動(dòng)態(tài)場(chǎng)景下多運(yùn)動(dòng)目標(biāo)檢測(cè)及跟蹤方法研究.pdf

1、動(dòng)態(tài)圖像分析是圖像處理與計(jì)算機(jī)視覺(jué)領(lǐng)域一個(gè)十分活躍的分支和備受關(guān)注的前沿課題，它融合了計(jì)算機(jī)科學(xué)、機(jī)器視覺(jué)、圖像工程、模式識(shí)別、人工智能等先進(jìn)技術(shù)，對(duì)它的研究已經(jīng)受到國(guó)內(nèi)外學(xué)者的普遍關(guān)注。動(dòng)態(tài)圖像分析的基本任務(wù)是從圖像序列中檢測(cè)出運(yùn)動(dòng)信息，構(gòu)建目標(biāo)運(yùn)動(dòng)的動(dòng)態(tài)模型，識(shí)別與跟蹤運(yùn)動(dòng)目標(biāo)。 運(yùn)動(dòng)目標(biāo)檢測(cè)、建模和跟蹤技術(shù)的復(fù)雜性，以及當(dāng)前視頻技術(shù)發(fā)展水平的限制，使得動(dòng)態(tài)圖像分析在理論和實(shí)現(xiàn)上仍存在著很多難題。國(guó)內(nèi)外大批學(xué)者對(duì)該領(lǐng)域進(jìn)行了

2、深入的研究和探索，并取得了大量成果。本文在這些成果的基礎(chǔ)上，對(duì)動(dòng)態(tài)圖像分析中運(yùn)動(dòng)目標(biāo)檢測(cè)、動(dòng)態(tài)建模、實(shí)時(shí)跟蹤等關(guān)鍵技術(shù)進(jìn)行了深入研究。主要貢獻(xiàn)概括如下： 首先，對(duì)圖像預(yù)處理技術(shù)進(jìn)行了研究，提出一種基于小波變換的圖像增強(qiáng)算法。該算法結(jié)合小波變換中相關(guān)系數(shù)理論區(qū)分小波域中由細(xì)節(jié)及噪聲產(chǎn)生的高頻系數(shù)，對(duì)由細(xì)節(jié)產(chǎn)生的信息進(jìn)行增強(qiáng)，對(duì)噪聲進(jìn)行抑制。解決了通常算法中增強(qiáng)細(xì)節(jié)信號(hào)的同時(shí)也放大了噪聲這個(gè)問(wèn)題。 其次，對(duì)動(dòng)態(tài)場(chǎng)景下運(yùn)動(dòng)目標(biāo)

3、檢測(cè)技術(shù)進(jìn)行了研究，結(jié)合目標(biāo)運(yùn)動(dòng)、邊緣、區(qū)域特征，提出一種動(dòng)態(tài)場(chǎng)景下多運(yùn)動(dòng)目標(biāo)檢測(cè)新方法。該方法融合基于幀間圖像差值的運(yùn)動(dòng)分割技術(shù)及區(qū)域生長(zhǎng)法獲得各運(yùn)動(dòng)目標(biāo)的初始輪廓，再利用主動(dòng)輪廓線模型進(jìn)行優(yōu)化，從而得到各運(yùn)動(dòng)目標(biāo)的最優(yōu)輪廓。在檢測(cè)環(huán)節(jié)中做了以下三方面工作：提出逆分水嶺算法對(duì)圖像三幀差結(jié)果進(jìn)行空間聚類，從而計(jì)算出場(chǎng)景中運(yùn)動(dòng)目標(biāo)數(shù)目及位置；結(jié)合目標(biāo)運(yùn)動(dòng)信息，提出一致性判別準(zhǔn)則；提出自適應(yīng)閾值計(jì)算方法。 然后，對(duì)目標(biāo)特征提取技術(shù)進(jìn)

4、行了研究，提取目標(biāo)的幾何特征、運(yùn)動(dòng)特征、不變矩特征及分形特征。前三類特征用于作為目標(biāo)跟蹤中的同一目標(biāo)匹配的依據(jù)；分形特征用于剔除檢測(cè)到的自然物體。 最后，對(duì)基于目標(biāo)運(yùn)動(dòng)模型的濾波器跟蹤方法進(jìn)行了研究，構(gòu)造一種融合了濾波器的目標(biāo)運(yùn)動(dòng)模型，并開(kāi)發(fā)了相應(yīng)的跟蹤算法。該算法提取已檢測(cè)出的目標(biāo)輪廓上的角點(diǎn)作為訓(xùn)練樣本，采用神經(jīng)網(wǎng)絡(luò)構(gòu)造目標(biāo)運(yùn)動(dòng)模型，將此模型預(yù)測(cè)結(jié)果作為主動(dòng)輪廓線的初始控制點(diǎn)，以檢測(cè)目標(biāo)準(zhǔn)確輪廓，同時(shí)將量測(cè)誤差反饋回神經(jīng)網(wǎng)絡(luò)