点状特征群体运动的检测与三维轨迹跟踪

摘要

随着近些年计算机技术的发展以及图像处理技术的提高，运动目标的检测与跟踪已经逐渐应用到智能交通、人机交互、医疗诊治、工业控制等多个方面。基于视觉的目标检测与跟踪运用计算机视觉技术对视频图像中待跟踪的目标进行检测、分析、处理，获得运动目标的位置信息，预测及恢复目标的运动轨迹。 本文探讨了具有点状特征的群体运动检测与轨迹跟踪问题。当前对于轨迹跟踪影响较大的因素是目标检测、匹配与目标跟踪，文章对现阶段存在的目标检测与跟踪技术进行分析归纳与总结。在此基础上提出基于欧氏距离的匹配方法以及一种基于颜色特征的跟踪方法，并对大尺度光流算法进行优化改进，提出一种针对点状特征群体运动的检测与轨迹跟踪的方法。主要研究内容如下： （1）对研究所涉及的理论背景和相关技术做出详细介绍。具体包括双目立体视觉系统概述、光流法技术、几种常见的特征点检测与匹配算法和经典跟踪方法及三维重建的理论基础。这部分内容为后续的实验研究做出理论支撑。 （2）具体描述了立体校正的目的、技术分类以及实施步骤。通过椭圆拟合检测目标中心，并基于欧氏距离提出一种针对于点状特征群体的特征匹配方法。在完成特征匹配后使用三角测量法进行空间上的重建。 （3）对传统的目标跟踪方法，如Meanshift算法、Camshift算法进行分析总结。对大尺度光流跟踪算法进行优化改进，提高对点状特征群体的跟踪准确率，完成时间序列上的轨迹重建。最后对位移和速度进行计算统计，分析目标运动的物理特性。 实验结果表明，本文提出的对于点状特征群体运动目标匹配的方法相较于SIFT算法、SURF算法准确度较高，匹配时间也较短；与传统的目标跟踪的方法相比较，本文改进后的大尺度光流跟踪算法能有效提高重建的准确度。由此证明本文方法的有效性和可行性。

目录

声明

第1章 绪论

1.1研究的背景及意义

1.2国内外研究现状

1.2.1 目标检测的研究现状

1.2.2 目标跟踪的研究现状

1.3研究内容和组织结构

第2章 常见检测与跟踪技术研究

2.1光流技术介绍

2.2 传统光流算法

2.2.1 Horn-Schunck光流算法

2.2.2 Lukas-Kanade光流算法

2.3 变分光流方法

2.4目标跟踪算法

2.5 特征点检测匹配算法

2.5.1 SIFT特征点检测匹配算法

2.5.2 SURF特征点检测匹配算法

2.6 本章小结

第3章 三维重建理论基础

3.1计算机视觉中的坐标系

3.2相机模型

3.2.1 线性模型

3.2.2非线性模型

3.3 摄像机标定

3.3.1常用相机标定方法

3.3.2张正友标定法

3.4 本章小结

第4章 点状特征群体运动的空间重建

4.1 实验图像采集

4.2 相机标定

4.2.1 MATLAB实现相机标定

4.2.2 标定结果

4.3立体校正

4.4 基于欧式距离的匹配算法

4.4.1椭圆拟合检测

4.4.2基于欧氏距离的匹配算法原理

4.4.3实验分析

4.5空间点三维重建

4.5.1 三维重建过程

4.5.2 重建结果分析

4.6 本章小结

第5章 点状特征群体三维运动的跟踪与轨迹重建

5.1 常见跟踪算法

5.1.1 Meanshift跟踪算法

5.1.2 Camshift跟踪算法

5.2基于颜色特征的跟踪方法

5.3基于大尺度光流的跟踪方法

5.4跟踪结果与分析

（1）Meanshift跟踪结果分析

（2）Camshift跟踪结果分析

（3）基于颜色特征的跟踪结果分析

（4）基于匹配的大尺度光流方法的跟踪结果

5.5运动轨迹重建与分析

5.5.1 三维轨迹拟合

5.5.2 物理特性分析

5.6 本章小结

第6章 总结与展望

6.1 工作总结

6.2 展望

参考文献

攻读学位期间发表的学术论文

致谢