运动目标检测与跟踪算法研究

论文摘要

计算机视觉作为一门新兴学科,它的研究目的是使用计算机代替人眼和大脑,根据观测到的图像对实际场景做出判断。图像序列中的运动目标检测与跟踪是计算机视觉领域研究的重要课题之一,它是计算机科学、人工智能、光学、数学等多学科的结晶,在导弹制导、工业产品探测、智能交通、人机交互领域具有非常重要的实用价值和广阔的发展前景。本文围绕图像序列的目标检测与跟踪技术,重点研究了可见光下的运动目标跟踪以及红外小目标检测等关键技术和方法。具体来说,论文的主要工作和贡献集中体现在以下几个方面：1.对于可见光下的运动目标跟踪,本文提出了一种基于贝叶斯分类的实时运动目标跟踪算法。算法以贝叶斯分类为核心,同时引入卡尔曼滤波算法预测目标位置,提高运算速度和定位精度。为了适应跟踪目标的尺度变化,文中采用双阈值机制对跟踪目标区域的统计特性进行判决,以此实现跟踪窗口的自适应调整。此外,本文还引入一种动态的模型参数更新策略来适应实际场景中目标和背景的变化。多个图像序列的实验结果表明了算法的鲁棒性和实时性。2.为了解决基于学习的目标跟踪算法中小样本及目标的高维表示问题,本文研究了将GLRAM（矩阵的广义低秩逼近）与PPCA（概率主成分分析）相结合用于运动目标跟踪的方法。该方法首先利用GLRAM算法对训练样本进行降维,获得目标图像的有效特征,然后根据降维后的训练样本建立PPCA模型。在后继帧中,直接利用概率模型进行判断,得到最优目标位置。考虑到实际目标在运动过程中的动态变化,算法中将新获得的目标加入到训练样本中,更新模型参数,提高了算法的鲁棒性。3.本文还对红外弱小目标检测的问题进行了研究,设计了一种基于时-空域联合的检测方法,来降低噪声对弱小目标检测的影响。通过对图像帧的差分和边缘检测运算,能够从不同角度得到目标的局部信息,将这些局部信息相结合,可以确定部分目标样本点,进而在边缘图像上寻找它们的连通域,即可获得完整的目标信息。同时为了提高目标检测的准确率,算法中还采用基于反馈机制的验证方法将目标检测和跟踪相结合,利用边缘和灰度信息来检验目标跟踪结果的准确性,有效降低了误检和漏检等情况的出现概率。

论文目录

• 致谢
• 中文摘要
• ABSTRACT
• 序
• 1 绪论
• 1.1 应用背景及研究意义
• 1.2 研究现状
• 1.3 相关技术与存在问题
• 1.3.1 运动目标检测技术
• 1.3.2 运动目标跟踪技术
• 1.3.3 技术难点
• 1.4 本文的研究内容及组织安排
• 2 基于贝叶斯分类的运动目标跟踪算法研究
• 2.1 经典的目标跟踪算法
• 2.1.1 基于Mean-Shift的跟踪方法
• 2.1.2 基于粒子滤波的运动目标跟踪
• 2.1.3 基于分类思想的目标跟踪算法
• 2.2 基于贝叶斯分类的实时运动目标跟踪算法
• 2.2.1 贝叶斯分类
• 2.2.2 目标位置预测
• 2.2.3 跟踪窗尺度的自适应分析
• 2.2.4 模型参数的更新
• 2.3 实验结果和分析
• 2.4 本章小结
• 3 GLRAM与PPCA相结合的运动目标跟踪算法研究
• 3.1 GLRAM方法
• 3.2 PPCA算法
• 3.2.1 PPCA的提出
• 3.2.2 PPCA的数学模型
• 3.2.3 PPCA模型参数的估计
• 3.3 GLRAM与PPCA相结合的目标跟踪算法
• 3.4 实验结果与分析
• 3.5 本章小结
• 4 红外弱小目标检测与跟踪算法研究
• 4.1 红外图像特征与分析
• 4.1.1 红外图像特点
• 4.1.2 红外弱小目标检测难点
• 4.2 常用的检测算法
• 4.2.1 单帧图像的红外小目标检测
• 4.2.2 序列图像的红外小目标检测
• 4.3 基于时-空域联合的红外弱小目标检测算法
• 4.3.1 图像差分
• 4.3.2 边缘检测
• 4.3.3 时-空域联合法
• 4.3.4 投影法
• 4.4 基于验证机制的检测跟踪算法相结合
• 4.5 实验结果与分析
• 4.6 本章小结
• 5 结论
• 5.1 总结
• 5.2 工作展望
• 参考文献
• 作者简历
• 学位论文数据集