視頻中運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤相關(guān)問題研究.pdf

1、對(duì)視頻中感興趣目標(biāo)進(jìn)行檢測(cè)、跟蹤，一直是計(jì)算機(jī)視覺領(lǐng)域中的基礎(chǔ)性問題，是產(chǎn)業(yè)界和學(xué)術(shù)界關(guān)注的熱點(diǎn)問題之一。運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤技術(shù)是一門跨學(xué)科的交叉技術(shù)，其主要包括計(jì)算機(jī)視覺、多媒體技術(shù)、模式識(shí)別、概率論和信息論、計(jì)算智能以及圖像處理等不同學(xué)科。作為視頻數(shù)據(jù)處理的關(guān)鍵技術(shù)，運(yùn)動(dòng)目標(biāo)檢測(cè)和跟蹤在日常生產(chǎn)和生活的各個(gè)方面得到了廣泛的應(yīng)用，如人機(jī)交互、視頻編解碼、智能監(jiān)控、智能交通以及最近興起的汽車無人駕駛技術(shù)。對(duì)視頻中感興趣目標(biāo)進(jìn)行準(zhǔn)確的檢測(cè)

2、和跟蹤，是視頻數(shù)據(jù)準(zhǔn)確分析和正確決策的前提，同時(shí)也是視覺系統(tǒng)智能化的基礎(chǔ)。盡管很多學(xué)者在此領(lǐng)域做了大量的研究工作，但當(dāng)前仍然面臨著很多難題困擾，諸如光照變化、目標(biāo)部分或全部遮擋以及變形等。在此背景下，本文圍繞運(yùn)動(dòng)目標(biāo)檢測(cè)發(fā)現(xiàn)與跟蹤展開深入研究，針對(duì)復(fù)雜環(huán)境提出了魯棒的高效算法，彌補(bǔ)現(xiàn)有算法的不足。下面對(duì)運(yùn)動(dòng)目標(biāo)檢測(cè)發(fā)現(xiàn)與跟蹤兩方面分別敘述。
　　對(duì)于運(yùn)動(dòng)目標(biāo)檢測(cè)，主要考慮檢測(cè)方法如何在不同的環(huán)境下提高前景檢測(cè)的魯棒性，主要考慮如何

3、消除陰影和光照變化的影響。主要研究成果如下：
　　1、基于光照模型，提出了一種局部強(qiáng)度比率特征（LIRM）和基于此特征的前景檢測(cè)算法，以及相應(yīng)的后處理方法。該方法具有兩個(gè)顯著特征：一方面，LIRM特征具有光照不變性，因而對(duì)光照變化魯棒；另一方面,在視頻圖像噪聲是高斯分布情況下，局部強(qiáng)度比率也滿足高斯分布。在高斯混合模型來獲取前景過程中，用局部強(qiáng)度比率來代替像素值進(jìn)行處理，結(jié)果得到消除陰影后的前景。實(shí)驗(yàn)表明，本方法在不同的場(chǎng)景下可以

4、有效的消除陰影，得到無陰影的前景。采用本方法不僅可以消除陰影，同時(shí)對(duì)光照變化魯棒。同其他陰影消除和對(duì)光照魯棒的前景檢測(cè)方法比較，也顯示出較好的性能。
　　2、為了得到精確的運(yùn)動(dòng)前景，同時(shí)能夠消除運(yùn)動(dòng)陰影，本文提出了一種局部強(qiáng)度比率向量（LIRV）特征和基于此特征的陰影檢測(cè)方法。首先提出了局部強(qiáng)度比率向量（LIRV）模型，然后分析了含陰影的前景與背景的LIRV距離差值（DV）、向量角度差以及比率（RV）的概率分布特征并給予了證明。通

5、過對(duì)級(jí)聯(lián)的DV、向量角度差和RV的分布估計(jì)和局部空間關(guān)系估計(jì)，以及鄰近關(guān)系調(diào)整，最終從運(yùn)動(dòng)前景中分割出陰影。實(shí)驗(yàn)顯示此方法比當(dāng)前主流方法在檢測(cè)運(yùn)動(dòng)陰影方面性能有很大的提高。
　　對(duì)運(yùn)動(dòng)目標(biāo)跟蹤，主要研究如何克服目標(biāo)表觀變化以及外界環(huán)境對(duì)跟蹤效果的影響。研究成果如下：
　　3、提出一種基于局部子目標(biāo)協(xié)同的目標(biāo)跟蹤框架，其局部子目標(biāo)的選擇基于子目標(biāo)的表觀瞬時(shí)不變性。通過對(duì)一系列局部模板來表示子目標(biāo)的局部瞬時(shí)表觀，以此來代替常規(guī)的