微光条件下视频目标跟踪关键技术的研究

论文摘要

视频目标跟踪是计算机视觉领域的一个核心问题,在视频监控、军事制导、机器人视觉导航、人机交互以及医疗诊断等诸多方面有着广泛的应用前景。视频目标跟踪的目的是模拟人类视觉的运动感知功能,赋予机器识别视频图像中运动目标的能力,为视频分析和理解提供重要的数据依据。由于背景图像复杂多变以及目标本身的运动多种多样,开发出一套鲁棒的跟踪算法仍存在较多困难。特别是在微光条件下,图像的噪声严重、分辨率极低,几乎无法辨识图像中的目标和背景。在这种条件下,实现目标稳定、可靠、鲁棒的跟踪就更加困难。本文对微光条件下实现视频目标跟踪涉及的关键技术进行了研究。完成的工作包括:1.介绍了微光图像的特点、基本图像增强算法、基本运动目标检测算法和卡尔曼滤波器原理。2.提出了一种基于空时三维直方图的微光图像增强算法。该算法联合像素的空间、时间相邻像素构建三维直方图,使用Otsu、Fisher准则函数、最大信息熵三种不同的分割算法将图像划分为两个子图,分别对各子图进行直方图均衡,最后合成得到完整的处理图像。实验结果表明:基于空时三维直方图比基于空间二维直方图的微光图像增强算法在标准差、信息熵和对比度提升指数三个方面分别最少提高了1.9%、2.2%和2.0%。3.提出了一种基于颜色和边缘信息的均值迁移目标跟踪算法。根据颜色特征对光照敏感而对形变不敏感,边缘特征对光照不敏感而对形变敏感的特点,联合颜色和边缘特征,分别为目标建立色度直方图和边缘方向直方图,以此作为均值迁移算法中的目标模型。同时,为进一步提高搜索效率,又引入了卡尔曼滤波器对目标进行预测。实验结果表明新方法跟踪定位更加准确,且在光照变化和目标发生形变的情况下,仍然可以稳定工作,鲁棒性获得提高。4.提出了一种基于目标和局部背景SURF特征的目标跟踪算法。同时提取目标与局部背景的SURF特征建立模型,解决了当目标和背景存在信息重叠时可能导致跟踪失败的问题。实时更新模型以适应目标在运动过程中发生的表观变化。实验结果表明:与基于目标SURF特征的跟踪算法和基于目标SURF和颜色两个特征的跟踪算法相比较,当发生相似背景干扰及部分遮挡时,本文算法的平均跟踪误差分别降低了52.1%和34.1%;当发生相似背景干扰及水平旋转时,本文算法的平均跟踪误差分别降低了68.3%和23.4%。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 引言
• 1.2 图像增强算法的研究现状
• 1.3 目标跟踪算法的研究现状
• 1.4 论文的研究内容及研究成果
• 第二章 微光视频跟踪理论概述
• 2.1 微光图像的特点
• 2.2 图像增强常用算法
• 2.2.1 灰度变换图像增强方法
• 2.2.2 直方图调整图像增强方法
• 2.3 运动目标检测常用算法
• 2.3.1 差分检测法
• 2.3.2 光流检测法
• 2.3.3 高斯背景建模检测法
• 2.4 卡尔曼滤波器
• 2.5 本章小结
• 第三章 基于空时三维直方图的微光图像增强算法
• 3.1 空时三维直方图的建立
• 3.1.1 空间二维直方图
• 3.1.2 空时三维直方图
• 3.2 微光图像的分割与增强
• 3.3 实验结果与分析
• 3.4 本章小结
• 第四章 基于颜色和边缘特征的均值迁移目标跟踪算法
• 4.1 特征提取方法
• 4.2 均值迁移目标跟踪算法
• 4.2.1 模型表示
• 4.2.2 巴特查理亚度量
• 4.2.3 目标定位
• 4.2.4 跟踪算法流程
• 4.3 实验结果与分析
• 4.4 本章小结
• 第五章 基于目标和局部背景SURF 特征的跟踪算法
• 5.1 SURF 特征提取与建模
• 5.1.1 搜索区域
• 5.1.2 SURF 特征提取
• 5.1.3 目标与背景建模
• 5.2 模型匹配
• 5.3 模型更新
• 5.4 实验结果与分析
• 5.5 本章小结
• 总结与展望
• 参考文献
• 发表论文和科研情况说明
• 致谢