基于GMM和粒子滤波的目标检测与跟踪的算法研究

摘要

随着计算机性能的大幅度提高，人们对计算机的要求也不断扩大。计算机获得外部信息主要依靠计算机视觉，运动目标的检测与跟踪是计算机视觉中最热门的研究课题之一。只有先将背景和运动目标分割出来并对感兴趣目标进行跟踪，才能有效的对后续的视频图像进行处理，甚至可以进行目标行为的判断与分析。本课题主要研究在复杂的场景下对视频中运动目标的检测与跟踪。
　　在运动目标检测方面，分别研究了帧差法，光流法及背景差分法。在帧差法的研究中，将帧差法做了改进，通过实验证明改进后的算法比帧差法检测更加准确。重点研究了背景差分法，分别对单高斯模型及混合高斯模型进行了研究。针对混合高斯模型算法在检测中存在的问题做出改进。根据HSV颜色空间的特点，改变混合高斯模型的建模空间，通过对各个分量上的设定，解决混合高斯模型在对运动物体检测时存在的阴影问题，再利用形态学方法对图像边缘细节进行补偿，并去除噪声点。最后实验表明，算法能较好的解决阴影问题，有较好的实时性和鲁棒性。
　　而在目标跟踪方面，根据运动模型的建立与求解不同分为两大类:一类把跟踪问题当作最优化问题来处理，将目标跟踪转化为求代价函数的极值问题。针对这一类跟踪算法，主要研究了Mean shift，camshift;而另一类是把跟踪问题转化为状态的最优估计问题，针对这类算法主要研究了卡尔曼滤波，粒子滤波。并且针对粒子滤波依靠单一特征描述目标，容易导致跟踪过程失败而多特征却会导致计算复杂度急剧升高，对粒子滤波做出改进，采用颜色和边缘方向直方图两个特征，并有效的融合这两个特征，提高了目标跟踪的准确性和鲁棒性。

目录

摘要

第1章 绪论

1．1 研究背景与意义

1．2 国内外研究动态及主要研究方法

1．2．1 运动目标检测

1．2．2 运动目标跟踪

1．3 论文组织结构

第2章 目标检测技术的研究

2．1 帧差法及改进

2．1．1 帧差法

2．1．2 帧差法的改进

2．2 光流法

2．3 背景差分算法

2．3．1 单高斯模型

2．3．2 混合高斯模型

2．4 实验结果及分析

第3章 基于混合高斯模型的改进算法

3．1 阴影的产生与特点

3．2 HSV空间模型

3．3 算法的改进过程

3．4 实验结果与分析

第4章 目标跟踪技术的研究

4．1 Mean shift概述

4．1．1 算法原理

4．1．2 基于Mean shift的跟踪算法

4．2 camshifl算法

4．3 卡尔曼滤波

4．4 粒子滤波

4．4．1 蒙特卡洛方法

4．4．2 贝叶斯重要性采样

4．4．2 顺序重要性采样

4．4．3 重采样过程

4．5 基于粒子滤波跟踪算法的改进

4．5．1 基于颜色特征的粒子滤波跟踪算法

4．5．2 基于特征融合的粒子滤波算法的改进

4．5．3 实验结果

第5章 总结与展望

5．1 总结

5．2 展望

参考文献

攻读硕士学位期间发表学术论文情况

致谢

声明