论文部分内容阅读
对于运动目标识别与跟踪方法的研究一直以来都是计算机视觉课题研究的热点,广泛应用于视频监控、医疗手术的诊断治疗和智能交通等各方面,所以本课题的研究有着很强的理论意义和实际意义。本文主要是对静态背景下运动目标识别及跟踪方法进行研究,针对复杂背景下目标识别效果不明显以及发生遮挡时跟踪失败的问题,在分析传统的识别、跟踪算法的基础之上加以改进。最终本文取得的研究成果如下:运动目标识别方法的研究。首先对传统的目标识别算法进行分析比较,并根据各自的优缺点,为解决识别效果不明显的问题,在帧差法与背景差分法的基础上提出一种新的改进算法。该算法将融合边缘检测的三帧差法与基于Surendra算法的背景差分法相结合,在五种不同的环境:简单单一环境下、大尺度及小尺度目标场景下、目标速度很快的场景下、多运动目标环境下和光照环境场景下分别进行实验。结果表明,通过在单一背景和各种复杂背景下进行结果对比,本文提出的新算法能够完整、准确的从图像序列中提取出运动目标,适用于不同的场景,且满足实时性的要求,对环境具有鲁棒性,弥补了帧差法与背景差分法的缺点,可行有效。运动目标跟踪方法的研究。对常用的跟踪技术分类进行了说明,然后重点阐述了Camshift算法的基本原理,并进行实验论证。当目标发生遮挡时会导致跟踪失败,为解决这一问题引入预测器到跟踪过程中,通过预测器对目标在下一帧图像的期望位置进行估计,解决遮挡问题。本文提出一种基于线性预测的方法,将其与Camshift算法相结合,与常见的Kalman+Camshift算法进行实验对比,在三种不同环境下就跟踪效果、跟踪误差、迭代次数和消耗时间四个方面进行实验比较。结果表示,该方法既能解决遮挡引起的跟踪失败问题,也能满足实时性的要求以及不同环境下跟踪,预测跟踪准确,方法可行有效。通过上述提出的改进算法能够解决目标识别效果不明显以及遮挡导致的跟踪失败问题,新的算法相较于改进前在性能上有很大的提高。