论文部分内容阅读
视频运动目标检测与跟踪算法是计算机视觉领域的一个核心课题,也是智能视频监控系统的关键底层技术。它融合了模式识别、图像处理、人工智能等领域的研究成果,已经广泛应用于安保监控、智能武器、视频会议、视频检索等各个领域。因此,检测与跟踪算法研究具有极其重要的理论意义和实用价值。本文根据横向科研项目——全场景视频预警与跟踪监控系统的研制要求,以智能视频监控为应用背景,着重探索研究视频运动目标检测与跟踪算法,提出一些改进方法,并通过编程实现和验证改进方法的有效性。在运动目标检测方面,本文对常用的三种方法进行了分析,包括光流法、帧间差分法和背景差分法,并指出其优缺点及主要的适用范围;重点研究了三帧差分法和混合高斯模型背景差分法。三帧差分法比较简单,对环境的适应能力强,但是检测到的运动目标不精确;混合高斯模型背景差分法能在运动目标存在的场景中提取背景模型且对其进行实时更新,但是当场景全局光照突变时,会将整个视频帧检测为运动目标,造成误检现象。在运动目标跟踪方面,本文概述了四种常用方法,包括基于3D模型的跟踪算法、基于区域匹配的跟踪算法、基于特征匹配的跟踪算法和基于活动轮廓的跟踪算法;重点介绍了特征匹配跟踪算法中的Mean Shift跟踪算法,针对它缺乏目标模型更新算法和整体目标模型更新算法出现模型漂移问题,提出了一种选择性模型更新的Mean Shift运动目标跟踪算法。该算法的核心思想是计算目标模型的各个分量对整个相似度量系数的匹配贡献度,并根据其值来选择性的更新目标模型的各分量。改进的算法能够有效稳定地跟踪运动目标,具有良好地实时性和鲁棒性。本文最后在Visual C++6.0软件平台上,利用OpenCV库函数对视频运动目标检测与跟踪算法进行编程实现,对程序实现结果进行分析。运动目标检测算法包括帧间差分法、三帧差分法和混合高斯模型背景差分法;运动目标跟踪算法包括传统的Mean Shift跟踪算法、具有整体模型更新的Mean Shift跟踪算法和本文提出的选择性模型更新算法。