论文摘要
近十几年来,随着多媒体技术的发展和计算机性能的提高,基于动态图像序列的运动目标检测与跟踪取得了迅速发展,是计算机视觉领域一个非常活跃的研究方向。它在科学和工程中有重要的研究价值,在智能监控、智能机器人、人机交互、虚拟现实、医学诊断、视频压缩等许多领域有广泛的应用前景。在现实生活中,大量有意义的视觉信息都包含在运动之中,自然而然运动目标成为人们关注的重点,因此研究运动目标的检测与跟踪有很大的现实意义和应用价值。本文首先对现有的运动目标检测及跟踪方法进行了分类和比较,而后提出了对运动目标进行检测与跟踪的改进算法论文第一部分在对四种常用的运动目标检测算法进行深入分析和比较的基础上,提出了一种改进的基于自适应背景模型的动态阈值背景差算法的运动目标检测算法。该算法首先采用Surendra方法动态更新背景,然后使用Ostu算法计算出的阈值与一个反映光线变化的增量之和为最终阈值对运动目标进行实时检测。算法利用最新得到的背景观测值自适应地更新背景模型,可以有效地适应场景的变化并兼顾系统的稳定性;同时,通过阴影检测和噪声处理来提高检测的准确性。实验中,将该算法应用于多组自然环境条件下拍摄得到的图像序列进行人体运动检测,结果表明这种基于自适应背景模型的动态阈值背景差法的运动目标检测算法是有效、准确的。论文第二部分对常用目标跟踪算法进行了归纳总结的基础上,比较了三种常用的预测算法的适用范围,讨论了基于贝叶斯框架下的一般目标跟踪问题,对蒙特卡罗积分和基于顺序重要性采样的粒子滤波算法进行了详细推导和总结。粒子滤波算法通过建立目标跟踪的模型,实现对运动的估计,从而减少噪声干扰和特征提取的搜索范围,提高了算法的效率。另外,论文给出了改进粒子滤波算法,可以对复杂背景下的运动目标进行实时跟踪。改进算法中采用重新初始化粒子滤波器的方法,解决了跟踪过程中由于运动模型失效而引起的错误跟踪,同时将检测结果和跟踪结果进行相互校正,提高了系统的稳定性。实验结果表明粒子滤波算法能解决非线性、非高斯估计问题,基于改进粒子滤波的跟踪算法能在复杂背景下实现对运动目标的实时跟踪。最后,总结了全文的工作,并讨论了存在的不足和进一步研究的方向。