動(dòng)態(tài)場景下視頻跟蹤研究.pdf

1、基于圖像序列的運(yùn)動(dòng)目標(biāo)檢測與跟蹤是計(jì)算機(jī)視覺領(lǐng)域兩個(gè)比較活躍的課題，也是許多基于視覺的應(yīng)用需要解決的關(guān)鍵問題。準(zhǔn)確的檢測與跟蹤是有效的進(jìn)行識別與決策的前提，是高級視覺系統(tǒng)的基礎(chǔ)。運(yùn)動(dòng)目標(biāo)的檢測與跟蹤技術(shù)在智能監(jiān)控、人機(jī)交互、輔助駕駛、車輛跟蹤、智能看護(hù)等應(yīng)用中起著重要的作用。但是，這兩種技術(shù)在實(shí)際應(yīng)用中還面臨著諸多困難：攝像機(jī)運(yùn)動(dòng)和光照變化會增加運(yùn)動(dòng)目標(biāo)檢測的難度，而光照變化、復(fù)雜背景、目標(biāo)的非剛性形變和目標(biāo)的部分遮擋會影響跟蹤的魯棒性

2、。另外，在現(xiàn)有的算法實(shí)現(xiàn)中，對多目標(biāo)的跟蹤還面臨著嚴(yán)重的性能瓶頸。針對這些問題，本文主要做出了如下研究工作： 對于攝像機(jī)運(yùn)動(dòng)所造成的動(dòng)態(tài)場景下進(jìn)行運(yùn)動(dòng)目標(biāo)檢測的問題，提出了一種結(jié)合全局運(yùn)動(dòng)補(bǔ)償和自適應(yīng)背景更新模型的算法。首先用一種基于金字塔實(shí)現(xiàn)的Lucas-Kanade算法得到一個(gè)稀疏運(yùn)動(dòng)場，然后用這個(gè)運(yùn)動(dòng)場估計(jì)場景運(yùn)動(dòng)的模型參數(shù)，接下來用估計(jì)得到的模型參數(shù)對前一時(shí)刻的圖像幀進(jìn)行運(yùn)動(dòng)補(bǔ)償，再利用補(bǔ)償后的圖像幀和當(dāng)前圖像幀進(jìn)行動(dòng)態(tài)

3、背景更新，最后用更新后的背景與當(dāng)前圖像幀作背景減除從而得到前景目標(biāo)。該算法在滿足實(shí)時(shí)性的同時(shí)又能有效避免全局運(yùn)動(dòng)補(bǔ)償+幀差算法所特有的空洞現(xiàn)象和目標(biāo)被拉伸的問題，從而有效提高檢測出來的運(yùn)動(dòng)目標(biāo)的精確程度。 為了最小化視頻跟蹤中可能出現(xiàn)的光照變化、復(fù)雜背景、被跟蹤目標(biāo)的非剛性形變和部分遮擋等因素對跟蹤結(jié)果所造成的不利影響，本文提出了一種基于高斯核正規(guī)化HSV顏色模型的粒子濾波器跟蹤方法。用高斯核函數(shù)正規(guī)化目標(biāo)區(qū)域，進(jìn)而加權(quán)計(jì)算目標(biāo)

4、的HSV顏色直方圖，將該直方圖作為粒子濾波器的目標(biāo)模型進(jìn)行跟蹤。在多目標(biāo)跟蹤的實(shí)驗(yàn)中驗(yàn)證了該方法的有效性，并且在跟蹤兩個(gè)目標(biāo)的情況下可以達(dá)到實(shí)時(shí)性要求。 隨著多處理器技術(shù)和多核技術(shù)的發(fā)展，我們正面臨這樣一個(gè)矛盾：一方面，用傳統(tǒng)的串行編程的方法實(shí)現(xiàn)的多目標(biāo)跟蹤算法在應(yīng)用過程中存在著嚴(yán)重的性能瓶頸；另一方面，多處理器和多核資源的運(yùn)算潛能無法得到充分地發(fā)揮。本文探索了一種基于OpenMP共享存儲并行編程模型的粗粒度并行多目標(biāo)跟蹤系統(tǒng)的