基于视频图像的运动人体检测与跟踪算法研究

论文摘要

视频图像中人体的检测与跟踪是智能监控、人机界面等视觉系统的重要组成部分。本文分别对运动人体的检测与跟踪算法进行了研究和实现。在运动目标检测中,一种比较成功的思想是用高斯模型对每个像素建模,但这种方法在初始化学习的过程中,速度比较慢,而且其检测速度与稳定性之间难以平衡。本文提出一种利用隔帧差分来重构背景的运动人体检测算法,其通过多帧差分图像中稳定的背景像素相互补充,重构完整的背景。本文对两种方法进行了比较分析,实验证明,本文的算法背景学习速度快,并具有更好的前景分割效果。Meanshift算法不考虑运动物体的位置和速度信息,当跟踪过程中出现背景复杂或遮挡干扰时,跟踪容易失败。本文一方面把卡尔曼滤波融入到Meanshift算法中,跟踪过程中,人体的位置信息可以被卡尔曼滤波所预测,弥补了Meanshift算法的不足。另一方面,考虑Meanshift算法通常是利用单一的特征空间进行跟踪,本文提出了一种自适应特征选择的目标跟踪算法。其联合了色度和灰度梯度两个特征空间,并通过本文定义的空间距离,对特征空间进行自适应选择。同时,考虑一个实际的跟踪系统要求跟踪窗随着目标变化自适应的调整,本文引入了积分投影法来解决跟踪窗尺度变化的问题。实验证明,在环境复杂和遮挡情况下,本文的自适应特征选择算法比Meanshift结合卡尔曼算法取得了更好的跟踪效果,实时性和准确性都得到了提高。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 课题的研究背景与意义
• 1.2 检测与跟踪技术的发展现状和主要问题
• 1.2.1 检测与跟踪技术的发展现状术的发展现状
• 1.2.2 主要问题
• 1.3 本文主要研究的内容和结构安排
• 1.3.1 本文的主要研究内容
• 1.3.2 论文的各章节安排
• 2 运动人体的检测算法
• 2.1 图像前期处理
• 2.1.1 图像去噪
• 2.1.2 图像增强
• 2.2 运动目标检测方法
• 2.2.1 光流法
• 2.2.2 帧间差分法
• 2.2.3 背景差分法
• 2.3 背景建模方法
• 2.3.1 直接获取背景模型
• 2.3.2 基于统计平均的背景模型
• 2.3.3 基于高斯模型的方法
• 2.4 本章小结
• 3 本文的运动人体检测算法
• 3.1 基于背景重构的运动目标检测
• 3.2 基于隔帧差分的二值掩模模板的提取
• 3.3 变化检测模板的填充修正
• 3.4 基于二值掩模模板的背景重构
• 3.5 实验结果及性能分析
• 3.6 本章小结
• 4 运动人体的跟踪算法研究
• 4.1 Meanshift算法理论
• 4.1.1 Meanshift定义
• 4.1.2 Meanshift算法
• 4.2 Meanshift算法在目标跟踪中的应用
• 4.2.1 特征空间的选择
• 4.2.2 目标模型的建立
• 4.2.3 Meanshift应用
• 4.3 卡尔曼滤波
• 4.3.1 系统的状态方程和观测方程
• 4.3.2 卡尔曼滤波原理
• 4.4 Meanshift与卡尔曼结合的目标跟踪
• 4.5 实验结果及分析
• 4.6 本章小结
• 5 基于自适应特征选择的目标跟踪算法
• 5.1 特征空间的选择
• 5.2 基于灰度梯度特征的目标模型
• 5.2.1 微分算子
• 5.2.2 加权梯度直方图
• 5.3 自适应选择特征空间的Meanshift跟踪
• 5.3.1 联合运动检测的反向投影
• 5.3.2 特征空间的自适应选择
• 5.4 跟踪窗口自适应调整
• 5.5 实验结果及分析
• 5.6 本章小结
• 6 总结与展望
• 致谢
• 参考文献