基于視頻的動態(tài)目標檢測和跟蹤研究.pdf

1、在人所感知的視覺信息中，動態(tài)視覺信息是其主要組成部分。盡管人類的視覺既能看見運動又能看到靜止的物體，但是在許多場合，比如重要場所的安全監(jiān)控、汽車的自動駕駛和輔助駕駛、交通流量的控制、軍事視覺制導等，人們往往只對運動目標或物體感興趣。因此，研究運動目標的檢測和跟蹤，有很大的現(xiàn)實意義和理論價值。 本文主要研究了面向重要安全場所的視頻監(jiān)控的關(guān)鍵技術(shù)。重點研究靜態(tài)背景下運動目標的檢測、目標跟蹤、輪廓跟蹤以及特殊目標如人臉的跟蹤等方面的研

2、究內(nèi)容。主要工作有: 1、靜態(tài)背景下的目標檢測。分析當前目標檢測算法的原理，針對具體的應用背景，提出了基于灰度和邊緣差分的目標檢測算法，并使用高斯模型為背景圖像建模，在對視頻圖像處理的過程中，使用自適應的背景模型更新算法對背景模型進行修正，經(jīng)過修正后的背景模型能夠及時反映出背景的動態(tài)變化。首先通過減運算得到背景和前景圖像的灰度差分圖像，并對其取絕對值；然后利用Sobel算子對兩幀圖像進行邊緣檢測，并進行邊緣差分；最后將兩次差分結(jié)

3、果進行邏輯或運算，得到運動目標的檢測結(jié)果。該方法能夠在較大程度上滿足系統(tǒng)的要求，提高檢測結(jié)果精度。 2、目標跟蹤。針對均值漂移算法存在的不足，利用連續(xù)自適應均值漂移算法(CamShift)進行目標的跟蹤。CamShift是一種應用顏色信息的跟蹤算法，在跟蹤過程中，CamShift利用目標的色彩直方圖模型得到每幀圖像的色彩投影圖，并根據(jù)上一幀跟蹤的結(jié)果自適應調(diào)整搜索窗口的位置和大小，從而得到當前圖像中目標的尺寸和中心位置。該算法在

4、圖像背景復雜且目標不規(guī)則運動的情形下，仍能有效跟蹤到目標。 3、目標輪廓跟蹤。提出水平集(Level Set)和均值漂移(Mean Shift)相結(jié)合的跟蹤算法。因為水平集方法的計算量比較大，利用改進的不需要求解PDE(Partial DifferentialEquations)方程的算法，此算法主要是根據(jù)像素單元之間的交換操作來演化邊界線，同時引入高斯濾波函數(shù)保持邊界線的光滑性。首先利用Level Set得到目標的初始輪廓:然

5、后利用Mean Shift預測下一幀目標的位置，得到目標的粗輪廓；最后利用LevelSet得到目標的精輪廓。該算法的最大優(yōu)點在于利用Mean Shift粗略得到目標的輪廓，這樣作為Level Set初始演化曲線的輪廓可以避免水平集函數(shù)演化時跨過邊界，同時大大降低了水平集方法的迭代次數(shù)，更好的保證了跟蹤的實時性和魯棒性。 4、特殊目標跟蹤。針對人臉跟蹤，提出AdaBoost和CamShifl相結(jié)合的快速跟蹤算法。首先利用AdaBo