視頻圖像中運動目標(biāo)的前景提取及跟蹤.pdf

1、視頻圖像中運動目標(biāo)的前景提取方法與運動目標(biāo)的跟蹤算法一直以來都是計算機視覺領(lǐng)域的重要研究內(nèi)容，其在智能交通監(jiān)管、視頻安全監(jiān)控、導(dǎo)航等多方面都有著重要實用價值。
　　在智能視頻監(jiān)控處理中，前景提取毫無疑問是信息提取的關(guān)鍵一環(huán)，它的任務(wù)是在視頻中提取出所需的全部真實運動目標(biāo)并且剔除各種因其它原因而誤入的噪聲干擾及虛假目標(biāo)，顯而易見，這一步將是后續(xù)目標(biāo)的識別、跟蹤以及行為分析的前提。第三章中簡要介紹了目前常用的三大類前景提取方法：光流法

2、、背景減除法和幀差法。并結(jié)合這些算法的各自優(yōu)劣，提出了改進的基于動態(tài)混合高斯數(shù)目的背景建模算法。傳統(tǒng)的混合高斯模型是背景減除法中常用的背景建模算法，其所取的高斯分布數(shù)K，一般為為3～5之間的一個固定值?？墒窃趯嶋H數(shù)字圖像處理的應(yīng)用場景中，K為固定值的混合高斯模型往往效果不佳。本文提出的動態(tài)混合高斯數(shù)目背景建模算法能根據(jù)場景圖像的實時區(qū)域變化狀況，自發(fā)動態(tài)地調(diào)整高斯分布數(shù)目，從而較好的提高背景提取效果以及算法效率。
　　視頻圖像前景

3、提取成功之后，昭示著被跟蹤目標(biāo)在視頻連續(xù)幀序列中已被檢測出，因此第四章開始介紹了傳統(tǒng)的基于核函數(shù)的Mean-shift目標(biāo)跟蹤算法原理，并且基于 Mean-shift跟蹤算法，對第三章中改進背景建模算法提取的前景進行跟蹤，由實驗結(jié)果可知，傳統(tǒng)的固定核窗寬 Mean-shift跟蹤算法，在被跟蹤目標(biāo)尺寸不發(fā)生剛性尺寸變化時，效果較佳。然而對于一些較復(fù)雜場景，例如不斷增大尺寸的剛性目標(biāo)的跟蹤，被跟蹤目標(biāo)由于遠近距離而產(chǎn)生的視覺大小尺寸變化時