论文部分内容阅读
基于视觉的运动目标分析是指对视频中的运动目标进行检测、识别和跟踪，并理解与分析目标行为，它在视频监控、机器人技术、图像检索、图像压缩等研究领域有着重要应用。其中，运动目标检测与跟踪是目标行为理解与分析的基础。因此，对基于视觉的运动目标检测和跟踪算法的研究具有重要意义。该文就运动目标分析系统中运动目标检测与跟踪等问题展开研究，主要研究成果如下：(1)针对当背景差分图像呈现多峰特性时，阈值分割方法的目标检测效果不理想的问题，提出了一种背景差分与边缘检测相结合的运动目标检测算法。首先提出一种基于改进的灰预测模型白化响应的图像边缘检测算法，该算法以图像考察点附近的若干像素点值作为建模数据，通过引入调整参数p的GM(1,1,x(1))模型对原图像进行预测处理，得到原始图像的预测图像，通过对预测图像与原始图像做差实现图像的边缘检测。最后利用改进的边缘检测方法检测目标差分图像的边缘，进而实现运动目标检测。(2)将基于区域的方法与基于边界的方法相结合，提出了一种两阶段运动目标跟踪算法。第一阶段采用Mean Shift结合GM(1,1)预测模型来定位目标初始区域，该算法优化了原始GM(1,1)模型的初始条件与背景值，将改进GM(1,1)预测模型的预测值作为下一帧Mean Shift算法的迭代位置，减少了Mean Shift算法的迭代次数，并将多尺度图像信息量度量方法引入到目标跟踪中，从而实现跟踪窗口的自适应变化；第二阶段采用基于Mumford-Shah模型的改进水平集方法进一步演化目标轮廓，从而得到更加精确的目标边界。(3)针对传统Mean Shift算法在复杂环境、动态场景及目标发生机动或存在遮挡的情况下跟踪效果不理想的缺点，提出了一种基于改进MeanShift与自适应预测的运动目标跟踪算法。该算法首先利用目标的颜色和梯度两种特征改进MeanShift算法，然后通过监测Bhattacharyya系数的变化切换滤波器。当目标正常运动时，利用α-β-γ滤波器预测下一帧图像Mean Shift算法的起始迭代位置，以减少Mean Shift的迭代次数；当目标发生部分遮挡或跟踪偏离时，采用粒子滤波器进行预测；当目标完全遮挡时，关闭MeanShift算法，利用α-β-γ滤波器预测保持跟踪的连续性。实验结果表明，该算法在静态与动态场景下均能实现精确跟踪，对目标的不规则运动和严重遮挡具有较强的鲁棒性。