(dāng)前幀的測量值與上一幀的估計(jì)值得到的,包含了之前時刻的目標(biāo)運(yùn)動信息,降低跟丟目標(biāo)的可能性。采用卡爾曼濾波與GVF-Snake結(jié)合的方法將促使初始輪廓更加靠近目標(biāo)實(shí)際輪廓。針對GVF-Snake計(jì)算全局梯度矢量流場的速度較慢,還提出使用分劃子區(qū)域方法計(jì)算GVF以提高算法實(shí)時性。

5、>　　最后對本文中的檢測與跟蹤算法進(jìn)行仿真實(shí)驗(yàn):1、在攝像頭有晃動,背景產(chǎn)生較大面積干擾時,將自適應(yīng)差分法與背景差分法做對比實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果顯示,自適應(yīng)差分法依然能穩(wěn)定地檢測到目標(biāo)。2、將使用幀差法與GVF-Snake結(jié)合的跟蹤算法與本文提出的算法做對比實(shí)驗(yàn)。單獨(dú)使用幀差法提取的目標(biāo)信息量少干擾大,提取的初始輪廓線質(zhì)量較低。且沒有經(jīng)過卡爾曼濾波對質(zhì)心點(diǎn)的預(yù)測以及子區(qū)域的限制,輪廓線會漸漸遠(yuǎn)離目標(biāo)邊界。實(shí)驗(yàn)結(jié)果顯示,本文算法能使輪廓線盡可能