基于背景差分与Mean Shift的运动目标检测与跟踪

论文摘要

运动目标的检测与跟踪是计算机视觉的核心问题,它融合了图像处理、模式识别以及人工智能等多领域的技术,在视频编码、智能监控、视频分析以及军事等领域有广泛的应用,是目前研究的热点问题之一。实践表明目标的检测与跟踪技术还远未成熟,要开发出真正鲁棒、实用的检测与跟踪系统还需要更为鲁棒的算法,为此,本文着重从以下三个方面进行研究和探讨。首先,针对传统混合高斯分布模型计算量大的问题,提出像素点分类建模算法。对处于单模态的像素点使用单高斯分布模型建模,对处于多模态的像素点使用混合高斯分布模型建模,基于不同问题分类处理,提高了系统的实时性。其次,针对Mean Shift算法提取目标特征易受背景像素影响的问题,提出背景相似度算法来降低背景像素的权值,优化目标特征的提取。同时,引入边缘检测算法提取目标的尺度,解决Mean Shift算法无法适应目标尺度变化的问题,并给出了目标模板更新策略。然后,针对Mean Shift算法不能适应目标运动速度过快或受到大面积遮挡的问题,引入Kalman算法对目标位置进行预测,提高了Mean Shift算法跟踪的鲁棒性。并且采用模板匹配算法,在目标丢失时重新锁定被跟踪目标。最后,建立实验平台,基于提出的算法取样大量视频进行仿真实验,据实验效果表明检测与跟踪的鲁棒性都得到改善,验证了算法的有效性。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 研究背景与意义
• 1.2 国内外研究现状
• 1.2.1 目标检测技术研究现状
• 1.2.2 目标跟踪技术研究现状
• 1.3 课题所作的主要工作
• 1.4 文章结构
• 第2章 基于背景差分的运动目标检测
• 2.1 常用的运动目标检测方法分析
• 2.1.1 光流法分析
• 2.1.2 帧间差分法分析
• 2.1.3 背景差分法分析
• 2.2 基于像素分类的运动目标检测方法
• 2.2.1 单高斯分布背景模型
• 2.2.2 混合高斯分布背景模型
• 2.2.3 基于像素分类的背景建模改进
• 2.3 数学形态学滤波
• 2.4 本章小结
• 第3章 基于MEAN SHIFT 算法的目标跟踪
• 3.1 基于MEAN SHIFT 的目标跟踪
• 3.1.1 无参密度估计理论
• 3.1.2 Mean Shift 目标跟踪原理分析
• 3.1.3 基于颜色直方图的Mean Shift 跟踪
• 3.2 基于优化特征生成模型的MEAN SHIFT 跟踪
• 3.2.1 基于背景相似度加权的优化特征生成模型
• 3.2.2 算法的流程和实现
• 3.3 核函数带宽自适应调整
• 3.4 模板更新策略
• 3.5 本章小结
• 第4章 基于KALMAN 滤波的目标预测跟踪
• 4.1 目标位置预测算法分析
• 4.1.1 线性预测算法
• 4.1.2 平方预测算法
• 4.2 基于KALMAN 预测的MEAN SHIFT 跟踪算法
• 4.2.1 Kalman 滤波原理分析
• 4.2.2 Kalman 预测应用于跟踪
• 4.2.3 Kalman 预测对Mean Shift 算法鲁棒性的改进
• 4.3 模板匹配算法对跟踪鲁棒性的改进
• 4.3.1 模板匹配算法原理分析
• 4.3.2 模板匹配算法对Mean Shift 鲁棒性的改进
• 4.4 本章小结
• 第5章 检测跟踪算法设计及实验仿真
• 5.1 实验环境平台
• 5.2 检测跟踪算法框架设计
• 5.3 综合仿真实验效果对比
• 5.3.1 运动目标尺度变化情况下的跟踪
• 5.3.2 运动目标受到遮挡情况下的跟踪
• 5.3.3 运动目标受遮挡后运动方向改变情况下的跟踪
• 5.4 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间承担的科研任务与主要成果
• 致谢
• 作者简介