基于时空视觉显著性特征的Mean Shift目标跟踪算法研究

摘要

目标跟踪一直以来都是计算机视觉研究的热点问题，在国防军事、智能交通和生活安防等众多领域得到了广泛的应用。近年来，视觉显著性检测技术的研究取得了实质性的进展和突破，该项技术可以使图像处理过程更接近于人类的认知机制。目前，已有学者成功地将其引入目标跟踪过程，以提高跟踪算法的鲁棒性和准确率。但是，现有视觉显著性模型对复杂场景的检测效果欠佳，且不具有通用性。为了进一步提升跟踪算法的性能，本文先对目前性能较优的基于直方图对比度的显著性检测模型(HC)进行改进，研究一种适用于目标跟踪任务的时空显著性检测模型，并将该模型引入基于Mean Shift算法的目标跟踪方法中，提出一种基于时空视觉显著性特征的目标跟踪算法。具体研究内容包括以下两个方面。
　　首先，针对基于直方图对比度的显著性检测模型在处理跟踪问题时不具有针对性，并且忽略了运动信息对显著性的贡献的问题，提出一种适用于目标跟踪任务的时空显著性检测模型。空间域上，通过引入SLIC超像素分割和目标位置先验信息，对HC模型进行改进，得到每帧图像上完整的显著目标;时域上，添加运动特征通道作为视觉注意的引导方式，结合帧差法和光流法检测运动矢量场，利用运动熵和方向一致性特征对运动矢量的显著程度进行分析，进而构建时域显著性模型;最后，采用自适应加权的方式融合时、空域显著图，得到能适应不同情形跟踪任务的时空显著性检测模型。在标准数据集上的实验结果表明，相较于对比模型，本文提出的模型具有更好的鲁棒性，能够有效抑制扰动背景的干扰，并突出显著前景目标。
　　其次，针对基于Mean Shift的目标跟踪方法在目标与背景颜色相近或目标被遮挡情况下鲁棒性不强的问题，利用本文所提出的时空显著性检测模型对其进行改进，并引入收敛窗口的自适应调整策略以及Kalman滤波位置预测，提出一种基于时空视觉显著性特征的Mean Shift目标跟踪算法。本文算法能够充分发挥视觉显著性特征在光照变化、姿态变化等干扰环境下的不变性优势，进而提升跟踪的鲁棒性和精确度。实验结果表明，视觉显著性特征能够有效弥补颜色特征的不足，提高跟踪的鲁棒性，并且在颜色混淆以及部分遮挡等复杂环境条件下，本文算法可以实现连续的自适应跟踪，相比于对比算法具有更强的抗遮挡、抗干扰能力。

目录

声明

摘要

第1章 绪论

1．1 研究目的和意义

1．2 课题的国内外研究现状

1．2．1 目标跟踪的国内外研究现状

1．2．2 视觉显著性检测的国内外研究现状

1．3 目标跟踪的挑战和难点

1．4 课题研究内容及章节安排

第2章 课题相关理论知识

2．1 Mean Shift算法理论及其在目标跟踪中的应用

2．1．1 无参数密度估计理论

2．1．2 Mean Shift算法理论

2．1．3 基于Mean Shift算法的目标跟踪方法

2．2 视觉显著性理论及HC显著性模型介绍

2．2．1 视觉显著性理论

2．2．2 颜色空间理论

2．2．3 HC模型的基本原理

2．3 Kalman滤波技术

2．4 本章小结

第3章 时空信息融合的显著性检测模型

3．1 引言

3．2 空间域显著性检测模型

3．2．1 SLIC超像素分割

3．2．2 超像素级对比度特征提取

3．2．3 结合目标先验信息的空间域显著性检测模型

3．3 时域显著性检测模型

3．3．1 运动特征的提取

3．3．2 时域显著性特征提取

3．3．3 时域显著性检测模型的建立

3．4 时空域显著图的融合

3．5 实验仿真结果及分析

3．5．1 定性实验

3．5．2 定量实验

3．6 本章小结

第4章 基于时空视觉显著性特征的目标跟踪算法

4．1 引言

4．2 基于时空视觉显著性特征的目标跟踪算法

4．2．1 显著性加权的反向投影图

4．2．2 Mean Shift搜索目标

4．2．3 自适应调整收敛窗口

4．2．4 Kalman滤波预测目标位置

4．2．5 算法流程

4．3 实验结果与性能分析

4．3．1 实验结果

4．3．2 性能分析

4．4 本章小结

结论

参考文献

攻读硕士学位期间所发表的论文和取得的科研成果

致谢