运动目标检测与跟踪关键技术研究

论文摘要

针对运动目标检测与跟踪关键技术问题展开了研究，在认真总结前人研究成果的基础上，深入分析与探讨了目前运动目标检测与跟踪算法研究领域所面临的主要问题。论文主要针对两个关键技术展开研究，一是运动图像分割，二是基于粒子滤波的运动目标跟踪。为了能从含有运动目标的图像序列中获取初始背景图像以及对其进行更新，国内外大量的文献就此进行了深入的研究。常见的有均值法、中值法、统计直方图、稀疏贝叶斯分类器方法等来获取初始背景；卡尔曼滤波方法、混合高斯模型等来对背景进行更新。针对传统混合高斯模型本身计算量大和阴需要影消除的缺陷，和图像纹理及HSV向量空间特点，本文提出了一种基于HSV彩色空间的分块混合高斯模型建模方法，该方法减少了传统模型的运算量，而且可以很好的抑制运动目标阴影，增加了算法的鲁棒性。近年来，粒子滤波引起了机器人学、目标追踪等诸多应用领域学者的关注。在对建议分布的选择机制及自适应选择机制研究基础上，论文提出了两种基于建议分布改进的粒子滤波运动目标跟踪算法。一种是基于混合建议分布改进和自适应重采样结合的粒子滤波运动目标跟踪算法；另一种是基于样本多样性测度的建议分布自适应改进粒子滤波运动目标跟踪算法，通过试验，均能实现有效的目标跟踪。所提算法是在Windows XP系统、MATLAB平台上进行实验仿真的，通过实验验证了算法的可行性。

论文目录

• 致谢
• 摘要
• Abstract
• 目录
• 1 引言
• 1.1 课题研究背景
• 1.2 国内外研究现状分析
• 1.3 本文主要研究内容
• 1.4 本文的创新点
• 2 运动目标检测与跟踪算法简介
• 2.1 运动目标检测算法
• 2.1.1 分割算法研究
• 2.1.2 算法的性能评价
• 2.2 运动目标跟踪算法研究
• 2.2.1 卡尔曼滤波
• 2.2.2 粒子滤波
• 3 基于分块混合高斯背景建模的运动目标分割算法
• 3.1 典型的背景消减算法
• 3.1.1 均值法
• 3.1.2 中值法
• 3.1.3 单高斯模型
• 3.2 混合高斯背景模型
• 3.2.1 背景模型建立
• 3.2.2 背景更新
• 3.2.3 分块高斯建模
• 3.2.4 运动阴影去除
• 3.2.5 实验分析
• 3.3 本章小结
• 4 基于建议分布改进的粒子滤波运动目标跟踪算法研究
• 4.1 建议分布的选择机制
• 4.1.1 直接选择机制
• 4.1.2 结合其它滤波方法的选择机制
• 4.1.3 运动目标跟踪实验分析
• 4.2 基于混合建议分布改进的粒子滤波运动目标跟踪算法
• 4.2.1 改进的混合建议分布
• 4.2.2 结合其它改进策略
• 4.2.3 基于建议分布改进的粒子滤波算法
• 4.2.4 运动目标跟踪实验分析
• 4.3 基于建议分布自适应改进的粒子滤波运动目标跟踪算法研究
• 4.3.1 建议分布的自适应选择机制分析及评估
• 4.3.2 结合其它自适应改进机制
• 4.3.3 基于建议分布自适应改进的粒子滤波算法
• 4.3.4 运动目标实验分析
• 4.4 本章小结
• 5 总结与展望
• 5.1 工作总结
• 5.2 研究展望
• 参考文献
• 作者简历
• 学位论文数据集