運動目標(biāo)的檢測及跟蹤中關(guān)鍵問題的研究與實現(xiàn).pdf

1、隨著信息技術(shù)的飛速發(fā)展與，計算機視覺是當(dāng)今最為活躍的研究領(lǐng)域之一。其快速發(fā)展也增加了在各個領(lǐng)域的應(yīng)用，從產(chǎn)品檢測到移動機器人導(dǎo)航，從醫(yī)學(xué)圖像到智能監(jiān)控，不一而足。運動目標(biāo)的檢測和跟蹤就是計算機視覺領(lǐng)域中最受關(guān)注的兩個方面。
　　在運動目標(biāo)檢測方面，本文首先介紹了目前的三種主流算法以及它們的變種。在對當(dāng)前最為流行的背景描述模型高斯模型和codebook模型進行詳細(xì)的介紹后，本文提出了改進的codebook模型，并且提出改進后的背景訓(xùn)

2、練和更新算法。由于codebook模型在更新模型時容易將前景引入背景模型，所以本文提出單位時間的概念來解決該問題。另外，在模型中，通過引入一個權(quán)重G來解決Ghost問題，得到了非常理想的結(jié)果。利用陰影中的除亮度外，色調(diào)和飽和度基本不變的特性，本文在算法中還加入了陰影去除模塊。最后，依賴于開源的opencv平臺，本文實現(xiàn)并測試了改進算法。結(jié)果表明，改進后的算法在長期的檢測中取得了令人滿意的效果。
　　在運動目標(biāo)跟蹤方面，本文首先闡述

3、了現(xiàn)有的兩種主要的預(yù)估器：Kalman和condensation。在對二者分析后，我們采用了精確度稍遜一籌但是實時性較好的Kalman濾波器。在運動目標(biāo)檢測的基礎(chǔ)上，本文利用腐蝕、膨脹、中值濾波等形態(tài)學(xué)處理方法進行去噪，然后對圖像進行連通域的提取。在舍棄信息量較小的小面積連通域后，本文提取運動目標(biāo)的外接矩形作為跟蹤對象，并通過Kalman預(yù)估器來預(yù)估其下一幀的位置。實驗結(jié)果顯示，該算法不論在單目標(biāo)還是有遮擋行為的多目標(biāo)跟蹤中都表現(xiàn)出良好