基于GMM和粒子濾波的目標(biāo)檢測與跟蹤的算法研究.pdf

1、隨著計算機(jī)性能的大幅度提高，人們對計算機(jī)的要求也不斷擴(kuò)大。計算機(jī)獲得外部信息主要依靠計算機(jī)視覺，運動目標(biāo)的檢測與跟蹤是計算機(jī)視覺中最熱門的研究課題之一。只有先將背景和運動目標(biāo)分割出來并對感興趣目標(biāo)進(jìn)行跟蹤，才能有效的對后續(xù)的視頻圖像進(jìn)行處理，甚至可以進(jìn)行目標(biāo)行為的判斷與分析。本課題主要研究在復(fù)雜的場景下對視頻中運動目標(biāo)的檢測與跟蹤。
　　在運動目標(biāo)檢測方面，分別研究了幀差法，光流法及背景差分法。在幀差法的研究中，將幀差法做了改進(jìn)，

2、通過實驗證明改進(jìn)后的算法比幀差法檢測更加準(zhǔn)確。重點研究了背景差分法，分別對單高斯模型及混合高斯模型進(jìn)行了研究。針對混合高斯模型算法在檢測中存在的問題做出改進(jìn)。根據(jù)HSV顏色空間的特點，改變混合高斯模型的建?？臻g，通過對各個分量上的設(shè)定，解決混合高斯模型在對運動物體檢測時存在的陰影問題，再利用形態(tài)學(xué)方法對圖像邊緣細(xì)節(jié)進(jìn)行補(bǔ)償，并去除噪聲點。最后實驗表明，算法能較好的解決陰影問題，有較好的實時性和魯棒性。
　　而在目標(biāo)跟蹤方面，根據(jù)運

3、動模型的建立與求解不同分為兩大類:一類把跟蹤問題當(dāng)作最優(yōu)化問題來處理，將目標(biāo)跟蹤轉(zhuǎn)化為求代價函數(shù)的極值問題。針對這一類跟蹤算法，主要研究了Mean shift，camshift;而另一類是把跟蹤問題轉(zhuǎn)化為狀態(tài)的最優(yōu)估計問題，針對這類算法主要研究了卡爾曼濾波，粒子濾波。并且針對粒子濾波依靠單一特征描述目標(biāo)，容易導(dǎo)致跟蹤過程失敗而多特征卻會導(dǎo)致計算復(fù)雜度急劇升高，對粒子濾波做出改進(jìn)，采用顏色和邊緣方向直方圖兩個特征，并有效的融合這兩個特征，