改进的图像序列运动目标检测与跟踪算法

摘要

视觉信息是媒体信息中最普遍、最基本的信息，对这些信息的有效处理和如何使其服务于人类成了当今严峻的挑战和任务。计算机视觉学科的兴起和发展有效弥补了人眼视觉缺陷，计算机通过模拟生物视觉实现了对数据的智能处理。在计算机视觉工程领域，目标检测与跟踪是该领域的热门研究课题，已被广泛应用到军事国防、智能监控、人机交互、智能交通等多个领域。
　　众多海内外学者对目标检测与跟踪问题开展了相关研究，本课题就是在已有的研究成果基础上，对目标检测和跟踪问题的再研究与算法创新，对算法的一些不足提出相应改进，并对改进前后的算法做了验证比较和数据分析。文章主要工作如下：
　　（1）目标检测方面的研究。首先对常见的三种检测算法进行了实验研究与分析。针对传统背景差分算法的不足，应用均值建模和中值滤波技术，改善了背景初始化时由于物体运动造成的模糊现象，并自动调整更新系数来更新背景，比较完整和及时地提取背景；三帧差分在物体运动异常场景下检测时会有“空洞”和“拖影”的现象，提出应用二维最大熵改进的五帧差分法，有效地结合了图像的时间和空间信息；最后，把改进后两种算法提取的前景信息进行逻辑融合。选取目标移动缓慢和迅速的两段视频，对改进算法和常规检测方法进行对比实验研究，本文提出的算法在两种情形下的平均检出率均高于常规算法，误检率均低于常规算法，验证和说明了本文算法的有效性。
　　（2）目标跟踪方面的研究。Meanshift和粒子滤波是目标跟踪领域的两个热点。Meanshift算法运算速度快、实时性高，但对光照变化、遮挡较为敏感；粒子滤波算法无论在线性还是非线性系统中都具有抗遮挡性，但由于算法计算量大导致不能实时跟踪。针对两者的优缺点，本文提出根据Meanshift算法的预测结果自适应确定粒子滤波采样的粒子数，并把粒子滤波的状态估计反馈给Meanshift算法作为每帧迭代搜索的起始位置，实现两种算法的融合。分析实验结果，改进后的算法抗遮挡性明显优于常规目标跟踪算法。

目录

封面

声明

中文摘要

英文摘要

目录

第1章 绪论

1.1引言

1.2课题研究的背景与意义

1.3国内外研究现状

1.4难点与趋势

1.5效果评价指标

1.6内容与结构安排

第2章 图像处理基础

2.1图像预处理

2.2形态学后处理

2.3算法性能检测标准

2.4 信息熵

2.5 核函数

2.6本章小结

第3章 结合熵理论改进的目标检测法

3.1背景差分法

3.2帧差法

3.3基于最大熵的图像分割

3.4 基于最大熵改进的检测算法

3.5实验结果与分析

3.6 本章小结

第4章 跟踪算法的改进与实验研究

4.1 Meanshift目标跟踪算法

4.2粒子滤波算法

4.3 融合Meanshift和粒子滤波技术的跟踪算法

4.4实验结果与分析

4.5 本章小结

第5章 总结与展望

5.1 总结

5.2 展望

参考文献

致谢