基于運(yùn)動補(bǔ)償與RJ-MCMC結(jié)合的視頻目標(biāo)跟蹤研究.pdf

1、視頻中運(yùn)動目標(biāo)跟蹤的研究是計(jì)算機(jī)視覺領(lǐng)域的一個重要課題，受到國內(nèi)外學(xué)者的普遍關(guān)注。它在導(dǎo)彈視覺制導(dǎo)，機(jī)器人與無人機(jī)自主導(dǎo)航，軍事目標(biāo)的定位跟蹤與識別，汽車自動駕駛，安全監(jiān)控，智能交通，虛擬現(xiàn)實(shí)等方面有廣闊的應(yīng)用前景。在現(xiàn)實(shí)中，由于各種干擾的存在增加了視頻目標(biāo)檢測和跟蹤的難度。
　　 視頻中目標(biāo)的檢測是目標(biāo)跟蹤的基礎(chǔ)，檢測效果的不好則會給跟蹤帶來很大的影響。由于光照，遮擋，攝像機(jī)傳感器帶來的各種噪聲使得目標(biāo)檢測變得很復(fù)雜，尤其是當(dāng)

2、攝像機(jī)運(yùn)動時，背景和前景都隨之運(yùn)動，更不好區(qū)分前景和背景。本論文采取了一種基于運(yùn)動補(bǔ)償與自適應(yīng)背景更新來檢測動態(tài)場景中的運(yùn)動目標(biāo)。先計(jì)算前后兩幀之間的金字塔光流場，光流場數(shù)據(jù)里既含有目標(biāo)和背景的光流值也含有噪聲的光流。由于事先不知道有多少個目標(biāo)，也無法預(yù)測干擾所帶來的噪聲，因此就不能用類數(shù)目固定的k均值聚類。本論文采用了一種叫做leader-follow的在線聚類算法，該算法能根據(jù)輸入數(shù)據(jù)自適應(yīng)的進(jìn)行分類，而無需事先知道要分成多少類。把

3、背景的光流值的分離出來以后就得到了運(yùn)動補(bǔ)償值，運(yùn)用此補(bǔ)償值補(bǔ)償上一幀圖像，然后前一幀圖像和當(dāng)前幀圖像的背景對齊了，這樣就可以使用應(yīng)用在靜態(tài)場景中的背景更新方法來得到了動態(tài)場景的背景和前景了。
　　 在目標(biāo)跟蹤領(lǐng)域，一般都從貝葉斯遞歸的角度來看目標(biāo)跟蹤問題，即根據(jù)一系列的觀測結(jié)果來對某目標(biāo)的狀態(tài)進(jìn)行估計(jì)。由于目標(biāo)運(yùn)動無規(guī)律難于用數(shù)學(xué)公式描述，而粒子濾波不需要事先對狀態(tài)轉(zhuǎn)移做任何假設(shè)，因此很多本領(lǐng)域的學(xué)者都把它拿來研究以用于目標(biāo)跟蹤

4、。普通粒子濾波的粒子退化問題嚴(yán)重地限制了其基本方法的發(fā)展。MCMC作為粒子濾波器的一種它可以有效地解決上述的粒子退化問題正引起人們的關(guān)注。針對多目標(biāo)的跟蹤普通MCMC是無法應(yīng)對的，因?yàn)楫?dāng)目標(biāo)進(jìn)出場景會引起解的狀態(tài)變量空間變化，而RJ-MCMC則能有效應(yīng)對此種情況。針對動態(tài)場景的多目標(biāo)跟蹤，本文提出了一種基于二次觀測模型的RJ-MCMC粒子濾波方法第一次觀測通過運(yùn)動補(bǔ)償值對運(yùn)動模型實(shí)時修正使其逼近真實(shí)的運(yùn)動方程，第二次觀測即是RJ-MCM