復(fù)雜場(chǎng)景中運(yùn)動(dòng)目標(biāo)的檢測(cè)與跟蹤.pdf

1、運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤是計(jì)算機(jī)視覺中一個(gè)重要的研究方向,它融合了計(jì)算機(jī)圖像處理、人工智能與模式識(shí)別等諸多領(lǐng)域的知識(shí),并在虛擬現(xiàn)實(shí)、交通監(jiān)控、生物醫(yī)學(xué)、智能人機(jī)交互等領(lǐng)域有著廣泛的應(yīng)用前景。
　　 在基于傳統(tǒng)的目標(biāo)檢測(cè)過程中,模型的建立、模型參數(shù)的更新和模型對(duì)場(chǎng)景變化的敏感度等,影響了檢測(cè)的速度;以及運(yùn)動(dòng)目標(biāo)受光照的影響產(chǎn)生的投射陰影也會(huì)影響到檢測(cè)的準(zhǔn)確性。在復(fù)雜的場(chǎng)景中,由于光照的變化、運(yùn)動(dòng)目標(biāo)與背景的相似度高以及運(yùn)動(dòng)目標(biāo)的交叉運(yùn)動(dòng)

2、等,使得在運(yùn)動(dòng)目標(biāo)跟蹤過程中會(huì)出現(xiàn)跟蹤丟失的現(xiàn)象。針對(duì)這些問題,本文對(duì)復(fù)雜場(chǎng)景下運(yùn)動(dòng)目標(biāo)的檢測(cè)和跟蹤的問題進(jìn)行了研究,其主要內(nèi)容和成果如下:
　　 (1)提出了高斯混合模型的自學(xué)習(xí)算法,該算法通過在傳統(tǒng)EM(ExpectationMaximization)算法的基礎(chǔ)上,推導(dǎo)出學(xué)習(xí)率因子和遺忘因子的遞歸表達(dá)式,從而使得參數(shù)更新更加精確,收斂速度更快。針對(duì)光照所產(chǎn)生的投射陰影,在檢測(cè)過程中運(yùn)動(dòng)陰影也被檢測(cè)出來,本文通過HSV(Hue

3、,Saturation,Value)顏色模型對(duì)陰影進(jìn)行消除,使得在復(fù)雜背景下檢測(cè)的前景目標(biāo)更加精確。實(shí)驗(yàn)結(jié)果表明,傳統(tǒng)的混合高斯模型需要到第40幀左右才能很好的檢測(cè)出運(yùn)動(dòng)目標(biāo),而高斯混合模型的自學(xué)習(xí)算法在第22幀左右就可以很好的檢測(cè)出運(yùn)動(dòng)目標(biāo),且通過陰影消除后,前景目標(biāo)也更加精確。
　　 (2)提出了交互MCMC(Markov Chain Monte Carlo)粒子濾波,用來解決粒子數(shù)匱乏問題,通過引入粒子間的交互信息來減少粒

4、子歷史狀態(tài)之間的聯(lián)系,不僅解決粒子數(shù)退化的問題,還加快了算法的收斂速度,提高了算法的性能。利用人體運(yùn)動(dòng)檢測(cè)的結(jié)果,選擇包含目標(biāo)區(qū)域邊界的兩個(gè)對(duì)角頂點(diǎn)作為跟蹤的特征點(diǎn),用交互MCMC粒子濾波來預(yù)測(cè)并跟蹤特征點(diǎn)的位置和速度,從而得到特征點(diǎn)的軌跡,選擇特征點(diǎn)的三維空間位置和速度作為狀態(tài)變量,從而避免了將非線性函數(shù)直接線性化引起的跟蹤誤差。實(shí)驗(yàn)結(jié)果表明,在復(fù)雜環(huán)境下對(duì)目標(biāo)進(jìn)行跟蹤時(shí),即使存在光照、目標(biāo)與背景相似度高等情況,也不會(huì)出現(xiàn)跟蹤目標(biāo)丟失

5、的現(xiàn)象,同時(shí),也能可靠地預(yù)測(cè)和跟蹤運(yùn)動(dòng)人體在3D空間的運(yùn)動(dòng)軌跡。
　　 (3)提出了將模糊數(shù)據(jù)關(guān)聯(lián)和粒子濾波相結(jié)合的方法,并用于多目標(biāo)跟蹤過程中,該方法通過在粒子濾波重采樣后加入改進(jìn)的模糊隸屬度函數(shù),將由數(shù)據(jù)關(guān)聯(lián)得到的最佳隸屬度作為粒子的權(quán)值,從而有效的避免了噪音數(shù)據(jù)的干擾,并通過算法性能的分析可知,在目標(biāo)航跡有交叉的時(shí)候也不會(huì)丟失跟蹤目標(biāo)。實(shí)驗(yàn)結(jié)果表明,在復(fù)雜的環(huán)境下,當(dāng)人體運(yùn)動(dòng)出現(xiàn)交叉時(shí)也能很好的對(duì)人體進(jìn)行跟蹤,而不會(huì)出現(xiàn)跟