視頻中運動目標檢測與跟蹤技術研究.pdf

1、基于靜止攝像機的運動目標檢測與跟蹤技術是計算機視覺及相關領域的基礎問題之一，良好的檢測跟蹤算法能夠為相關領域的高層應用如智能視頻監(jiān)控、模式識別、智能視頻會議等提供高效有力的支持。但由于現(xiàn)實環(huán)境的復雜性和多變性，以及圖像傳感器分辨率的限制，導致復雜背景環(huán)境下運動目標的精確檢測與跟蹤存在一定的困難。
　　 基于上述原因，本文著重研究了視頻中運動目標檢測與跟蹤技術，在總結前人的基礎上提出了幾種新的算法。論文第一章介紹了當前國內外的研究

2、現(xiàn)狀，第二、三章分別提出了兩種新的運動目標檢測算法，第一種是基于自組織映射的區(qū)域高斯模型的運動目標檢測算法，第二種是基于自適應圖切的運動目標檢測算法。在論文的第四章還詳細介紹了一種基于Rao-Blackwellized粒子濾波數(shù)據(jù)關聯(lián)的多目標跟蹤算法。另外在第五章總結了全文并對下一步的研究工作做出了展望。第二至四章所述算法的介紹如下：
　　 基于自組織映射的區(qū)域高斯模型的運動目標檢測算法，采用單高斯模型和區(qū)域高斯模型的級聯(lián)式檢測

3、方法，并在區(qū)域高斯模型的更新過程中引入了自組織映射的“競爭、合作”機制。算法不僅能夠在水波紋和樹葉晃動等復雜背景環(huán)境中檢測運動目標，并且能夠保證檢測運動目標的相似性。使用PETS2002和Water Surface復雜背景圖像序列的仿真結果驗證了算法的有效性。
　　 基于自適應圖切的運動目標檢測算法，通過引入運動目標像素點數(shù)和前景背景鄰接像素對數(shù)的卡爾曼預測和節(jié)點流量的自適應更新，成功將圖切算法應用到視頻圖像的運動目標分割中，實

4、現(xiàn)視頻運動目標的連續(xù)全局優(yōu)化分割。實驗結果表明，算法在復雜背景條件下定量檢測性能指標表現(xiàn)良好。
　　 基于Rao-Blackwellized粒子濾波器數(shù)據(jù)關聯(lián)的多目標跟蹤算法，該算法與卡爾曼預測相結合，比普通的粒子濾波器算法在跟蹤精度上有較大的提高，并且減少了所需要的粒子數(shù)量。同時算法還可處理未知個數(shù)目標的消失、相互遮蔽、出現(xiàn)等的情況。最后給出了模擬場景的仿真跟蹤結果。
　　 本文提出的兩種運動目標檢測算法與單高斯、多高