C-SIFT算法在视频目标跟踪中的应用研究

论文摘要

在计算机视觉的领域中,视频目标的跟踪有着重要的研究意义,视频目标跟踪的主要工作是在一段视频序列中寻找出与指定目标最相似的内容以检测、识别、提取和跟踪,通过分析获得运动目标的位置、速度、运动轨迹等参数。视频目标跟踪在人机交互、视频监控、智能建筑和国防工业中有着广泛的应用。作为一个有着广泛研究意义的领域,基于计算机视觉的目标跟踪吸引了国内外大批学者的参与,但理想化的视频跟踪技术还远未成熟,如何稳定、快速、实时的跟踪目标仍然是极具挑战的课题。论文围绕快速运动目标跟踪问题,提出了一种基于图像配准坐标定位的新跟踪算法（C-SIFT）,深入研究了C-SIFT算法在运动目标跟踪中的应用,论文的主要内容与取得的成果如下:①论文深入讨论了视频目标跟踪的技术现状和特点,包括几种常用跟踪算法、跟踪流程和技术要求等,介绍了实现目标跟踪的性能需求,讨论了各种目标跟踪算法的优缺点。②论文重点研究了图像配准SIFT（Seale Invariant Feature Transform尺度不变特征变换）算法的性质和作用,详细讨论了如何改进SIFT算法以及如何使用SIFT坐标定位（C-SIFT, coordinate-locating of SIFT）的新算法进行目标跟踪。③针对部分跟踪目标特征点不明显,论文讨论了图像预处理的方法,重点介绍了图像预处理的两个阶段,即图像增强和几何纠正理论,并通过实验验证了图像预处理技术能将原始图像较好的转换为良好的配准图像。④针对C-SIFT算法在目标跟踪应用中抗遮挡上的不足,提出了一种C-SIFT与自适Kalman滤波相融合的目标跟踪算法。在跟踪过程中,先使用卡尔曼滤波器估计出每一帧的起始迭代位置,再利用C-SIFT算法得到跟踪位置,然后使用引入遮挡率因子的自适应Kalman滤波器,调节Kalman滤波器的参数,使C-SIFT跟踪算法对运动目标物体后继状态具有估计能力,从而实现目标发生短时遮挡后还可以对目标进行准确跟踪。通过实验验证了本算法能对视频中的运动目标实现检测和连续跟踪,对遮挡也有较好的鲁棒性。

论文目录

• 中文摘要
• 英文摘要
• 1 绪论
• 1.1 课题研究背景
• 1.2 国内外研究发展现状
• 1.3 论文研究的内容及章节安排
• 2 视频目标跟踪问题的分析
• 2.1 几种常用的视频目标跟踪方法
• 2.1.1 基于特征点的运动目标跟踪方法
• 2.1.2 基于模板匹配的运动目标跟踪方法
• 2.1.3 基于封闭曲线的运动目标跟踪方法
• 2.1.4 基于目标规律的运动跟踪方法
• 2.2 运动目标跟踪需要解决的问题及难点
• 2.3 本章小结
• 3 视频帧的预处理
• 3.1 视频帧的预处理简介
• 3.2 视频帧图像的增强
• 3.2.1 视频帧频域的增强
• 3.2.2 视频帧空间域增强
• 3.3 几何纠正
• 3.3.1 几何纠正概述
• 3.3.2 常用的几何纠正
• 3.4 本章小节
• 4 SIFT 图像配准方法及研究
• 4.1 生成SIFT 特征向量
• 4.1.1 检测尺度空间极值点
• 4.1.2 精确定位特征点
• 4.1.3 关键点方向分配
• 4.1.4 生成SIFT 特征向量
• 4.2 SIFT 算子特征匹配
• 4.3 SIFT 图像配置实验
• 4.3.1 SIFT 算子的尺度不变性实验
• 4.3.2 SIFT 算子的旋转不变性和抗干扰性检测
• 4.4 本章小结
• 5 C-SIFT 算法与 Kalman 滤波相结合的运动目标跟踪系统
• 5.1 改进的SIFT 算法
• 5.1.1 改进后的SIFT 算法图
• 5.1.2 改进算法的空间极值点检测
• 5.1.3 改进算法描述子的生成
• 5.1.4 构建特征库
• 5.1.5 基于K 维树的特征匹配
• 5.1.6 基于改进算法的目标跟踪
• 5.1.7 C-SIFT 算法仿真实验结果及分析
• 5.1.8 C-SIFT 算子的优缺点
• 5.2 卡尔曼滤波理论
• 5.3 卡尔曼滤波的特点
• 5.4 卡尔曼滤波的发展
• 5.4.1 扩展Kalman 滤波器
• 5.4.2 无偏变换卡尔曼滤波
• 5.5 基于 C-SIFT 与 Kalman 滤波相结合的运动目标跟踪方法
• 5.5.1 算法解析
• 5.5.2 运动目标跟踪算法的流程图
• 5.5.3 实验仿真结果
• 5.6 本章小结
• 6 总结和展望
• 6.1 论文总结
• 6.2 今后要做的工作和展望
• 致谢
• 参考文献
• 附录
• A. 作者在攻读硕士学位期间发表及录用的论文目录
• B. 作者在攻读硕士学位期间参加的科研项目