基于光流法的运动目标跟踪算法研究

摘要

运动目标跟踪就是利用摄像机作为“眼睛”，去识别、观察并记录感兴趣的运动目标。近年来已成为计算机视觉领域研究的热点。由于在应用中对目标跟踪精度和实时性要求的不断提高，相关算法也需要不断地进行改进。本文将光流法应用在运动目标跟踪中，对目标跟踪算法的实现过程进行了具体研究，并针对光流法在目标跟踪中的一些缺陷进行了改进。
　　首先，研究了经典的HS光流法和LK光流法。其中LK光流计算方法因为灵活性高、计算量相对较小更适合应用在目标跟踪中。对于帧间运动位移较大的光流计算，将图像进行金字塔分解来提高光流矢量求解的精确度。
　　其次，LK光流法得到的光流矢量解有一定的不稳定性，在计算过程中解的稳定性依赖于窗口权重函数，本文提出引入Hessian矩阵对LK光流计算进行改进。在计算光流矢量前先用Hessian矩阵对邻域内的光流点进行判断，设定阈值，剔除不在阈值范围内的外点，最后用剩下的可靠点根据加权最小二乘法求解光流矢量。
　　然后，基于光流法对运动目标进行了跟踪。整个过程主要包括图像预处理、角点检测、光流计算、光流聚类、区域分析以及标定出目标位置。通过仿真实验得出每帧的跟踪结果，结果显示算法存在对光照敏感、抗干扰能力差以及随着时间推移误差会累积等缺陷。
　　最后，本文提出引入定位精度较高的SIFT特征点匹配跟踪算法，将该算法得到的目标位置与光流法跟踪得到的目标位置进行卡尔曼滤波融合。在融合的同时对光流法跟踪进行重新初始化，矫正其跟踪误差。实验结果证明，所提出的融合算法减小了帧间累计误差，提高了目标跟踪精度，且实时性与改进前算法的实时性相当。

目录

声明

摘要

第一章 绪论

1．1 研究背景及意义

1．1．1 计算机视觉

1．1．2 运动目标跟踪技术的发展和应用

1．2 算法的研究现状

1．2．1 运动目标跟踪

1．2．2 光流法

1．3 运动目标跟踪面临的问题

1．4 论文的主要内容及结构安排

第二章 光流法理论基础

2．1 光流场与三维运动场的关系

2．2 Horn-Schunck光流法

2．3 Lucas-Kanade光流法

2．3．1 金字塔LK光流计算方法

2．3．2 改进的LK光流法

2．4 本章小结

第三章 基于光流法的运动目标跟踪

3．1 算法步骤

3．2 图像预处理

3．2．1 RGB图像的灰度化处理

3．2．2 图像的去噪处理

3．3 角点检测

3．3．1 Moravec算法

3．3．2 Harris角点检测原理

3．3．2 Harris算法步骤及实现

3．4 光流计算与光流聚类

3．5 实验结果及分析

3．6 本章小结

第四章 基于SIFT特征点匹配的运动目标跟踪

4．1 SIFT特征提取

4．1．1 SIFT中高斯金字塔与高斯差分金字塔的构建

4．1．2 SIFT特征点定位

4．1．3 SIFT特征点的方向分配并生成关键点描述子

4．1．4 SIFT特征点提取的实现

4．2 SIFT特征匹配

4．2．1 特征匹配的相似性度量

4．2．2 RANSAC算法剔除误匹配

4．3 基于SIFT特征点匹配的目标跟踪

4．4 本章小结

第五章 融合光流法与特征点匹配的运动目标跟踪

5．1 卡尔曼滤波与离散卡尔曼滤波器

5．2 两种跟踪算法的卡尔曼融合

5．3 改进后算法的实验结果及分析

5．3．1 实验平台简介

5．3．2 实验结果

5．3．3 实验结果分析

5．4 本章小结

第六章 总结与展望

6．1 本文工作总结

6．2 本文展望与未来工作

参考文献

发表论文和参加科研情况说明

致谢