智能視頻臨控系統(tǒng)中運動目標的跟蹤算法研究.pdf

1、基于視頻的運動目標跟蹤長期以來都是計算機視覺、圖像處理和模式識別領域中一個非常重要和活躍的研究課題。近年來,它主要被應用于智能視頻監(jiān)控系統(tǒng)中。在智能視頻監(jiān)控系統(tǒng)中,對不同環(huán)境條件下的運動目標進行準確跟蹤是視頻跟蹤研究的一個挑戰(zhàn),也是目前實際應用中一個亟待解決的難題。論文針對不同場景下運動目標的跟蹤問題,以基于Mean Shift的運動目標跟蹤算法為研究核心,主要工作如下:
　　 介紹了基于視頻的目標跟蹤技術的研究現(xiàn)狀,對各種基于

2、視頻的運動目標跟蹤算法進行了分類并指出了各種目標跟蹤算法的優(yōu)缺點。討論了基于視頻的目標跟蹤技術中目標跟蹤特征的類型以及在不同跟蹤算法中的應用,同時指出了這些特征所具有的優(yōu)缺點。
　　 闡述了Mean Shift算法原理及其在運動目標跟蹤中的應用。在視覺跟蹤中過程中,通常需要用戶在視頻序列的第一幀選定跟蹤目標,并建立該目標的直方圖。根據Bhattacharyya系數(shù),Mean Shift算法在后續(xù)幀中迭代的搜索目標模型的最佳候選區(qū)

3、域,該方法使Mean Shift算法在跟蹤中表現(xiàn)出良好的性能,比如,實時性好,對部分遮擋、目標形變具有魯棒性等。但當目標和背景過于相似,它們之間的可分性很差時,該建模方法就很難區(qū)分目標和背景,致使算法跟蹤失敗。
　　 在Mean Shift跟蹤算法中,一般采用歸一化的加權顏色直方圖作為目標模式的描述方式。歸一化的顏色直方圖是目標顏色概率密度分布的離散估計。由于顏色直方圖描述的是目標整體的統(tǒng)計特征,并沒有包含目標的空間信息,因此,

4、采用對目標區(qū)域分塊的方法,并分別計算每個分塊的Bhattacharyya系數(shù),然后選擇Bhattacharyya系數(shù)最大的子塊的中心位置來計算整個目標的中心位置,然后利用該位置來更新其它Bhattacharyya系數(shù)相對較小的子塊的位置坐標。實驗結果表明,該算法能夠有效跟蹤運動目標,具有很好的精確性和魯棒性。
　　 針對Mean Shift目標跟蹤算法框架中只使用單一顏色特征表示跟蹤目標的問題,該方法引入顏色和紋理綜合直方圖的目

5、標建模方法代替單一的顏色直方圖建模方法。又由于傳統(tǒng)的Mean Shift目標跟蹤算法,缺乏一種預測更新機制,在復雜的目標跟蹤場景中進行跟蹤,往往導致跟蹤的失敗的問題,引入Kalman濾波的方法,預測出運動目標在本幀中的大概位置點,將其作為Mean Shift迭代的起始點,然后用Mean Shift算法在該點的鄰域內尋找目標的真實位置,即可解決運動目標的遮擋問題。試驗證明該算法在運動目標姿態(tài)、光照及運動方向變化的情況下也能達到很好的跟蹤效