基于活动轮廓模型的目标分割与跟踪的研究

论文摘要

论文的研究工作是哈尔滨工程大学“211”工程学科建设项目“智能机器人子项目中机器人遥现遥控环境建设”项目中的一个重要研究部分。 序列图象中运动目标的运动分析是计算机视觉技术的一个重要组成部分，运动分析包括目标的捕获(跟踪初始位置的确定)、目标的识别(或分割)、目标的跟踪、目标的理解等内容。其中，目标的捕获、分割、跟踪是进行运动分析的前提条件，一个良好的分割、跟踪效果是正确进行目标理解的保障。本文研究的内容是在图象序列中，基于活动轮廓模型的运动目标自动分割与跟踪技术，目的使计算机视觉系统可以自动的分割目标并进行连续的跟踪，同时在跟踪过程中自动提取目标轮廓信息。文中首先介绍活动轮廓模型的基础及其改进方法，然后围绕目标初始定位过程和目标跟踪过程两个部分进行研究。 在目标初始定位过程中，算法是基于多边形活动轮廓模型进行目标的图象分割，同时使用图象差分技术，细胞神经网络(CNN)和SUSAN角点检测算法解决活动轮廓模型初始化曲线设置问题和参数设置问题。在这部分，首先使用帧间差分梯度法进行运动目标的区域定位，在确定感兴趣(ROI)区域后，使用SUSAN角点检测算法得到目标角点，利用角点间连线所组成的轮廓作为改进的多边形活动轮廓模型的初始轮廓；由于在运动目标的初始跟踪阶段，已同步使用基于CNN的三帧差分法进行目标的图象分割，可以获得目标初始时刻的轮廓特征，文中利用CNN获得的目标轮廓作为参考轮廓，通过基于粒子群寻优技术的活动轮廓能量方程系数调整算法优化模型参数，使活动轮廓模型获得合适参数，保障轮廓曲线正确收敛在目标边缘，避免目标轮廓曲线的过收敛或收敛漂移。文中采用的活动轮廓模型是一种改进的多边形活动轮廓模型，由于经过前期的处理，模型已具备合理的初始轮廓和模型参数，因此可以充分发挥其收敛准确、抗噪声能力较强的特点，获得较好的目标轮廓形状曲线。在目标初始定位阶段使用该方法可以克服大多算法需人为干预的缺点，实现运动目标自动分割，而且使目标的定位和分割更加准确可靠。由

论文目录

• 第1章 绪论
• 1.1 目的和意义
• 1.2 研究动态
• 1.2.1 运动检测技术
• 1.2.2 目标的图象分割技术
• 1.2.3 目标的跟踪技术
• 1.2.4 基于活动轮廓模型的图象处理技术
• 1.3 论文研究内容和章节安排
• 第2章 活动轮廓模型理论
• 2.1 引言
• 2.2 活动轮廓模型基本理论
• 2.2.1 活动轮廓模型基本表达式
• 2.2.2 能量最小化基本求解算法
• 2.2.3 活动轮廓模型的特点
• 2.3 改进的活动轮廓模型
• 2.3.1 气球模型
• 2.3.2 GVF模型
• 2.4 改进的能量最小化算法
• 2.4.1 动态规划DP算法
• 2.4.2 Greedy算法
• 2.5 本章小结
• 第3章 基于图象差分技术的目标检测与分割
• 3.1 引言
• 3.2 基于对称差分梯度法的视频分割算法
• 3.2.1 帧间差分法
• 3.2.2 背景差分法
• 3.2.3 对称图象差分梯度法
• 3.2.4 实验分析
• 3.3 基于细胞神经网络的运动目标图象分割
• 3.3.1 细胞神经网络的理论基础
• 3.3.2 CNN差分图象合并法
• 3.3.3 实验分析及讨论
• 3.4 本章小结
• 第4章 基于多边形活动轮廓模型的图象分割
• 4.1 引言
• 4.2 多边形活动轮廓
• 4.2.1 最优路径活动轮廓模型及算法
• 4.2.2 多边形活动轮廓模型及算法
• 4.2.3 多边形活动轮廓算法
• 4.3 SUSAN算子
• 4.4 基于PSO的多边形活动轮廓
• 4.4.1 粒子群优化算法
• 4.4.2 基于PSO的多边形活动轮廓模型的系数的确定
• 4.5 本章小结
• 第5章 基于改进的Camshift及活动轮廓模型的目标跟踪
• 5.1 引言
• 5.2 Camshift算法
• 5.2.1 Meanshift算法
• 5.2.2 Camshift算法
• 5.2.3 改进的Camshift算法
• 5.3 基于改进的Camshift和活动轮廓模型的跟踪算法
• 5.3.1 利用改进的Camshift算法对视频流进行实时的跟踪
• 5.3.2 贪婪算法与Camshift结合进行精确跟踪分割
• 5.6 本章小结
• 结论
• 参考文献
• 攻读博士学位期间发表的论文和取得的科研成果
• 致谢