复杂场景下的运动目标检测与跟踪算法研究

论文摘要

计算机视觉（Computer Vision）是计算机科学与工程领域中一个极具挑战性的重要研究方向,在军事、医疗、安防及视频监控、人机交互等领域有着越来越广泛的应用,导致计算机视觉技术越来越受到重视。运动目标跟踪技术包括对视频序列中的运动目标进行实时检测、分析、提取、跟踪以及行为描述等过程的综合性技术。融合了图像处理,模式识别,人工智能等众多学科技术,是一门综合性很高的复杂学科课题。本文研究的是基于复杂场景的目标检测与跟踪问题,提出了将检测技术与跟踪相融合的跟踪算法。论文首先对目前的运动目标检测、跟踪算法做了总结、比较和研究。然后提出一套基于三帧差分,OSTU阈值化、基于二值化图像的轮廓的提取技术,为后续目标跟踪打下基础。在论文第四章重点分析了经典的Mean-Shift算法,根据其存在不足,提出基于运动检测、混合高斯模板更新的Mean-Shift算法。此后,考虑基于特征的跟踪算法不能运用被跟踪目标本身的运动特性,引入基于粒子滤波器的运动估计,预测被跟踪目标坐标,并在以该坐标为中心的区域内搜索“前景”图像,在前景图像中采用Mean-Shift迭代得到目标的确切位置。最后深入研究了在跟踪过程中涉及的云台标定与控制,得到水平、垂直移动像素距离与云台转动角之间的关系。论文最后对系统的运行效果进行分析,总结论文的创新点,并指出进一步的工作。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 选题背景及意义
• 1.2 目标跟踪技术的现状
• 1.3 研究内容
• 1.4 论文结构安排
• 第二章 目标跟踪算法概述
• 2.1 目标跟踪问题描述
• 2.2 目标跟踪技术
• 2.2.1 基于模型匹配的跟踪
• 2.2.2 基于区域匹配的跟踪
• 2.2.3 基于特征的目标跟踪算法
• 2.2.4 基于目标运动特性的跟踪
• 2.3 目标跟踪中的技术难题
• 第三章 运动目标检测与提取
• 3.1 运动检测技术概述
• 3.1.1 预处理
• 3.1.2 运动检测
• 3.1.3 二值化
• 3.2 本文采用的运动目标检测方案
• 3.2.1 算法流程图
• 3.2.2 实验结果比较与分析
• 3.3 总结
• 第四章 Mean-Shift算法及应用
• 4.1 参数密度估计与无参密度估计
• 4.2 Mean-Shift理论及应用算法
• 4.2.1 多维空间下的无参密度估计
• 4.2.2 Mean-Shift向量
• 4.3 Mean-Shift在目标跟踪中的应用
• 4.3.1 目标颜色模型描述
• 4.3.2 相似性函数与目标定位
• 4.3.3 Mean-Shift算法跟踪流程图
• 4.3.4 采用Mean-Shift算法对人脸跟踪结果
• 4.3.5 Mean-Shift算法实际应用中的不足
• 4.4 基于运动目标检测的Mean-Shift跟踪算法
• 4.4.1 基于运动检测的目标跟踪算法
• 4.4.2 实验结果分析
• 4.5 Mean-Shift算法模板更新
• 4.5.1 混合高斯模板建模
• 4.5.2 目标模型的建立
• 4.5.3 目标模板的更新
• 4.5.4 目标模板估计
• 4.5.5 “异常像素”点更新
• 4.5.6 算法流程
• 4.5.7 实验结果分析
• 4.6 总结
• 第五章 基于粒子滤波的运动估计跟踪算法
• 5.1 粒子滤波理论分析
• 5.1.1 贝叶斯重要性采样
• 5.1.2 序列重要性采样
• 5.1.3 重采样
• 5.2 粒子滤波仿真及在实践中的应用
• 5.2.1 粒子滤波仿真
• 5.2.2 基于Mean-Shift的粒子滤波跟踪算法
• 5.2.3 实验结果及分析
• 5.3 总结
• 第六章 云台控制与标定
• 6.1 云台控制
• 6.2 云台标定
• 6.3 云台标定算法
• 6.4 标定流程
• 6.5 标定结果
• 第七章 总结与展望
• 7.1 工作总结
• 7.2 对将来研究工作的展望
• 参考文献
• 攻读硕士学位期间发表的论文
• 致谢