基于图像序列的运动目标识别与跟踪方法研究

论文摘要

基于图像序列的运动目标识别与跟踪技术是计算机视觉领域的主要研究方向之一,它是移动机器人视觉导航,智能监控,精确武器制导,人机交互系统等应用的基础和关键技术。本文对图像序列中运动目标识别与跟踪技术进行研究,主要研究运动目标检测方法,多目标聚类识别方法和目标跟踪方法,实现了基于图像序列的多目标识别与跟踪系统。本文在分析帧间差分法和Horn-Schunck光流检测法的基础上,针对动态背景和彩色图像序列的特点,提出了HSI彩色模型的光流检测方法。通过在HSI颜色空间中构建光流约束方程,利用矩阵反转法计算光流矢量,取代了传统光流法中的灰度空间和迭代法计算光流,避免了颜色转换中的信息损失,提高了光流计算的精度和速度,实现了动态背景下的运动目标检测。针对彩色图像序列中的目标特点,提出了基于HSI颜色直方图的多目标蚁群聚类识别方法。通过提取目标的HSI颜色直方图特征,构建蚁群结构和信息素矩阵,利用蚁群算法中的蚁群更新、信息素矩阵更新和局部搜索等方法搜索最优解,实现了基于图像序列的多目标聚类识别。针对跟踪过程中运动目标出现形变的特点,提出了自适应椭圆变形模板的粒子滤波跟踪算法,提取目标的颜色-梯度直方图混合特征,构建基于仿射变换的自适应椭圆变形目标模板,采用基于贝叶斯重要性采样原理的粒子滤波估计方法实现了基于图像序列的运动目标跟踪。本方法相比较采用单一特征和固定模板的方法,解决了目标与背景颜色相近和目标发生形变而造成的跟踪失败或精度下降问题,提高了跟踪的准确性和鲁棒性。本文在对目标识别和跟踪方法进行研究的基础上,实现了基于图像序列的多目标识别和跟踪软件系统,该系统基于VC.net平台开发,采用DirectShow,多线程以及GDI技术,实现了图像捕获和处理模块、多目标检测模块、多目标聚类模块以及多目标跟踪模块。实验证明,本系统能够有效地对复杂图像背景环境中的多运动目标进行检测、聚类和跟踪,提高了目标检测和跟踪的效率和鲁棒性,具有广阔的应用前景。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究的目的与意义
• 1.2 国内外相关的研究概况
• 1.2.1 运动目标识别和跟踪技术研究现状
• 1.2.2 运动目标识别和跟踪技术存在的问题
• 1.3 本文主要的研究工作
• 1.4 本文的组织结构
• 第二章 基于图像序列的多目标识别和跟踪系统设计
• 2.1 系统工作流程
• 2.2 模块功能简介
• 2.2.1 图像捕获和预处理模块
• 2.2.2 多目标检测模块
• 2.2.3 多目标聚类模块
• 2.2.4 多目标跟踪模块
• 2.3 结论
• 第三章 运动目标检测
• 3.1 帧间差分法
• 3.1.1 基本帧差法
• 3.1.2 改进帧差法
• 3.2 Horn-Schunck 光流法
• 3.2.1 亮度恒常性假设
• 3.2.2 全局平滑性假设
• 3.2.3 Horn-Schunck 光流计算方法
• 3.3 HSI 彩色模型光流法
• 3.3.1 Horn-Schunck 光流法的不足
• 3.3.2 HSI 颜色空间
• 3.3.3 基于HSI 彩色模型的光流法
• 3.4 实验结果
• 3.4.1 帧差法识别运动目标
• 3.4.2 光流法识别运动目标
• 3.5 结论
• 第四章 蚁群算法的多目标聚类
• 4.1 蚁群算法
• 4.1.1 蚁群算法的基本思想
• 4.1.2 蚁群算法的基本模型
• 4.1.3 蚁群算法的特点
• 4.2 蚁群算法的多目标聚类流程
• 4.3 基于HSI 颜色直方图的目标特征提取
• 4.4 多目标蚁群聚类
• 4.4.1 多目标构造蚂蚁
• 4.4.2 构造信息素矩阵
• 4.4.3 构造目标函数
• 4.4.4 更新蚁群
• 4.4.5 局部搜索
• 4.4.6 信息素矩阵更新
• 4.4.7 输出多目标聚类结果
• 4.5 结论
• 第五章 自适应变形模板粒子滤波目标跟踪
• 5.1 卡尔曼滤波理论
• 5.2 贝叶斯滤波理论
• 5.3 粒子滤波理论
• 5.4 自适应变形模板粒子滤波目标跟踪
• 5.4.1 颜色-梯度直方图混合特征提取
• 5.4.2 自适应椭圆变形模板
• 5.4.3 粒子滤波目标跟踪算法
• 5.5 实验结果
• 5.6 结论
• 第六章 总结与展望
• 6.1 本文总结
• 6.2 研究展望
• 参考文献
• 发表论文和科研情况说明
• 致谢