基于Mean Shift的红外图像序列的目标跟踪方法研究

摘要

红外成像技术通过获取外界的红外辐射进行工作，具有作用距离远、易于隐蔽、可昼夜工作等优点。随着红外成像技术的快速发展，其在军事及民用领域的应用也越来越广泛，包括:红外精确制导、视频监控、侦查与安检、搜索与跟踪等诸多方面。基于红外成像的目标跟踪，作为其中的一项重要技术，发挥着重要的作用。不同于一般的光学图像，红外图像信噪比低，噪声信号复杂，目标与背景的反差小。这些特点使得在红外序列图像中进行稳健的目标跟踪的难度大大提高。
　　本文以红外目标跟踪为研究背景，对基于Mean Shift的红外目标跟踪方法进行深入研究。Mean Shift跟踪算法是动态目标跟踪中常用的算法之一，可以很好地解决视频序列中相邻两帧图像的运动目标匹配问题，且不需要先验知识，具有快速和有效的特点。Mean Shift跟踪算法首先基于颜色直方图对目标进行建模，然后以巴氏系数为标准比较目标和候选目标间的相似度，最后通过迭代计算得到所跟踪目标的最优位置。
　　由于红外图像噪声干扰强，目标不能清晰的同背景区分开来，传统的Mean Shift跟踪方法虽然能很好地应用于可见光的跟踪，但在红外跟踪时效果会很差，针对这种情况，本文提出了能适用于红外图像序列的Mean Shift跟踪算法。为了提高目标模型的表征能力，本文主要从两个方面进行了改进:一是在建立目标模型时，利用目标区域周围像素的灰度直方图定义背景加权系数，并将该系数引入到目标灰度直方图的计算中，通过这种方式降低背景像素对后续跟踪定位的影响，提高了目标跟踪的准确性;二是把不受光照和背景颜色影响的纹理信息加入特征空间，利用LBP(Local Binary Pattern)算子进行提取，选取LBP8,1中五种纹理模式来表示目标纹理，然后将得到的纹理信息与灰度信息相结合，通过直方图的方式共同去描述目标模型，使得目标表示更精确。实验结果表明，本文提出的改进算法可以在红外图像序列中获得稳健的跟踪效果。
　　针对红外跟踪过程中目标尺度不断变化的情况，传统的Mean Shift跟踪算法保持核函数带宽恒定不变，这会导致目标的跟偏甚至丢失。本文通过计算跟踪窗口内的协方差矩阵，然后借助主成分分析方法来确定跟踪目标的方向和尺寸大小，实现核函数带宽的自适应调整。实验表明，这种方法能准确地获取红外图像序列中目标的尺度变化情况。

目录

声明

摘要

第1章 绪论

1．1 课题背景和意义

1．2 红外图像特点

1．3 国内外研究现状

1．4 本文主要研究内容

第2章 Mean Shift算法概述

2．1 引言

2．2 密度估计理论

2．2．1 参数密度估计

2．2．2 无参密度估计

2．3 Mean Shift理论

2．3．1 多维空间下的核函数

2．3．2 Mean Shift中的核密度估计

2．3．3 Mean Shift向量

2．3．4 Mean Shift算法

2．4 基于Mean Shift的目标跟踪

2．4．1 建立目标模型

2．4．2 建立候选目标模型

2．4．3 相似度函数

2．4．4 目标定位

2．4．5 算法流程

2．5 本章小结

第3章 改进Mean Shift跟踪算法

3．1 引言

3．2 背景加权算法

3．2．1 传统的背景加权Mean Shift算法

3．2．2 改进的背景加权Mean shift算法

3．2．3 实验结果与分析

3．3 结合灰度和纹理的算法

3．3．1 LBP纹理模型

3．3．2 灰度和纹理融合的Mean Shift算法

3．3．3 实验结果与分析

3．4 本章小结

第4章 尺度自适应的Mean ShiR跟踪算法

4．1 引言

4．2 Camshift中目标尺度和方向的估计

4．3 主成分分析确定目标尺度和方向

4．4 实验结果与分析

4．4．1 尺度变大时的跟踪

4．4．2 尺度变小时的跟踪

4．5 本章小结

第5章 总结和展望

5．1 论文工作总结

5．2 进一步研究方向

致谢

参考文献

附录