智能监控系统中运动检测与跟踪方法的研究

论文摘要

本文研究的主要内容是智能监控系统中的运动物体的检测和跟踪技术。智能监控系统中运动物体的检测(包含去阴影)与跟踪是计算机视觉领域和数字图像处理领域的重要研究课题之一,也是近年来备受研究者关注的前沿方向。本文针对运动目标的检测和跟踪技术进行了探索和研究,提出了新的方法,并通过实验证明了新方法的有效性。主要研究包括以下几个方面:1.在帧差分的基础上,提出了光流法和时间滤波相结合的运动检测算法。该方法在假设目标在一定时间段内运动一致的条件下,能从复杂背景中实时检测出运动区域。该算法鲁棒性好,能在没有背景,没有任何包括物体大小、形状等先验知识的情况下结合梯度差分图、光流计算和时间滤波器得到有效运动区域。2.基于阴影区域的亮度值低于对应背景区域亮度值的原理去除阴影。首先将检测结果分为高亮度部分和低亮度部分,其中高亮度部分完全由运动目标构成,低亮度部分则是由运动目标的低亮度部分和阴影区域共同构成;其次将对低亮度部分进行分类,采用多阈值分割的方法对阴影区域和目标的低亮度部分进行分离;最后将目标的高亮度部分和低亮度部分融合,通过形态学去噪处理即可得到最终的检测结果。实验证明了该方法能实时地、有效地去除运动目标的影子。3.基于粒子滤波对运动目标预测结果进行跟踪。在运动目标的实时跟踪中,基于Kalman滤波预测的方法是常用的有效方法,但因目标检测时常将靠近的物体检测成一个目标引起误检现象,这会使在目标匹配时产生错误。为此,提出了用粒子滤波预测取代Kalman预测的方法。实验结果表明该方法能很好地对运动目标进行跟踪并基本上达到实时的要求,处理速度为60mspf。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 论文研究背景与意义
• 1.2 国内外研究现状
• 1.2.1 国外的研究现状
• 1.2.2 国内研究现状
• 1.2.3 存在的问题
• 1.3 相关技术
• 1.4 本文工作及内容安排
• 1.4.1 本文工作
• 1.4.2 本文创新点
• 1.4.3 内容安排
• 第二章 运动目标的检测技术
• 2.1 引言
• 2.2 运动检测常用方法概述
• 2.2.1 基于帧间差分的方法
• 2.2.2 光流法
• 2.2.3 基于背景差分的方法
• 2.2.4 其它的一些检测方法
• 2.3 本文所用运动检测方法
• 2.3.1 带窗梯度法
• 2.3.2 改进的LK 光流法
• 2.3.3 时间滤波器
• 2.3.4 区域生长
• 2.3.5 多图融合
• 2.4 本章小结
• 第三章 运动目标的阴影检测技术
• 3.1 引言
• 3.2 阴影的光学特性
• 3.3 阴影检测
• 3.3.1 RGB 空间阴影检测概述
• 3.3.2 HSV 空间阴影检测概述
• 3.3.3 灰度空间去阴影法
• 3.4 实验结果与分析
• 3.5 本章小结
• 第四章 运动目标的跟踪技术
• 4.1 引言
• 4.2 运动目标跟踪技术概述
• 4.2.1 运动目标跟踪问题描述
• 4.2.2 运动目标跟踪算法分类
• 4.2.3 运动目标跟踪的相关问题
• 4.3 特征提取
• 4.3.1 目标匹配
• 4.3.2 目标形心坐标的计算
• 4.4 目标运动位置的预测
• 4.4.1 Kalman 滤波
• 4.4.2 粒子滤波
• 4.5 实验结果
• 4.6 本章小结
• 第五章 结论
• 5.1 本论文工作总结
• 5.2 展望
• 参考文献
• 研究生期间发表的论文及参与项目
• 致谢