智能安全监控系统的视觉跟踪技术的研究

论文摘要

近年来，视频监控技术成为计算机视觉领域中最引人注目的研究领域，并被广泛用于机场、银行、交通管理、车站、停车场等公共场所，是公共安全领域不可缺少的安全保障。视频监控有广阔的应用前景，蕴藏着巨大的商机和经济效益，受到学术界和管理部门的高度重视。视觉目标跟踪是目标轨迹分析、行为理解以及目标识别等高层次视觉处理的基础，是智能视频监控的关键技术之一。目标跟踪作为计算机视觉的重要研究方向吸引了越来越多的研究者，成为目前的研究热点。视觉目标跟踪的基本思想是在序列图像中根据视频信息在空间和时间上的相关性，确定目标在每一帧的位置和姿态，对目标的位置进行估计，并生成目标的运动轨迹。本文在熟悉相关目标跟踪资料的基础上针对两种跟踪算法做了改进：CamShift跟踪算法和粒子滤波跟踪算法。由于CamShift算法在复杂动态变化背景下对目标进行跟踪时，不能有效解决旋转、遮挡等问题，容易造成跟踪目标丢失。本文提出了一种加入Kalman滤波预测的CamShift运动目标跟踪新方法。首先用Kalman滤波估计出运动目标在下一帧中最可能出现的位置，再利用CamShift方法进行在此位置的邻域进行搜索和目标匹配,从而可用较小的运算量获得较为可靠的跟踪效果。粒子滤波算法虽然能够解决非线性和非高斯情况下的动态系统状态估计问题，但是粒子退化现象的存在造成计算量大，很难实现实时跟踪等问题。针对这一问题，本文提出了在粒子滤波的重要性采用阶段加入均值漂移（Mean Shift）算法，提高粒子的使用效率，从而减少计算量。为了验证两种算法的鲁棒性和实时性，本文在Microsoft Visual C++环境下利用OpenCV对两种算法进行了仿真实验，结果表明，两种算法提高了跟踪的鲁棒性和实时性，并大大减少了跟踪时间。

论文目录

• 摘要
• Abstract
• 目录
• 第一章 绪论
• 1.1 课题研究的背景及意义
• 1.2 视觉跟踪的国内外现状
• 1.3 视觉跟踪的相关技术
• 1.3.1 经典的跟踪算法介绍
• 1.3.2 跟踪算法存在的问题
• 1.3.3 利用 OpenCV 实现计算机视觉跟踪
• 1.4 本文的研究内容
• 1.5 论文的组织结构
• 第二章 运动目标的检测和分割
• 2.1 视频图像的预处理
• 2.1.1 彩色图像的灰度化
• 2.1.2 图像噪声的处理
• 2.1.3 颜色的空间转换
• 2.2 运动目标检测方法
• 2.2.1 背景差分法
• 2.2.2 帧间差分法
• 2.2.3 光流法
• 2.3 目标分割
• 2.4 本章小结
• 第三章 改进的 CAMSHIFT 跟踪算法
• 3.1 Mean Shift 原理
• 3.1.1 Mean Shift 向量
• 3.1.2 目标模型的确定
• 3.1.3 候选模型
• 3.1.4 相似性函数
• 3.1.5 目标定位
• 3.2 CamShift 跟踪算法
• 3.2.1 反向投影的计算
• 3.2.2 CamShift 跟踪算法的原理
• 3.3 Kalman 滤波器对运动目标的预测
• 3.3.1 Kalman 滤波器原理
• 3.3.2 Kalman 滤波器对运动目标预测的实现
• 3.3.3 加入 Kalman 滤波的 CamShift 算法
• 3.4 仿真实验结果分析
• 3.5 本章小结
• 第四章 改进的粒子跟踪算法
• 4.1 粒子滤波器
• 4.1.1 粒子滤波原理
• 4.1.2 粒子滤波的重要度采样
• 4.2 改进的粒子跟踪算法
• 4.3 仿真结果分析
• 4.4 本章小结
• 第五章 结论与展望
• 5.1 结论
• 5.2 展望
• 参考文献
• 致谢
• 作者在攻读硕士学位期间发表的论文
• 个人简历