运动目标检测和跟踪算法研究

论文摘要

运动目标检测和跟踪是机器视觉研究的主要内容,在自动控制系统、机器人导航、智能监视系统、医学图像分析、视频编码处理等领域有广泛的应用。递推估计目标状态的滤波算法是整个跟踪系统的重要基石。著名的卡尔曼滤波算法从四十多年前被提出以来一直是用来解决线性高斯环境的最佳递推贝叶斯估计器。本文重点研究以贝叶斯递推估计框架为基础的粒子滤波算法在目标跟踪中的应用。本文首先研究了运动目标检测算法,改进背景建模帧间差分方法。将图像区域动态分为前景区和背景区,动态更新背景模板。在帧间差分产生叠加时,提取叠加区域,并将叠加区域有效更新到背景区域中,使得背景模型更加准确。其次本文将粒子滤波方法应用到目标跟踪问题中,利用动态修改搜索半径的方法提高跟踪精度。在多目标跟踪过程中,对目标区块进行标识。在目标存在遮挡和重叠时,本文采用了先计算目标间距离,再进行子块最优位移与目标位移进行比较的方法,来减少运算量。本文最后对于多个目标跟踪,利用K聚类的方法对图像帧提取起始模型,然后再读取若干帧利用运动目标检测的方法确定目标。

论文目录

• 摘要
• Abstract
• 创新点摘要
• 第一章 绪论
• 1.1 本课题研究背景及意义
• 1.2 目标跟踪研究现状
• 1.3 粒子滤波的研究现状
• 1.4 本文所做的工作
• 1.5 论文安排
• 第二章 相关理论分析
• 2.1 估计理论
• 2.2 滤波算法
• 2.3 贝叶斯公式
• 2.4 贝叶斯滤波
• 2.5 卡尔曼滤波器
• 2.6 粒子滤波
• 2.6.1 蒙特卡罗方法
• 2.6.2 贝叶斯重要性采样
• 2.6.3 采样尺度
• 2.6.4 重要性采样函数
• 2.6.5 重采样
• 2.6.6 粒子状态转移
• 2.7 本章小结
• 第三章 运动目标检测
• 3.1 背景模型
• 3.2 变化区域
• 3.3 更新背景模型
• 3.4 阴影检测
• 3.4.1 HSI 彩色模型
• 3.4.2 基于HSI 彩色模型的运动目标阴影检测
• 3.5 实验结果
• 3.6 本章小结
• 第四章 基于粒子滤波的单目标跟踪
• 4.1 目标跟踪
• 4.1.1 颜色空间
• 4.1.2 颜色直方图
• 4.1.3 目标先验知识
• 4.1.4 权值的设定
• 4.1.5 粒子状态转移
• k 动态调整'>4.1.6 粒子传播半径B_k动态调整
• 4.1.7 系统观测
• 4.1.8 目标状态估计计算
• 4.2 基于粒子滤波的相关跟踪算法流程
• 4.3 实验结果与分析
• 4.4 本章小结
• 第五章 基于粒子滤波的多目标跟踪
• 5.1 K 均值聚类算法
• 5.2 初始帧聚类分析算法流程
• 5.3 粒子的初始化
• 5.4 提取观察模型
• 5.5 背景及其高斯混合模型
• 5.6 状态转移
• 5.7 遮挡判定以及处理
• 5.8 多目标跟踪算法
• 5.9 实验结果及分析
• 5.10 本章小结
• 结论
• 参考文献
• 发表文章
• 致谢
• 详细摘要