《视频中运动目标检测与跟踪技术研究》由会员分享，可在线阅读，更多相关《视频中运动目标检测与跟踪技术研究（59页珍藏版）》请在金锄头文库上搜索。
1、杭州电子科技大学硕士学位论文视频中运动目标检测与跟踪技术研究姓名：王盼申请学位级别：硕士专业：信号与信息处理指导教师：赵泽茂;郭春生20091101杭州电子科技大学硕士学位论文 I 摘 要 基于静止摄像机的运动目标检测与跟踪技术是计算机视觉及相关领域的基础问题之一，良好的检测跟踪算法能够为相关领域的高层应用如智能视频监控、模式识别、智能视频会议等提供高效有力的支持。但由于现实环境的复杂性和多变性，以及图像传感器分辨率的限制，导致复杂背景环境下运动目标的精确检测与跟踪存在一定的困难。 基于上述原因，本文着重研究了视频中运动目标检测与跟踪技术，在总结前人的基础上提出了几种新的算法。论文第一章介绍了
2、当前国内外的研究现状，第二、三章分别提出了两种新的运动目标检测算法，第一种是基于自组织映射的区域高斯模型的运动目标检测算法，第二种是基于自适应图切的运动目标检测算法。在论文的第四章还详细介绍了一种基于Rao-Blackwellized 粒子滤波数据关联的多目标跟踪算法。另外在第五章总结了全文并对下一步的研究工作做出了展望。第二至四章所述算法的介绍如下： 基于自组织映射的区域高斯模型的运动目标检测算法，采用单高斯模型和区域高斯模型的级联式检测方法，并在区域高斯模型的更新过程中引入了自组织映射的“竞争、合作”机制。算法不仅能够在水波纹和树叶晃动等复杂背景环境中检测运动目标，并且能够保证检测运动目标
3、的相似性。使用 PETS2002 和 Water Surface 复杂背景图像序列的仿真结果验证了算法的有效性。 基于自适应图切的运动目标检测算法，通过引入运动目标像素点数和前景背景邻接像素对数的卡尔曼预测和节点流量的自适应更新，成功将图切算法应用到视频图像的运动目标分割中，实现视频运动目标的连续全局优化分割。实验结果表明，算法在复杂背景条件下定量检测性能指标表现良好。 基于 Rao-Blackwellized 粒子滤波器数据关联的多目标跟踪算法，该算法与卡尔曼预测相结合，比普通的粒子滤波器算法在跟踪精度上有较大的提高，并且减少了所需要的粒子数量。同时算法还可处理未知个数目标的消失、相互遮蔽、
4、出现等的情况。最后给出了模拟场景的仿真跟踪结果。 本文提出的两种运动目标检测算法与单高斯、多高斯及其它一些算法相比，在检测精度（如检出率、正检率等指标）上有了较大幅度的提升，对背景噪声的处理能力也更加优越。第四章所述多目标跟踪算法能够在使用较少数量粒子的情况下稳健的跟踪未知数目的运动目标，提高了跟踪速度与精度。 关键词： 运动目标检测， 运动目标跟踪， 区域高斯模型， 自组织映射， 图切， Rao-Blackwellized粒子滤波，数据关联 杭州电子科技大学硕士学位论文 II ABSTRACT Moving objects detection and tracking base on sta
5、tic video is one of the fundamental issues in the computer vision and other relative fields, algorithm which has excellent performance can give powerful support to high level applications such as intelligent video surveillance, pattern recognition, and intelligent video conference and so on. But due
6、 to the complexity and mutability of real environment, and also because of the limitation of image sensors resolution, resulting in that lots of difficulties exist in detecting and tracking moving objects in complex background situation. For the above reasons, moving objects detection and tracking t
7、echnologies in video are researched in this paper, and several new algorithms are put forward on the basis of summarizing forefathers. The state of the art at home and abroad is presented in the first chapter. Two novel moving objects detection algorithms are proposed in the second and third chapter
8、 of this paper respectively, the first is moving objects detection by region Gaussian model base on self-organization mapping, the second is research on adaptive graph-cut algorithm to video moving objects segmentation. The Rao-Blackwellized Monte Carlo data association for multiple targets tracking
9、 algorithm is introduced in the forth chapter. A summary and outlook of this paper is given in the fifth chapter. The algorithms described in the second to forth chapter are introduced as below. The moving objects detection by region Gaussian model base on self-organization mapping algorithm, combin
10、ed single Gaussian model with region Gaussian model to make up a cascading detection method, and the “competition 2) 重复如下步骤，直到不存在可扩充路径： 通过深度优先遍历算法查找rG中从源节点到汇节点的可用路径； 使用该条路径上的最小残余流量扩充该路径的流量； 更新流量残余图。 文献31提出了一种“push-relabel”算法用来解决求解最大流问题；该算法的基本思想为通过边而不是路径来扩充流量，尽可能大的将流量从源节点推（push）到汇节点；其步骤如表1.3所示。 表1.3
11、“push-relabel”算法步骤 1) 初始化： 计算节点i的距离标签( )d i； 从源节点开始推出流量； 设置源节点的距离标签( )d sn=，n为节点总数； 2) 重复如下步骤，直到图中不存在活动节点（所谓活动节点是指该节点不是源、汇节点，且其距离标签的值小于节点总数，且超额流量( )e i大于零的节点） ：选择一个活动节点； push-relabel： i. 如果该节点上存在可接受残余边（可接受残余边( , )i j是指满足( )( ) 1d id j=+的残余边） ，则用min( ( ), ( , )e i r i j扩充该边的流量（其中( , )r i j是边,i j更新距离标
12、记( )d i（其中E为节点集合） 。 文献32提出了一种对文献30的改进算法，将深度优先遍历搜索改进为动态搜索树算法进行残余图中可用路径的搜索，加快了搜索速度，从而提高算法的整体运行效率。其它文献中还杭州电子科技大学硕士学位论文 8 有许多对3031进行改进的算法，在此不一一叙述，仅在表1.2中给出这些算法的计算复杂度。 表1.4 各种求解最大流/最小切问题的算法的计算复杂度 基本算法 改进形式 计算复杂度 Generic30 ()O mnU Capacity scaling (log)O mnU Successive shortest path 2()O mn Layered Networ
13、k 2()O mn Augmenting Path Dynamic searching tree32 (log )O mnn Generic31 2()O mn FIFO preflow-push 3()O n Push-relabel Highest-label preflow-push 2()O nm 注：m为图中总无向边数，n为总节点数，U为图的最大流量。 图1.1 计算机视觉问题采用图切算法的基本框架 1.2.2 运动目标跟踪技术 运动目标跟踪，顾名思义，是一种在一系列图像帧中跟踪单个或多个运动目标的技术。运动目标跟踪是一个具有挑战性的问题，其主要困难在于目标在运动过程中可能存在无规则
14、的运动、运动目标本身或其所处环境可能发生变化、非刚体运动目标的形状变化、目标与目标或目标与环境的相互遮蔽、摄像机运动、三维世界到二维图像投影导致的信息丢失、图像中噪声影响、实时跟踪要求等复杂情况，跟踪通常运行在需要知道目标在每帧中的位置和形状的场合中。本文主要讨论静止摄像机情况下的运动目标跟踪技术。 文献33详细总结了2006年以前的各种非特定目标使用的运动目标跟踪算法；文中第2节叙述了跟踪时常用的目标表示法，如点表示法、简单几何形状表示法、目标轮廓表示法等；第3节目标跟踪过程中经常使用的各种图像特征，如色彩、运动形态、边缘等；第4节概述了跟踪过程中目标检测的一般策略；第5节则总结了现有跟踪方
15、法并论述了其优缺点；第6计 算 机视 觉 问题二 元 标记能 量 最 小 化 标 记 问 题最小 切 问 题最 大 流 问题多 元 标记杭州电子科技大学硕士学位论文 9 节讨论了目标跟踪相关的一些重要问题；详细内容请参阅该文献，本文不在此赘述。下面将主要叙述自2006年以来的文献中所述目标跟踪算法。 文献34提出了一种采用Mean Shift算法跟踪运动目标时，减少目标模型中背景像素对跟踪精度的影响的改进算法，该算法引入了一个集成背景特征和目标特征的权重参数对直方图进行加权，得到目标的加权直方图，设置权重时以目标中心的权重为最大，距离中心越远则权重越小，用来减少背景像素的影响，即该算法假设背景
16、像素总处在距离目标中心较远的目标模型的边缘区域；算法还加入了线性预测步骤以减少搜索匹配目标的迭代次数，增强目标出现混叠时的算法鲁棒性。 文献35提出了一种新的自适应带宽Mean Shift算法用于运动目标跟踪，该算法除了能实时跟踪目标位置外，还可以跟踪目标的大小和方向；作者采用自适应带宽核加权的特征直方图来对目标及目标候选区域建模，并利用Bhattacharyya系数来度量目标与候选区域的相似度，算法通过两个步骤来查找最可能的目标位置、大小和方向，首先利用Mean Shift算法迭代得到目标的位置，然后计算描述目标大小和方向的带宽信息。文献36提出了一种基于形状相似度的粒子滤波算法用于运动目标跟踪，该算法可以处理高度非线性状态的单一运动目标的跟踪情况；算法在粒子滤波框架下提出了一种基于瞬时/自适应模板匹配的跟踪算法，在计算候选区域与模板匹配程度之前首先将二者转换为距离变换图，以利用归一化交叉相关性来度量二者之间的匹配程度，目标的初始模板由手工设定的矩形框确定。文献37认为单一类型的跟踪器用于非刚体多目标跟踪情况存在限制
