论文部分内容阅读
运动目标检测(Moving Object Detection, MOD)和视觉目标跟踪(Visual ObjectTracking，VOT)是计算机视觉(Computer Vision，CV)领域研究中具有挑战性和代表性的研究方向，它们在制导武器、航天拍摄、视频监控等领域都发挥着重要的作用。本文的研究内容主要涉及了MOD和VOT两个方面。具体来说，本文在CV领域中前辈的优秀研究成果的基础上，对现有的目标检测和跟踪方法进行了改进和创新，提出了一种基于目标运动显著性和颜色显著性相结合的目标检测方法和一种基于融合多特征的压缩感知目标跟踪方法，本文的贡献主要有以下三个方面：(1)本文在LK光流法[1]的基础上提出了一种目标检测方法。首先，该检测方法在LK稀疏光流(Lucas Kanade Optical Flow)算法的基础上进行扩展，将LK光流和传统Mean Shift方法相结合来估计当前背景的运动矢量，这种背景估计方法能够在背景运动情况下有效快速检测出场景中的运动目标，克服传统帧差法和背景补偿法在运动背景下检测目标的空洞效应。第二，本方法放弃传统光流检测的均匀采样方法，转而以一种基于局部方差的非均匀采样方法和基于背景运动显著性的二次采样方法对运动背景进行采样，这种采样方法可避免LK光流算法在稀疏纹理特征点上的漂移现象，能够提高微小运动目标的检测成功率和LK光流的有效使用率以及算法运行速度。第三，为弥补LK光流在目标运动不显著的情况下检测成功率低的问题，本文提出了一种快速目标颜色显著性检测算法对LK光流算法进行补偿，使得目标的微弱运动也能够成功检测。(2)本文在压缩感知算法的基础上提出了一种基于局部纹理特征和全局颜色特征的目标跟踪方法。该方法对压缩感知算法[2](Compressive Sensing Tracking, CSK)进行了三方面的改进。首先，本文对其特征提取进行改进，使用一种具有全局特征的类Haar特征对目标进行描述。其次，原始CSK方法只能描述目标的局部纹理信息，当目标发生形变或旋转时，局部纹理易发生变化，从而容易造成丢失目标。本文在原始算法的基础上增加了一维宏观颜色特征，使得目标特征的描述在整体和局部之间取得平衡，原始算法的局部纹理特征能够捕捉目标的细微变化和快速运动。新增的全局颜色特征能够适应目标的旋转、缩放和遮挡等整体变化。本方法兼顾了特征空间中的低频成分和高频成分，使跟踪效果得到了显著提高。最后，本文使用粒子滤波技术对原有的搜索方法进行改进，使算法运算速度得到显著提升。(3)本文提出了一种图像局部特征快速计算方法，可将原O(n2)复杂度的图像特征运算降低到O(1)或O(n)。该方法可以以O(1)的时间复杂度计算图像局部的像素和、像素平方和、方差、标准差、熵值和均值滤波等特征；可以以O(n)的时间复杂度计算图像中两个子区域的余弦距离和相关系数。