复杂场景下运动目标检测与跟踪算法研究

摘要

运动目标检测与跟踪是计算机视觉领域的前沿研究课题。本文以混合高斯算法、粒子滤波算法为主线，针对复杂场景中影响算法效果的各种因素，结合相关的图像处理技术、子空间更新算法与Mean Shift算法，对目标的跟踪与检测两个方面进行了研究。并在研究传统目标检测与跟踪算法的基础上，提出了新的算法。
　　本文的主要研究内容有：
　　（1）针对混合高斯背景模型计算量过大、对复杂场景的适应能力较差等问题，提出了一种基于帧差分块和自适应学习率的混合高斯背景模型改进算法。引入分块模型思想，有效结合了像素的空域信息；根据帧间差分结果，判断可疑前景区域和背景区域，提高了检测灵敏度；针对前景可疑区域采用复杂模型，保证运动目标检测的精度，反之采用简单模型降低计算量；通过自适应学习率，加速背景的形成与消退。实验结果证明该算法较好地兼顾了检测精度和计算代价。
　　（2）为了提高目标外观迅速变化时跟踪算法的鲁棒性，提出了一种基于自适应子空间学习的粒子滤波跟踪算法。在粒子滤波构架下，建立状态判决机制，根据判决结果并结合PCA子空间与正交子空间的特点，选择合适的学习方法。这样既能准确、稳定地学习到目标的低维子空间，又能迅速地学习到目标外观变化的趋势。同时，加入鲁棒估计技术处理遮挡问题，避免了对目标状态估计的影响。实验结果表明，该算法在光照变化、姿态变化、遮挡的情况下，均具有较强的鲁棒性。
　　（3）结合Mean Shift算法与粒子滤波算法特点，使用加权核直方图模型结合Mean Shift算法对粒子进行初定位，再通过正交子空间模型作为精确的观测模型，估计目标的最终状态。实验结果表明，该算法有效解决了正交子空间更新中存在的漂移问题，并且具有适应目标外观快速变化的能力。

目录

封面

声明

中文摘要

英文摘要

目录

第1章 绪论

1.1 选题背景与研究意义

1.2 研究现状

1.3 章节安排

第2章 运动目标检测与跟踪技术基础

2.1 引言

2.2 相关的图像处理技术

2.3 粒子滤波基本理论

2.4 本章小结

第3章 基于多模型的运动目标检测算法

3.1 引言

3.2 典型的运动目标检测算法

3.4 自适应背景模型

3.5 基于帧差分块的混合高斯背景模型

3.6 本章小结

第4章 基于子空间学习的粒子滤波跟踪算法

4.1 引言

4.2 粒子滤波跟踪算法

4.3 基于子空间自适应学习的跟踪算法

4.4 本章小结

第5章 基于粒子滤波和Mean Shift的跟踪算法

5.1 引言

5.2 Mean Shift算法

5.3 基于混合观测模型的粒子滤波跟踪算法

5.4 本章小结

总结与展望

1.本文研究工作总结

2.未来展望

参考文献

致谢

附录A 攻读学位期间所发表的学术论文目录