視頻運動目標(biāo)檢測與跟蹤算法的研究.pdf

1、視頻運動目標(biāo)的檢測與跟蹤技術(shù)，作為計算機(jī)視覺研究領(lǐng)域的核心課題之一，融合了圖像處理、模式識別、人工智能、自動控制以及計算機(jī)等若干領(lǐng)域的先進(jìn)技術(shù)，并在軍事制導(dǎo)、視頻監(jiān)控、機(jī)器人視覺導(dǎo)航、人機(jī)交互、醫(yī)療診斷以及氣象分析等方面都有廣泛的應(yīng)用。視頻運動目標(biāo)檢測與跟蹤的研究目的是模擬人類視覺運動感知功能，賦予機(jī)器辨識視頻序列圖像中運動目標(biāo)的能力，為視頻分析和理解提供重要的數(shù)據(jù)依據(jù)。
　　 本文針對視頻序列圖像中運動目標(biāo)的檢測與跟蹤問題進(jìn)行

2、重點研究。對于運動目標(biāo)的檢測，重點研究動態(tài)場景下如何對全局運動進(jìn)行有效地估計和運動補償以及如何快速地提取出運動目標(biāo)；對于運動目標(biāo)的跟蹤，重點研究影響粒子濾波跟蹤算法性能的三個主要因素，即粒子的貧化問題；可靠的觀測模型；準(zhǔn)確的運動模型。
　　 本文具體的研究工作包括：
　　 第一，針對動態(tài)場景中的運動目標(biāo)檢測問題，提出一種基于全局運動估計的視頻運動目標(biāo)檢測算法。動態(tài)場景通常由于攝像機(jī)本身或者運載平臺的運動而造成視頻圖像中的

3、背景發(fā)生變化。針對這種動態(tài)場景中的運動目標(biāo)檢測，首先通過邊界塊的投影匹配算法較好的估計出全局運動參數(shù)，通過計算一維特征向量降低全局運動估計的計算量；然后利用高階統(tǒng)計量對噪聲不敏感的特性，來區(qū)分背景和運動目標(biāo)，減少了噪聲的影響；最后，運用形態(tài)學(xué)運動濾波得到前景運動目標(biāo)的掩膜圖像，準(zhǔn)確地提取到運動目標(biāo)。實驗結(jié)果表明本文提出的算法能夠?qū)討B(tài)場景中的運動目標(biāo)進(jìn)行有效地檢測。
　　 第二，針對影響粒子濾波跟蹤算法性能的因素之一：粒子貧化問

4、題，提出一種改進(jìn)的基于重采樣方法的粒子濾波跟蹤算法。粒子貧化是粒子濾波算法本身所固有的問題，當(dāng)貧化現(xiàn)象發(fā)生時，會嚴(yán)重影響采樣粒子對運動目標(biāo)狀態(tài)的描述能力。針對這種情況，本文提出一種多樣性采樣方法，在傳統(tǒng)的粒子濾波重采樣方法后加入多樣性環(huán)節(jié)，在重采樣后的粒子的鄰域內(nèi)按照均勻分布尋找相關(guān)粒子，使得粒子不會收斂于一點之上，增加粒子的多樣性，以達(dá)到解決粒子貧化問題的目的。多組實驗結(jié)果表明，本章介紹的改進(jìn)粒子濾波算法對于目標(biāo)的平移、轉(zhuǎn)動、光照變化

5、以及相似物干擾等復(fù)雜情況下的跟蹤具有較強的魯棒性，能夠成功的跟蹤目標(biāo)。
　　 第三，針對影響粒子濾波跟蹤算法性能的因素之二：魯棒觀測模型，提出一種多特征自適應(yīng)融合的視頻運動目標(biāo)跟蹤算法。由于單一視覺信息描述目標(biāo)不充分、復(fù)雜的動態(tài)變化環(huán)境下描述不穩(wěn)定，因此本文利用顏色和紋理雙重信息描述目標(biāo)，提高復(fù)雜環(huán)境下目標(biāo)描述的可靠性。在對每個特征信息進(jìn)行融合時，采用民主融合策略，使得融合算法能根據(jù)當(dāng)前跟蹤形勢自適應(yīng)調(diào)整兩種信息的權(quán)重，實現(xiàn)信息

6、間的互補，始終利用對當(dāng)前跟蹤場景穩(wěn)定的信息跟蹤目標(biāo)，解決了復(fù)雜背景下單一信息跟蹤失敗的問題。在設(shè)計粒子濾波算法中的似然函數(shù)時，對似然函數(shù)中的噪聲參數(shù)進(jìn)行自適應(yīng)更新，增加采用某一種特征信息計算出來的粒子權(quán)值之間的區(qū)分性，保持當(dāng)前特征模型對目標(biāo)和背景的區(qū)分度，實現(xiàn)對視頻目標(biāo)穩(wěn)定的跟蹤，提高粒子濾波跟蹤算法在復(fù)雜背景環(huán)境中的穩(wěn)健性。實驗結(jié)果表明，該算法在目標(biāo)任意平動、轉(zhuǎn)動、部分或完全遮擋，以及光照變化等情形下均有較好的跟蹤結(jié)果。
　　

7、 第四，影響粒子濾波跟蹤算法性能的因素之三就是要有準(zhǔn)確的運動模型。針對運動模型不確定情形下的運動目標(biāo)跟蹤問題，提出一種融合目標(biāo)檢測的類粒子濾波目標(biāo)跟蹤算法。該算法首先檢測出感興趣的運動目標(biāo)所在的大致區(qū)域，然后通過多樣性方法在檢測出的目標(biāo)區(qū)域周圍進(jìn)行采樣，接下來的步驟類似于傳統(tǒng)粒子濾波算法，計算每個采樣區(qū)域的目標(biāo)特征，然后同目標(biāo)模板進(jìn)行比較，計算出每個目標(biāo)采樣區(qū)域?qū)?yīng)的權(quán)值，最后估計出目標(biāo)所在的位置。對于目標(biāo)的檢測，我們采用基于小波變換的