基于多特征的人体移动目标跟踪算法研究

论文摘要

随着计算机视觉、模式识别等相关技术的发展，运动人体的检测与跟踪受到了很多的关注，被广泛应用到一些领域中。实际场景下的人体跟踪一般会比较复杂，可能存在背景变化、遮挡、噪声及其他干扰因素，难以同时满足准确性、鲁棒性和实时性的要求。本文针对单个摄像机且摄像机静止的研究条件，设计并实现了一种基于多特征的人体移动目标跟踪算法。与基于单一的颜色特征的跟踪算法相比，本文提出的算法采用了颜色特征和边缘特征建立模型，较精确地对目标进行描述，克服了颜色特征对环境中光线条件敏感的问题。算法结合粒子滤波方法，适应人体的非线性运动，预测目标状态，在发生目标遮挡、人体重叠等情况下，提高跟踪的鲁棒性。在跟踪过程中，对目标模型自适应更新，提高对光线变化及目标形变的适应能力，实现准确的跟踪。为了解决手动选择目标的问题，算法引入帧间差分，实现了自动跟踪方式，使算法具有很好的扩展性。在人体跟踪算法的基础上，文中还实现了一种人脸自动跟踪算法，提供了一种近距离下的有效目标跟踪方法。实验结果及分析表明本文设计的算法在保证跟踪准确性的同时，具有良好的实时性，在一些复杂环境下表现出较好的性能。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 论文研究背景
• 1.1.1 国内外研究现状
• 1.1.2 运动人体检测与跟踪的难点
• 1.2 论文研究目的及贡献
• 1.2.1 论文研究目的
• 1.2.2 论文的主要贡献
• 1.3 论文组织安排
• 第二章 人体运动检测与跟踪方法介绍
• 2.1 人体运动检测方法
• 2.1.1 背景减法
• 2.1.2 帧间差分法
• 2.1.3 光流法
• 2.2 人体跟踪方法
• 2.2.1 基于特征的跟踪
• 2.2.2 基于区域的跟踪
• 2.2.3 基于主动轮廓的跟踪
• 2.2.4 基于模型的跟踪
• 2.3 搜索算法
• 2.3.1 卡尔曼滤波
• 2.3.2 粒子滤波
• 2.3.3 Mean shift 算法
• 2.3.4 Camshift 算法
• 2.4 本章小结
• 第三章 基于颜色特征的粒子滤波跟踪算法
• 3.1 粒子滤波理论
• 3.1.1 贝叶斯估计
• 3.1.2 粒子滤波思想
• 3.1.3 序贯重要性采样
• 3.1.4 退化
• 3.1.5 重采样
• 3.2 基本粒子滤波算法
• 3.3 基于颜色的粒子滤波跟踪算法
• 3.3.1 颜色直方图
• 3.3.2 跟踪算法描述
• 3.4 实验结果与分析
• 3.4.1 实验结果
• 3.4.2 结果分析
• 3.5 本章小结
• 第四章 基于多特征的人体移动目标跟踪算法
• 4.1 算法设计思想
• 4.1.1 初始跟踪窗口选择
• 4.1.2 边缘方向直方图
• 4.1.3 特征融合
• 4.1.4 目标模型更新
• 4.2 算法设计流程
• 4.2.1 算法描述
• 4.2.2 算法流程图
• 4.3 一种自动人脸跟踪算法
• 4.3.1 Adaboost 人脸检测
• 4.3.2 自动人脸跟踪算法
• 4.4 本章小结
• 第五章 实验结果与分析
• 5.1 实验平台介绍
• 5.2 室外环境跟踪
• 5.2.1 实验结果
• 5.2.2 结果分析
• 5.3 室内环境跟踪
• 5.3.1 实验结果
• 5.3.2 结果分析
• 5.4 人脸跟踪
• 5.4.1 实验结果
• 5.4.2 结果分析
• 5.5 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间取得的研究成果
• 致谢
• 附件