基于改進主動形狀模型的目標跟蹤方法研究.pdf

1、運動目標跟蹤是計算機視覺領域中的研究熱點之一，在人機交互、智能監(jiān)控、視頻編碼等領域具有重要的應用意義。在跟蹤過程中，目標特征的提取與匹配是關鍵技術，且需要具有一定的魯棒性能，才能為跟蹤的后續(xù)處理打下良好的基礎。
　　 傳統(tǒng)的一些目標跟蹤方法能較為準確的定位目標所在的區(qū)域，但在跟蹤非剛性目標時，由于目標在運動過程中會發(fā)生不同程度的形變，使用區(qū)域信息難以實現(xiàn)對目標特征的精確提取。基于可變形模型的方法能適應非剛性目標的形狀變化，在圖像

2、中準確的提取目標輪廓，應用于跟蹤時具有較好的精確性。其中具有代表性的是主動形狀模型方法(Active Shape Models，ASM)，ASM方法能在適應目標形狀較多變化的同時保持目標的特異性，具有良好的魯棒性，可在較為復雜的環(huán)境中提取目標輪廓。本文研究了ASM方法在靜態(tài)目標輪廓提取方面的應用，并提出了一種將ASM應用于運動目標跟蹤的方法，主要工作如下：
　　 1）改進了ASM方法中的灰度模型。傳統(tǒng)ASM方法中的灰度模型包含了

3、部分背景的灰度信息，這使得當目標運動時，模型不能很好的適應目標附近背景的變化，從而導致匹配結果錯誤。針對這個問題，本文改進了傳統(tǒng)方法的灰度模型和搜索算法，剔除了對背景信息的建模，結合目標內部灰度信息和強邊緣特征搜索標志點的最佳匹配位置，提高了運動過程中輪廓提取的速度和精確性。
　　 2）提出了一種在線提取和更新灰度模型的建模機制。在運動目標跟蹤的應用中，圖像中目標的灰度信息難以事先獲得，而傳統(tǒng)ASM方法匹配效果的可靠性依賴于先驗

4、的灰度模型，這限制了其在運動目標跟蹤中的應用。本文提出了一種在線建立和更新灰度模型的機制，擺脫了對目標先驗信息的依賴。
　　 3）引入Kalman濾波預測目標位置，提高了在圖像序列中ASM方法的模型初始定位精度，進而改善了目標輪廓提取的精度和速度。
　　 4）設計了一種基于改進ASM與Kalman濾波預測相結合跟蹤運動目標的跟蹤流程。使用此跟蹤流程對人體目標進行了輪廓跟蹤，實驗結果驗證了本文方法的有效性、對目標尺度變化的