視頻圖像中的運動目標檢測與跟蹤.pdf

1、運動目標檢測與跟蹤是圖像編碼技術(shù)以及計算機視覺研究中的核心內(nèi)容之一，在視頻監(jiān)控，視覺導航，智能交通以及視頻圖像壓縮和傳輸?shù)阮I(lǐng)域中都有重要的實用價值。
　　運動目標檢測是在視頻序列處理過程中的最底層，檢測的效果將直接影響到后續(xù)高級應(yīng)用的精確性。本文介紹了當今主流的目標檢測方法:幀間差分法，高斯背景法。結(jié)合其各自優(yōu)劣，提出了基于背景消減法的幀間差分法，然后結(jié)合形態(tài)濾波，最后提取運動目標。
　　在計算機視覺中，跟蹤是指通過計算其運

2、動序列圖像生成運動物體的軌跡。目標跟蹤的方法有很多種，主要都是計算對象在連續(xù)幀間的變化，日常應(yīng)用中使用最廣泛的當屬MeanShift算法。該方法是通過迭代來計算距離最近樣本分布的一種無參數(shù)密度估計的算法。在多數(shù)的情況下能保證跟蹤的準確性和實時性，是一種快速且有效的跟蹤算法。但是在目標跟蹤過程中均值漂移算法沒有利用目標的運動方向和速度信息，這就導致了無法準確跟蹤快速目標。本文提出了一種基于質(zhì)心算法的MeanShift跟蹤模型算法。初始位置

3、采用運動目標質(zhì)心，并在質(zhì)心位置處采用MeanShift迭代，以巴氏系數(shù)判斷當前目標和參考目標的匹配程度，實驗分析，該算法可實現(xiàn)快速、有效跟蹤目標。
　　此外當目標運動時遇到障礙物完全地遮擋，此時MeanShift算法會誤把遮擋物當做候選目標模型，若后續(xù)幀中再次出現(xiàn)運動目標，MeanShift算法并不會進行再次的實時跟蹤。本文采用基于卡爾曼濾波的MeanShift算法對其進行改進。卡爾曼濾波可以根據(jù)以往的運動目標信息對下一時刻的目標