基于運動選擇注意的目標跟蹤系統(tǒng)的研究.pdf

1、　　視覺注意機制是以認知學、神經(jīng)心理學等相關(guān)研究領(lǐng)域的成果為基礎(chǔ)，運用數(shù)學方法建立感知模型，力圖實現(xiàn)對生物視覺系統(tǒng)的模擬。本文的主要工作是針對視頻序列中跟蹤算法會受背景條件限制，從而影響跟蹤效果的問題，引入視覺注意模型，將 Itti 模型與Mean-Shift 算法結(jié)合，完成了基于運動選擇注意的目標跟蹤系統(tǒng)的開發(fā)。主要工作內(nèi)容如下：
　　首先，在分析了有關(guān)目標跟蹤算法與視覺注意模型的基礎(chǔ)上，著重對Mean-Shift算法進行了研

2、究，雖然此算法計算量小，但在復雜背景下跟蹤的穩(wěn)定性不高，為此引入 Itti 模型，通過自動尋找到的感興趣區(qū)域彌補Mean-Shift算法的不穩(wěn)定性，從而解決跟蹤中的難點。
　　其次，融合運動特征和權(quán)值系數(shù)對Itti模型進行了改進。經(jīng)典的Itti模型只考慮到了顏色、亮度、朝向特征，而人類視覺感知系統(tǒng)關(guān)注的輸入信息中并不局限于以上三種，在目標跟蹤領(lǐng)域，運動特征是一類與時間相關(guān)聯(lián)的視覺刺激，是生物感知目標的重要信息。因此，將運動特征引

3、入到 Itti 模型中，并考慮在不同場景下，各個特征對引起感知系統(tǒng)注意的貢獻不同，引入特征權(quán)重系數(shù)來衡量各特征對注意到目標的貢獻大小，以適應不同場景的需要。
　　最后，提出采用 sift特征匹配算法來實現(xiàn)基于改進的 Itti 模型與 Mean-Shift算法相結(jié)合。在跟蹤過程中，利用Mean-Shift算法搜索當前幀中目標所在的區(qū)域與Itti模型找到的當前幀中感興趣區(qū)域進行 sift 特征點比較，若滿足匹配成功條件，目標最終位置