基于视频的静态背景下运动目标检测与跟踪研究

论文摘要

本文以基于静态背景下,对运动的物体进行识别、检测和跟踪,并鉴于软件编程的可实现性,在对图像进行预处理前提下,采用自适应高斯背景模型为静止背景下的图像序列提供背景图像,同时为了能更好的响应实际背景发生变化的情形,特别是对自适应背景,本文提出了算法上的改进和简化。在图像预处理方面,主要分析了图像预处理处理方法,包括:中值滤波、维纳滤波、灰度处理、直方图均衡化技术,并对其进行了仿真。在背景建立方面,通过对高斯背景模型的分析,对高斯模型加以改进,主要针对其方差和均值进行修改,变换样本均值和方差的计算方式,对其动态抽取样本,缩短取样时间和难度,尽快完成背景的初始化。在目标检测方面,给出了运动目标检测与分割的仿真结果。在介绍了三种传统的运动目标检测算法的基本原理的基础上,运用帧间差分的方法,对目标进行提取,并对提取后的图像作出形态学处理,从而得到理想的目标提取图像。在运动目标跟踪研究方面,本文从理论上分析卡尔曼滤波器的工作过程,基于人体运动特点和卡尔曼滤波的预测特性,提出一种基于人体中心的改进算法,提高预测的准确性,从而缩小搜索范围,减少搜索时间。

论文目录

• 摘要
• Abstract
• 1 引言
• 1.1 选题的背景及其意义
• 1.2 运动目标检测和跟踪存在的困难
• 1.2.1 光线亮度的变化
• 1.2.2 背景景物的变动
• 1.2.3 阴影和物体间的重叠遮盖
• 1.2.4 前景目标与背景中物体相近
• 1.2.5 非静态背景
• 1.2.6 运动目标的高速运动
• 1.3 国外研究现状
• 1.4 国内研究现状
• 1.5 本文研究内容
• 2 图像的预处理
• 2.1 图像的增强
• 2.1.1 邻域均值滤波
• 2.1.2 中值滤波
• 2.1.3 维纳滤波
• 2.1.4 滤波试验对比
• 2.2 灰度变换
• 2.3 直方图均衡化
• 2.4 背景模型的建立
• 2.4.1 背景模型的概念
• 2.4.2 传统背景模型的建立
• 2.4.3 本文背景的建立
• 2.5 色彩空间的选取
• 2.6 小结
• 3 运动目标检测
• 3.1 图像运动目标检测的基本方法
• 3.2 帧间差分法
• 3.2.1 连续帧间差分法的基本原理
• 3.2.2 连续帧间差分的实现
• 3.2.3 差分
• 3.3 边缘检测
• 3.3.1 Robert 算子
• 3.3.2 Sobel 算子
• 3.3.3 Prewitt 算子
• 3.3.4 Laplacian 算子
• 3.4 二值化
• 3.5 数学形态学滤波处理
• 3.5.1 膨胀
• 3.5.2 腐蚀
• 3.5.3 开运算
• 3.5.4 闭运算
• 3.6 连通区域检测
• 3.7 光流法
• 3.7.1 光流场方法分析及应用
• 3.8 背景差分法
• 3.9 背景模型的更新
• 3.9.1 背景图像更新方法
• 3.10 运动目标的快速识别
• 3.11 试验结果与分析
• 3.12 本章小结
• 4 基于卡尔曼滤波的运动目标跟踪
• 4.1 基于3-D 模型的跟踪方法
• 4.2 基于特征匹配跟踪方法
• 4.3 基于区域匹配的跟踪方法
• 4.4 卡尔曼滤波器
• 4.4.1 卡尔曼滤波基本原理
• 4.4.2 基于卡尔曼滤波器的运动目标估计
• 4.4.3 卡尔曼滤波器仿真
• 4.4.3 应用卡尔曼滤波器
• 4.5 卡尔曼滤波在人体运动跟踪中的应用
• 4.5.1 本文卡尔曼滤波改进算法
• 4.5.2 试验结果
• 5 结论
• 6 展望
• 参考文献
• 致谢