視頻中移動對象跟蹤技術研究【開題報告+文獻綜述+畢業(yè)設計】

1、1畢業(yè)設計開題報告畢業(yè)設計開題報告計算機科學與技術計算機科學與技術視頻中移動對象跟蹤技術研究視頻中移動對象跟蹤技術研究一、選題的背景與意義隨著計算機技術、圖像處理技術的不斷發(fā)展，視頻中移動對象跟蹤技術目前已成為熱點研究問題。視頻跟蹤技術，經過近50多年的深入研究和發(fā)展，在軍事制導、視覺導航、安全監(jiān)控、智能交通等方面有著廣泛的應用和發(fā)展前景。如視頻跟蹤通過攝像機監(jiān)控動態(tài)場景，已被廣泛地應用在社會生活的各個方面，可應用于社區(qū)、大型公共場所及

2、重要設施的安全監(jiān)控；智能交通系統(tǒng)中，進行車輛的實時檢測和跟蹤，可以實時監(jiān)控車流量、車速、車流密度、交通事故、違章逃逸車輛等交通狀況，用于實時的智能交通調度。二、研究的基本內容與擬解決的主要問題：1.視覺跟蹤算法現(xiàn)在普遍將視覺跟蹤算法劃分為：1)基于區(qū)域的跟蹤(Region—basedtracking)?；趨^(qū)域的跟蹤算法基本思想是：首先得到包含目標的模板(Template)，該模板通過圖像分割獲得或是預先人為確定，模板通常為略大于目標的

3、矩形，也可為不規(guī)則形狀；然后在序列圖像中，運用相關算法跟蹤目標，對灰度圖像可以采用基于紋理和特征的相關，對彩色圖像還可利用基于顏色的相關。近年來，對基于區(qū)域的跟蹤方法關注較多的是如何處理模板變化時的情況，這種變化是由運動目標姿態(tài)變化引起的，如果能正確預測目標的姿態(tài)變化，則可實現(xiàn)穩(wěn)定跟蹤。2)基于特征的跟蹤(Featurebasedtracking)。基于特征的跟蹤算法一般也采用相關算法。與基于區(qū)域的跟蹤算法的不同之處在于，后者使用目標整

4、體作為相關時的對象，而前者使用目標的某個或某些局部特征作為相關時的對象。這種算法的優(yōu)點在于即使目標的某一部分被遮擋，只要還有一部分特征可以被看到，就可以完成跟蹤任務。另外，這種方法與卡爾曼濾波器聯(lián)合使用，也具有很好的跟蹤效果這種算法的難點是：對某個運動目標，如何確定它的唯一3真實運動目標的檢測概率，這一點在視頻監(jiān)視系統(tǒng)中要求比較高。由于實際復雜環(huán)境中存在大量噪聲，很難實現(xiàn)各種環(huán)境條件下對運動目標地準確檢測，往往只能在虛警率和漏警率之間尋

5、求一個折中(Tradeoff)。虛警率和漏警率轉化為統(tǒng)計的語言就是一個假設檢驗犯第一類錯誤和第二類錯誤的概率。3)快速性(Speed)。一個實用的視覺跟蹤系統(tǒng)必須能夠實現(xiàn)對運動目標的實時跟蹤，這就要求視覺跟蹤算法必須具有快速性。但是，視覺跟蹤算法處理的對象是包含巨大數(shù)據量的圖像，這些算法往往需要大量的運算時間，很難達到實時處理的要求。通常，簡單算法能夠實現(xiàn)實時跟蹤，但跟蹤精度卻很差；復雜算法具有很高的跟蹤精度，實時性卻很差。一種通用的減

6、小視覺跟蹤算法運算量的方法是利用金字塔分解或小波變換將圖像分層處理；另一種思路是設計專用硬件實現(xiàn)實時的視覺跟蹤。三、研究的方法與技術路線：在本課題研究中前期我將采用基于區(qū)域的跟蹤的MeanShift算法解決沒有運動目標的突然變速情況下的目標跟蹤，它具有快速定位的特點。然而，MeanShift跟蹤算法要求相鄰兩幀間目標搜索模板區(qū)域必須重疊，因此對于運動目標的突然變速以及跟蹤系統(tǒng)的實時性具有一定的限制。但在這方面也已經有人提出了結合卡爾曼濾

7、波的方法予以很好的解決，這可以成為我后期研究的一個方向。1.基本的MeanShift給定d維空間錯誤錯誤!未找到引用源。未找到引用源。中的n個樣本點錯誤錯誤!未找到引用源。未找到引用源。i=1…n在x點的MeanShift向量的基本形式定義為:錯誤錯誤!未找到引用源。未找到引用源。(1)其中錯誤錯誤!未找到引用源。未找到引用源。是一個半徑為h的高維球區(qū)域k表示在這n個樣本點錯誤錯誤!未找到引用源。未找到引用源。中有k個點落入錯誤錯誤!未