基于SURF的主动视觉跟踪技术的研究

论文摘要

视觉是人们获取外界信息的重要途径,让机器具有人类的视觉功能是智能机器的研究目标。在此基础上,人们发展了将机器视觉和生物视觉相结合的计算机视觉学科。人的视觉是主动的,主动视觉模拟人类视觉的主动性,能够根据视觉的当前要求,控制摄像机运动从合适的视角获取关注的图像。本文所研究的主动视觉跟踪技术是计算机视觉中的一个重要研究课题,它可以广泛地应用于机器人视觉、虚拟现实、智能监控和人机交互等领域。由于在主动视觉系统中采用了PTZ摄像机,因此能够适应环境的动态变化,与被动视觉相比,具有更大的视野范围和灵活性。本文针对主动视觉跟踪技术进行了深入的研究,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主动视觉研究领域所面临的主要问题,并借此提出了本文针对这些问题的改进方法。在运动目标检测方面,本文的研究基于静止场景,即在摄像机静止的情况下进行检测,避免了动态场景下运动目标检测所引入的运动补偿问题。分析对比了帧间差算法、背景差分算法、光流法和混合高斯背景模型法的优缺点。其中混合高斯背景模型法能够检测出较为完整的运动目标,且对外界场景变化适应能力强,其检测时间复杂度能达到主动视觉跟踪系统对实时性的要求。因此本文在运动目标检测环节采用了混合高斯背景模型法进行目标检测,并通过形态学滤波填补检测出的运动区域中小的空洞和去除背景中的噪声。在运动目标跟踪方面,本文分析了模板匹配算法、Mean Shift目标跟踪算法和SURF特征匹配算法。其中,SURF特征匹配方法受场景光照变化,目标缩放、旋转等情况的影响最小,但是其速度比较慢,难以达到目标跟踪的实时性要求。因此本文对SURF特征匹配方法作了改进,分别对尺度空问中的金字塔模型、特征点的提取作了改进,并通过主成分分析(PCA)对特征点的描述向量作降维处理。在跟踪过程中,运用了卡尔曼滤波与改进SURF相结合,根据预测的运动目标状态信息来缩小匹配范围。实验证明改进的算法与卡尔曼滤波相结合的目标跟踪方法具有良好的实时性与鲁棒性,达到了预期效果。最后,本文研究了在移动智能终端上对运动目标的主动视觉跟踪,扩展了主动视觉跟踪系统的使用范围,是在应用上的一种尝试。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 课题的研究背景和意义
• 1.2 国内外研究现状
• 1.3 论文的研究内容
• 1.4 论文的组织结构
• 第二章 图像采集与云台控制
• 2.1 引言
• 2.2 视频图像采集
• 2.3 云台控制协议
• 2.4 云台控制实现
• 2.4.1 串口控制层
• 2.4.2 云台控制层
• 2.4.3 接口层
• 2.4.4 界面层
• 2.5 实验结果和分析
• 2.6 本章小结
• 第三章 运动目标检测
• 3.1 引言
• 3.2 运动检测算法介绍
• 3.2.1 帧间差分法
• 3.2.2 背景差分法
• 3.2.3 光流法
• 3.3 自适应多维混合高斯背景模型
• 3.3.1 混合高斯背景模型的建立
• 3.3.2 混合高斯模型参数的更新
• 3.3.3 生成混合高斯模型与运动检测
• 3.4 形态学处理
• 3.4.1 腐蚀运算
• 3.4.2 膨胀运算
• 3.4.3 开运算
• 3.4.4 闭运算
• 3.5 实验结果和分析
• 3.6 本章小结
• 第四章 运动目标跟踪算法
• 4.1 引言
• 4.2 卡尔曼滤波器
• 4.2.1 卡尔曼滤波算法原理
• 4.3 模板匹配算法
• 4.4 Mean Shift目标跟踪算法
• 4.4.1 目标模型
• 4.4.2 相似度计算
• 4.4.3 目标定位
• 4.5 SURF特征匹配算法
• 4.5.1 SURF特征点的检测
• 4.5.2 SURF特征点描述子的生成
• 4.5.3 SURF特征点的匹配
• 4.6 改进的SURF特征匹配算法
• 4.7 运动目标主动跟踪
• 4.7.1 基于卡尔曼滤波的目标运动状态预测跟踪
• 4.7.2 基于改进的SURF算法及卡尔曼滤波器的主动视觉跟踪方法
• 4.8 实验结果和分析
• 4.9 本章小结
• 第五章 移动智能终端远程跟踪
• 5.1 引言
• 5.2 目标跟踪流程
• 5.3 主动视觉服务器
• 5.4 移动智能终端
• 5.5 实验结果和分析
• 5.6 本章小结
• 第六章 总结与展望
• 6.1 总结
• 6.2 展望
• 致谢
• 参考文献
• 附录A 攻读硕士学位期间发表的论文以及软件著作权