復(fù)雜背景下的運(yùn)動(dòng)目標(biāo)檢測與跟蹤技術(shù)-研究

《復(fù)雜背景下的運(yùn)動(dòng)目標(biāo)檢測與跟蹤技術(shù)-研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。

1、華中科技大學(xué)碩士學(xué)位論文第1章緒論1.1論文背景及研究意義隨著計(jì)算機(jī)性能的提高和各種傳感器的發(fā)展，人工智能（ArtificialIntelligence，簡稱AI）作為計(jì)算機(jī)學(xué)科的一個(gè)重要分支獲得了迅速的提升。而在各項(xiàng)生產(chǎn)和社會(huì)活動(dòng)中，計(jì)算機(jī)視覺作為人工智能的重要部分得到了極大的重視。它主要是研究如何使用計(jì)算機(jī)系統(tǒng)來模擬人類視覺系統(tǒng)認(rèn)識(shí)和理解客觀世界的過程，即使用計(jì)算機(jī)系統(tǒng)模仿人眼和大腦對(duì)觀測目標(biāo)、客觀環(huán)境等進(jìn)行感知、解釋以及理解。計(jì)算機(jī)視[1][2][3][4]覺的研究內(nèi)容很多，作為計(jì)算機(jī)視覺領(lǐng)域的一個(gè)十分重要的課題，圖像

2、處理中的復(fù)雜背景下的運(yùn)動(dòng)目標(biāo)檢測與跟蹤技術(shù)成為了本文研究的課題。課題研究的自助通道的防尾隨檢測、海關(guān)海平面船只檢測、基于紅外圖像的車底藏人檢測、特殊區(qū)域自動(dòng)監(jiān)控都是基于圖像信息的檢測與跟蹤技術(shù)在實(shí)際中的典型應(yīng)用。而且這些應(yīng)用所處環(huán)境均較為惡劣，屬于復(fù)雜背景下的目標(biāo)檢測和跟蹤。通常復(fù)雜背景下運(yùn)動(dòng)目標(biāo)檢測與跟蹤需要從多方面進(jìn)行考慮，包括視覺信息獲取和描述、背景復(fù)雜性、目標(biāo)復(fù)雜性、算法速度及精度權(quán)衡等。目前已經(jīng)有不少關(guān)于運(yùn)動(dòng)目標(biāo)的檢測與跟蹤技術(shù)的研究。但基于檢測目標(biāo)所處背景的復(fù)雜性以及檢測精準(zhǔn)度和實(shí)時(shí)性的要求，高性能的目標(biāo)檢測與跟

3、蹤算法依然是當(dāng)前研究的重點(diǎn)。1.2國內(nèi)外研究現(xiàn)狀運(yùn)動(dòng)目標(biāo)檢測與跟蹤技術(shù)開始于第二次世界大戰(zhàn)前夕，但限于當(dāng)時(shí)硬件設(shè)施條件有限以及科研投入不夠，上世紀(jì)80年代以前發(fā)展較為緩慢。之后隨著計(jì)算機(jī)的飛速發(fā)展，目標(biāo)檢測與跟蹤技術(shù)也在此基礎(chǔ)上得到了突飛猛進(jìn)。下面分別從運(yùn)動(dòng)目標(biāo)檢測與跟蹤技術(shù)包含的四個(gè)方面分析國內(nèi)外的研究狀況。1華中科技大學(xué)碩士學(xué)位論文1.2.1運(yùn)動(dòng)目標(biāo)檢測運(yùn)動(dòng)目標(biāo)檢測的目的是從圖像序列中將運(yùn)動(dòng)目標(biāo)區(qū)域從背景圖像中檢測出來。靜態(tài)背景下運(yùn)動(dòng)目標(biāo)檢測最基本、最常用的三種方法是背景差分法、幀間差分法以及光流法。背景差分法和幀間差分

4、法原理簡單，實(shí)時(shí)處理效率高，為了使其能更好的被應(yīng)用于實(shí)際，很多研究人員對(duì)幀差法和背景差法進(jìn)行了許多改進(jìn)。如李澤峰等人利用[5]三幀差分法的主要思想將背景差法和幀差法結(jié)合起來實(shí)現(xiàn)了運(yùn)動(dòng)目標(biāo)的檢測，陳磊[6]等人提出的一中基于動(dòng)態(tài)閾值對(duì)稱差分和背景差法的運(yùn)動(dòng)對(duì)象檢測算法，對(duì)消除噪聲和背景擾動(dòng)帶來的影響有著較好的效果。基本的背景差分法是一中最簡單但最不精確的背景建模，因此為了尋求更為精確的背景建模方法，研究人員對(duì)此進(jìn)行了多[7]方面的努力。由Stauffer與Grimson提出的混合高斯背景建模（MOG），利用前N幀對(duì)RGB三個(gè)通

5、道分別進(jìn)行中值求取建立模型，使得背景建模問題得到了重大突破。之后對(duì)MOG存在的一些問題，后續(xù)許多學(xué)者對(duì)其進(jìn)行了改進(jìn)，使得背景建模技術(shù)可以應(yīng)用到很多實(shí)時(shí)跟蹤場合。光流法計(jì)算較為復(fù)雜，而且運(yùn)動(dòng)目標(biāo)自身速度過快或過慢都會(huì)影響檢測效果，比較難以應(yīng)用于對(duì)實(shí)時(shí)性準(zhǔn)確性都要求較高的目標(biāo)檢測系統(tǒng)中。許多學(xué)者針對(duì)它存在的缺陷進(jìn)行了不同的改進(jìn)。楊葉梅在研究了基于梯度的Horn&Schunck光流算法的[8][9]基礎(chǔ)上，提出了一種基于高斯金字塔的改進(jìn)光流法提高了算法效率。施家棟等提出的改進(jìn)光流算法實(shí)現(xiàn)了動(dòng)態(tài)場景中目標(biāo)的檢測。綜上所述，靜態(tài)場景下

6、的運(yùn)動(dòng)目標(biāo)檢測已有了較大發(fā)展，但具有普適性能應(yīng)用于實(shí)際的算法還較為少見，因此對(duì)于復(fù)雜背景下的運(yùn)動(dòng)目標(biāo)檢測還需要更多新的算法提出。動(dòng)態(tài)背景下的運(yùn)動(dòng)目標(biāo)檢測由于被檢測目標(biāo)與攝像機(jī)存在的相對(duì)運(yùn)動(dòng)更加復(fù)雜，因此對(duì)檢測算法有更高的要求。2華中科技大學(xué)碩士學(xué)位論文1.2.2目標(biāo)分類目標(biāo)分類是對(duì)檢測到的運(yùn)動(dòng)目標(biāo)按一定標(biāo)準(zhǔn)進(jìn)行分類。常用的分類方式有多種，包括基于形狀分類、基于運(yùn)動(dòng)特性分類以及基于顏色分類等等。按照對(duì)感興趣運(yùn)動(dòng)目標(biāo)的要求選擇不同的分類方法。例如對(duì)于區(qū)分檢測到的運(yùn)動(dòng)目標(biāo)如行人和行駛車輛，可以根據(jù)行人和車輛的長寬比、速度，以及不同

7、的大小來進(jìn)行分類，因此綜合使用不同分類方法是應(yīng)用中的更好選擇。1.2.3目標(biāo)跟蹤目標(biāo)跟蹤是指在連續(xù)的圖像幀間建立基于位置、形狀、輪廓以及速度等相關(guān)特征的對(duì)應(yīng)匹配問題。對(duì)于目標(biāo)跟蹤基于不同的跟蹤信息，目標(biāo)跟蹤衍生出了很多算法，主要分為根據(jù)視覺特征和目標(biāo)定位跟蹤算法兩大類。[10]根據(jù)視覺特征的跟蹤算法，如顏色、邊緣、光流等特征。如C.Yang等人選擇[11,12]顏色直方圖作為匹配特征，采用MeanShift算法實(shí)現(xiàn)對(duì)形狀變換目標(biāo)跟蹤。文獻(xiàn)[13]結(jié)合粒子濾波技術(shù)實(shí)現(xiàn)了遮擋情況下的目標(biāo)穩(wěn)定跟蹤。文獻(xiàn)提出的方法利用空間信息更好的

8、提高了目標(biāo)跟蹤的穩(wěn)定性。根據(jù)目標(biāo)定位的跟蹤算法也是研究的熱點(diǎn)，主要分為兩類，概率跟蹤方法和確定性跟蹤方法。概率跟蹤方法主要利用貝葉斯理論，采用估計(jì)與測量結(jié)合的方式而實(shí)[14,15,16][17,18,19]現(xiàn)對(duì)目標(biāo)的跟蹤，包括卡爾曼濾波、粒子濾波等。確定性跟蹤是一種建[10,20,22,2