视频序列中运动目标的检测与跟踪

论文摘要

视频序列中的运动目标检测与跟踪涉及到计算机图像处理、视觉图像处理、模式识别以及人工智能等诸多领域,广泛地应用于军事、工业、交通、生活等各个方面。本文主要针对静态背景下,尤其是对静态的交通背景下的运动目标进行了研究。研究内容分为三个方面：运动目标的检测与提取、运动目标阴影的抑制与去除和运动目标的跟踪。本文的创新点和主要工作如下：1、在静止背景下的运动目标检测方面,本文介绍了帧间差分法和背景差分法的基本原理,但通过实验证明,这两种算法都有各自的不足之处,为了弥补算法的缺点,本文将两种算法相结合,将对称差分二值图像和背景差分二值图像取逻辑或运算；采用背景灰度变化统计法来提取初始背景,并对背景进行实时地更新,使目标的检测具有一定的自适应性；最后利用目标的最小外接矩形框对运动目标进行标注。2、在目标阴影检测方面,本文首先介绍了目前常用的几种在不同颜色空间下的阴影检测方法,并给出相应的实验结果与分析。为了提高阴影检测的精度和速度,本文通过对阴影的形成机理的研究得知,像素点在未被阴影覆盖和被阴影覆盖时的亮度呈线性关系。因此本文在首先确定阴影的粗略区域后,再在粗略区域内采用基于归一化互相关函数的阴影检测方法。经实验验证,此方法对运动目标的阴影具有较高的检测能力,同时检测的速度较之常用的算法有一定的提高。3、在目标跟踪方面,主要讨论了几种基于模板匹配的目标跟踪方法和基于特征匹配的目标跟踪方法。模板匹配跟踪算法对目标定位准确,但运算量比较大,同时模板图像估计的不精确也会对跟踪结果产生很大的影响。为了提高跟踪的速度,本文提出了一些改进算法,先确定目标的粗略位置,然后在小区域内进行基于绝对平衡搜索的逐点模板匹配,这样大大提高了跟踪的速度。然后采用模板尺寸修正及动态模板更新方法,减少了背景和噪声对跟踪结果的影响,保证了跟踪的精度。在特征匹配跟踪算法中,本文选取了目标的位置(目标形心坐标)、大小(目标最小外接矩形框的长和宽)和角点(目标最上、最下、最左和最右的四个角点)作为匹配特征,采用最小二乘法和光流估计法来预测目标的特征,使匹配的计算量较之模板匹配明显减少,匹配速度大大提高,并利用代价函数对预测的特征值作修正,自适应了目标特征的更新,使匹配的精度大大提高,即使待跟踪的目标发生大小或形状的改变也不会影响跟踪的效果。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究的背景与意义
• 1.2 国内外研究现状
• 1.2.1 运动目标检测与提取
• 1.2.2 运动目标阴影检测与抑制
• 1.2.3 运动目标跟踪
• 1.3 本文的结构安排
• 第二章 预备知识
• 2.1 数字图像处理的基本概念
• 2.2 数学形态学图像处理
• 2.3 静止图像的分割
• 2.4 阈值的选取
• 2.5 小结
• 第三章 视频序列中运动目标检测与提取
• 3.1 引言
• 3.2 运动目标检测
• 3.2.1 帧间差分法
• 3.2.2 背景差分法
• 3.2.3 背景模型获取与更新
• 3.3 本文方法及创新
• 3.3.1 算法原理
• 3.3.2 分割阈值的确定
• 3.3.3 初始背景的提取
• 3.3.4 背景的更新
• 3.4 运动目标提取
• 3.5 小结
• 第四章 目标阴影检测与去除
• 4.1 引言
• 4.2 在不同颜色空间下的阴影检测算法
• 4.2.1 颜色空间
• 4.2.1.1 RGB模型
• 4.2.1.2 HSV模型
• 4.2.1.3 两模型空间的相互转换
• 4.2.2 RGB空间中的阴影检测方法
• 4.2.2.1 基于亮度的阴影检测算法
• 4.2.2.2 蓝色分量信息阴影检测
• 4.2.2.3 差分算子阴影检测法
• 4.2.2.4 实验结果与分析
• 4.2.3 HSV空间中的阴影检测方法
• 4.3 改进的阴影检测算法
• 4.3.1 光照模型
• 4.3.2 阴影粗略区域的确定
• 4.3.3 基于归一化互相关函数的阴影检测方法
• 4.4 小结
• 第五章 运动目标跟踪
• 5.1 引言
• 5.2 基于模板匹配的运动目标跟踪
• 5.2.1 绝对平衡搜索法
• 5.2.2 归一化互相关匹配算法
• 5.2.3 序贯相似性匹配算法
• 5.2.4 金字塔分层搜索算法
• 5.3 初始模板的选择
• 5.4 基于目标特征的跟踪
• 5.4.1 基于最小二乘法的目标跟踪算法
• 5.4.2 基于角点匹配的光流目标跟踪算法
• 5.4.2.1 角点检测
• 5.4.2.2 光流匹配
• 5.4.2.3 目标跟踪算法
• 5.5 小结
• 第六章 总结与展望
• 6.1 研究回顾与总结
• 6.2 工作展望
• 致谢
• 参考文献
• 附录A
• 附录B （攻读学位期间发表论文和科研情况）