視頻中運(yùn)動目標(biāo)檢測與跟蹤技術(shù)研究.pdf

1、基于靜止攝像機(jī)的運(yùn)動目標(biāo)檢測與跟蹤技術(shù)是計算機(jī)視覺及相關(guān)領(lǐng)域的基礎(chǔ)問題之一，良好的檢測跟蹤算法能夠?yàn)橄嚓P(guān)領(lǐng)域的高層應(yīng)用如智能視頻監(jiān)控、模式識別、智能視頻會議等提供高效有力的支持。但由于現(xiàn)實(shí)環(huán)境的復(fù)雜性和多變性，以及圖像傳感器分辨率的限制，導(dǎo)致復(fù)雜背景環(huán)境下運(yùn)動目標(biāo)的精確檢測與跟蹤存在一定的困難。
　　 基于上述原因，本文著重研究了視頻中運(yùn)動目標(biāo)檢測與跟蹤技術(shù)，在總結(jié)前人的基礎(chǔ)上提出了幾種新的算法。論文第一章介紹了當(dāng)前國內(nèi)外的研究

2、現(xiàn)狀，第二、三章分別提出了兩種新的運(yùn)動目標(biāo)檢測算法，第一種是基于自組織映射的區(qū)域高斯模型的運(yùn)動目標(biāo)檢測算法，第二種是基于自適應(yīng)圖切的運(yùn)動目標(biāo)檢測算法。在論文的第四章還詳細(xì)介紹了一種基于Rao-Blackwellized粒子濾波數(shù)據(jù)關(guān)聯(lián)的多目標(biāo)跟蹤算法。另外在第五章總結(jié)了全文并對下一步的研究工作做出了展望。第二至四章所述算法的介紹如下：
　　 基于自組織映射的區(qū)域高斯模型的運(yùn)動目標(biāo)檢測算法，采用單高斯模型和區(qū)域高斯模型的級聯(lián)式檢測

3、方法，并在區(qū)域高斯模型的更新過程中引入了自組織映射的“競爭、合作”機(jī)制。算法不僅能夠在水波紋和樹葉晃動等復(fù)雜背景環(huán)境中檢測運(yùn)動目標(biāo)，并且能夠保證檢測運(yùn)動目標(biāo)的相似性。使用PETS2002和Water Surface復(fù)雜背景圖像序列的仿真結(jié)果驗(yàn)證了算法的有效性。
　　 基于自適應(yīng)圖切的運(yùn)動目標(biāo)檢測算法，通過引入運(yùn)動目標(biāo)像素點(diǎn)數(shù)和前景背景鄰接像素對數(shù)的卡爾曼預(yù)測和節(jié)點(diǎn)流量的自適應(yīng)更新，成功將圖切算法應(yīng)用到視頻圖像的運(yùn)動目標(biāo)分割中，實(shí)

4、現(xiàn)視頻運(yùn)動目標(biāo)的連續(xù)全局優(yōu)化分割。實(shí)驗(yàn)結(jié)果表明，算法在復(fù)雜背景條件下定量檢測性能指標(biāo)表現(xiàn)良好。
　　 基于Rao-Blackwellized粒子濾波器數(shù)據(jù)關(guān)聯(lián)的多目標(biāo)跟蹤算法，該算法與卡爾曼預(yù)測相結(jié)合，比普通的粒子濾波器算法在跟蹤精度上有較大的提高，并且減少了所需要的粒子數(shù)量。同時算法還可處理未知個數(shù)目標(biāo)的消失、相互遮蔽、出現(xiàn)等的情況。最后給出了模擬場景的仿真跟蹤結(jié)果。
　　 本文提出的兩種運(yùn)動目標(biāo)檢測算法與單高斯、多高