視頻序列中的運動目標檢測與跟蹤研究.pdf

1、視頻序列中的運動目標檢測與跟蹤研究利用計算機視覺和視頻分析方法，對視頻輸入裝置得到的圖像序列進行自動分析，實現對運動目標的檢測、定位和跟蹤，為更高層的視頻理解和場景解釋提供底層對象和分析依據。它是計算機科學、圖像工程、模式識別、人工智能等多學科的結晶。隨著理論算法和硬件處理技術的快速發(fā)展，視頻目標檢測跟蹤技術已經應用在武器導航、科學探測等工業(yè)領域以及小區(qū)監(jiān)控、智能交通、自動駕駛、人機交互等民用領域，并將有著更為廣泛的應用前景。
　

2、　目前，視頻目標檢測跟蹤的研究在理論和應用上還面臨著很多困難，如在檢測中如何兼顧目標的完整性和邊界的精確性，在跟蹤中如何適應目標尺度變化、模板變化及速度、軌跡變化等。國內外很多學者對此進行了大量研究和探索，本文即是在這些研究的基礎上，針對上述問題展開研究工作。主要工作可概括如下：
　　在運動目標檢測方面，針對檢測的準確性和完整性要求，提出了一種基于馬爾科夫隨機場模型的時-空聯合目標檢測實現方法。在空域檢測中，提出了Mean-Shi

3、ft約束標記的分水嶺分割方法。該方法利用了Mean-Shift算法的聚類特性，在序列幀的特征域和圖像域尋找概率密度集中區(qū)，并結合兩個域的信息標記出圖像的視覺關注區(qū)，作為分水嶺分割的約束條件，避免了分水嶺算法容易產生的過分割現象。建立了簡化 S-TMRF模型，構建相應的后驗能量函數，將空域檢測和時域檢測的信息統一在 MRF-MAP檢測框架下，得到了更為準確、完整，符合人的視覺感受的檢測目標。
　　在運動目標跟蹤方面，針對傳統 Mea

4、n-Shift采用固定核窗寬，難以適應目標尺度變化，易造成定位不準甚至失蹤的缺點。提出了基于邊界力的核窗寬自適應調節(jié)方法。在對Mean-Shift算法中目標模型進行分析的基礎上，引入了邊界力的概念，在 Mean-Shift跟蹤中加入跟蹤目標邊界附近空間點的特征匹配約束，從而能夠獲得當前跟蹤目標的位置和尺度，并根據檢測估計到的尺度來調節(jié)核函數帶寬。該算法與傳統的三步法相比，減少了運算量和運算復雜度，可以更穩(wěn)定的跟蹤空間尺度變化較大的目標。

5、
　　研究了Mean-Shift跟蹤中的狀態(tài)判斷問題，在分析目標和背景特征相對關系的基礎上，引入特征增強函數，構造了新的背景模板。在跟蹤過程中，通過對候選目標與兩個模板相似度系數的綜合分析，可以準確判斷跟蹤所處的狀態(tài)及可能的產生原因，并采取相應的模板調整策略。由于綜合考慮了目標與背景的相互影響，算法對跟蹤狀態(tài)的辨別更為準確。
　　研究了粒子濾波在軌跡復雜的快速運動目標跟蹤中的應用。針對粒子濾波算法需要大量粒子來近似描述目標狀

6、態(tài)，耗時較多的問題，利用Mean-Shift算法在重采樣前將粒子收斂到靠近目標真實狀態(tài)的區(qū)域內，使粒子的分布更為合理有效。算法減少了粒子濾波跟蹤所需要的粒子數，提高了算法的跟蹤效率。
　　最后，在算法研究的基礎上，針對室內監(jiān)控這一特定背景環(huán)境，設計搭建了一個基于TI公司高性能DSP處理器TMS320DM642芯片的目標監(jiān)控系統測試平臺。根據硬件系統本身的性能和特點，在算法結構、代碼結構和DM642芯片功能三個層次上進行了優(yōu)化，以滿