视频分析中的镜头分割和目标跟踪研究

论文摘要

视频监控是计算机视觉领域一个重要的课题,随着摄像机价格的不断降低且功能越来越强,计算机能力的普及以及计算机视觉算法的日臻成熟,极大的发展了这一领域。由于视频信息量极大,所以监控起来很难,如果要人工监控的话,非常费力,所以我们要开发出有效的算法,让计算机能有智能地监控视频。要想有效地监控视频,我们必须要合理地分析视频的内容。由于视频是由一帧帧的帧图像组成的,所以要分析视频,首先要能视频帧提取出有效信息。帧图像一般提供这么几种常被用来提前的特征,如颜色特征,纹理特征,边缘特征等等,可以利用其中一种或几种特征的组合,来分析视频内容。视频分析一般分为这几个步骤,分镜头,提取关键帧,提取图像特征,目标跟踪,行为分析。本论文重点研究了分镜头,目标跟踪这两步骤,简单介绍了提取关键帧,并把几种提取关键帧的方法做了实验比较,还简单的说明了图像的特征提取,及几种特征的组合使用。在镜头分割方面,本论文采用了基于亮度直方图的方法,不过在此基础上,加入了边缘信息,在比较两帧图像差值时,不仅计算亮度直方图的差值,还要比较边缘点的变化率。这使得镜头的分割更加准确可靠。在目标跟踪方面,本论文基于Mean-Shift算法并做了改进,采用了一种新的亮度直方图模型,将像素的边缘,和位置信息充分考虑进去,这就使得亮度直方图包含的信息更多,跟踪的效果更好。

论文目录

• 摘要
• Abstract
• 目录
• 1 绪论
• 1.1 本文的项目背景与意义
• 1.2 目前存在的一些解决方法
• 1.3 论文的主要工作
• 1.4 论文结构
• 2 视频镜头的分割
• 2.1 镜头分割的一些基本知识
• 2.2 基于亮度直方图及边缘检测的镜头分割
• 2.2.1 选择颜色模型
• 2.2.2 建立亮度直方图
• 2.2.3 图像相似度匹配算法
• 2.2.4 自适应阂值的选取
• 2.2.5 视频帧的边缘检测
• 2.3 实验结果分析
• 2.4 本章小结
• 3 关键帧的提取
• 3.1 关键帧提取的目的
• 3.2 关键帧提取的方法
• 3.3 实验结果分析
• 3.4 本章小结
• 4 视频目标的跟踪
• 4.1 视频跟踪的基础
• 4.2 基于Mean-Shift的目标跟踪
• 4.2.1 Mean-Shift跟踪框架
• 4.2.2 Camshift算法
• 4.3 基于粒子滤波框架的目标跟踪
• 4.3.1 贝叶斯滤波原理
• 4.3.2 粒子滤波（Particle Filter）的原理
• 4.4 改进的Mean-Shift算法
• 4.4.1 基于像素位置的亮度直方图
• 4.4.2 颜色模型及相似性度量
• 4.4.3 改进后的算法
• 4.5 实验结果分析
• 4.6 本章小结
• 5 总结与展望
• 5.1 论文总结
• 5.2 工作展望
• 致谢
• 参考文献