視頻序列中的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤研究.pdf

1、視頻序列中的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤研究利用計(jì)算機(jī)視覺(jué)和視頻分析方法，對(duì)視頻輸入裝置得到的圖像序列進(jìn)行自動(dòng)分析，實(shí)現(xiàn)對(duì)運(yùn)動(dòng)目標(biāo)的檢測(cè)、定位和跟蹤，為更高層的視頻理解和場(chǎng)景解釋提供底層對(duì)象和分析依據(jù)。它是計(jì)算機(jī)科學(xué)、圖像工程、模式識(shí)別、人工智能等多學(xué)科的結(jié)晶。隨著理論算法和硬件處理技術(shù)的快速發(fā)展，視頻目標(biāo)檢測(cè)跟蹤技術(shù)已經(jīng)應(yīng)用在武器導(dǎo)航、科學(xué)探測(cè)等工業(yè)領(lǐng)域以及小區(qū)監(jiān)控、智能交通、自動(dòng)駕駛、人機(jī)交互等民用領(lǐng)域，并將有著更為廣泛的應(yīng)用前景。
　

2、　目前，視頻目標(biāo)檢測(cè)跟蹤的研究在理論和應(yīng)用上還面臨著很多困難，如在檢測(cè)中如何兼顧目標(biāo)的完整性和邊界的精確性，在跟蹤中如何適應(yīng)目標(biāo)尺度變化、模板變化及速度、軌跡變化等。國(guó)內(nèi)外很多學(xué)者對(duì)此進(jìn)行了大量研究和探索，本文即是在這些研究的基礎(chǔ)上，針對(duì)上述問(wèn)題展開(kāi)研究工作。主要工作可概括如下：
　　在運(yùn)動(dòng)目標(biāo)檢測(cè)方面，針對(duì)檢測(cè)的準(zhǔn)確性和完整性要求，提出了一種基于馬爾科夫隨機(jī)場(chǎng)模型的時(shí)-空聯(lián)合目標(biāo)檢測(cè)實(shí)現(xiàn)方法。在空域檢測(cè)中，提出了Mean-Shi

3、ft約束標(biāo)記的分水嶺分割方法。該方法利用了Mean-Shift算法的聚類特性，在序列幀的特征域和圖像域?qū)ふ腋怕拭芏燃袇^(qū)，并結(jié)合兩個(gè)域的信息標(biāo)記出圖像的視覺(jué)關(guān)注區(qū)，作為分水嶺分割的約束條件，避免了分水嶺算法容易產(chǎn)生的過(guò)分割現(xiàn)象。建立了簡(jiǎn)化 S-TMRF模型，構(gòu)建相應(yīng)的后驗(yàn)?zāi)芰亢瘮?shù)，將空域檢測(cè)和時(shí)域檢測(cè)的信息統(tǒng)一在 MRF-MAP檢測(cè)框架下，得到了更為準(zhǔn)確、完整，符合人的視覺(jué)感受的檢測(cè)目標(biāo)。
　　在運(yùn)動(dòng)目標(biāo)跟蹤方面，針對(duì)傳統(tǒng) Mea

4、n-Shift采用固定核窗寬，難以適應(yīng)目標(biāo)尺度變化，易造成定位不準(zhǔn)甚至失蹤的缺點(diǎn)。提出了基于邊界力的核窗寬自適應(yīng)調(diào)節(jié)方法。在對(duì)Mean-Shift算法中目標(biāo)模型進(jìn)行分析的基礎(chǔ)上，引入了邊界力的概念，在 Mean-Shift跟蹤中加入跟蹤目標(biāo)邊界附近空間點(diǎn)的特征匹配約束，從而能夠獲得當(dāng)前跟蹤目標(biāo)的位置和尺度，并根據(jù)檢測(cè)估計(jì)到的尺度來(lái)調(diào)節(jié)核函數(shù)帶寬。該算法與傳統(tǒng)的三步法相比，減少了運(yùn)算量和運(yùn)算復(fù)雜度，可以更穩(wěn)定的跟蹤空間尺度變化較大的目標(biāo)。

5、
　　研究了Mean-Shift跟蹤中的狀態(tài)判斷問(wèn)題，在分析目標(biāo)和背景特征相對(duì)關(guān)系的基礎(chǔ)上，引入特征增強(qiáng)函數(shù)，構(gòu)造了新的背景模板。在跟蹤過(guò)程中，通過(guò)對(duì)候選目標(biāo)與兩個(gè)模板相似度系數(shù)的綜合分析，可以準(zhǔn)確判斷跟蹤所處的狀態(tài)及可能的產(chǎn)生原因，并采取相應(yīng)的模板調(diào)整策略。由于綜合考慮了目標(biāo)與背景的相互影響，算法對(duì)跟蹤狀態(tài)的辨別更為準(zhǔn)確。
　　研究了粒子濾波在軌跡復(fù)雜的快速運(yùn)動(dòng)目標(biāo)跟蹤中的應(yīng)用。針對(duì)粒子濾波算法需要大量粒子來(lái)近似描述目標(biāo)狀

6、態(tài)，耗時(shí)較多的問(wèn)題，利用Mean-Shift算法在重采樣前將粒子收斂到靠近目標(biāo)真實(shí)狀態(tài)的區(qū)域內(nèi)，使粒子的分布更為合理有效。算法減少了粒子濾波跟蹤所需要的粒子數(shù)，提高了算法的跟蹤效率。
　　最后，在算法研究的基礎(chǔ)上，針對(duì)室內(nèi)監(jiān)控這一特定背景環(huán)境，設(shè)計(jì)搭建了一個(gè)基于TI公司高性能DSP處理器TMS320DM642芯片的目標(biāo)監(jiān)控系統(tǒng)測(cè)試平臺(tái)。根據(jù)硬件系統(tǒng)本身的性能和特點(diǎn)，在算法結(jié)構(gòu)、代碼結(jié)構(gòu)和DM642芯片功能三個(gè)層次上進(jìn)行了優(yōu)化，以滿