非稳定背景下的运动目标检测与鲁棒跟踪方法研究

论文摘要

视频中运动目标检测和跟踪是图像理解、计算机视觉等领域的重要研究课题,现已广泛地应用于视频监控、机器人视觉导航、交通管制等领域,因此,开展运动目标检测和跟踪技术研究有着重要意义。针对运动目标检测中出现拖影、“鬼影”和阴影问题以及运动目标跟踪中易出现遮挡现象,本文对非稳定背景下的目标检测与鲁棒跟踪方法进行了深入研究,取得了如下成果:1.针对自适应混合高斯背景模型在前景检测时执行速度慢、容易产生“鬼影”等问题,提出了一种基于快速混合高斯背景建模的检测方法。该方法通过对高斯分布权值和生存时间的限制,建立起高斯分布退出机制,使模型能根据场景自适应选择每个像素的高斯分布个数,加快了算法执行速度。在模型更新过程中,通过融入帧间差分,解决了“鬼影”和拖影现象。2.在分析现有阴影检测算法的基础上,提出了一种基于CIE LUV颜色空间和单高斯模型的自适应阴影检测算法。该方法利用阴影在CIE LUV颜色空间中的特点建立单高斯阴影模型,并用该模型进行自适应的阴影检测。通过实验证明,该算法可以很好的去除运动物体产生的阴影。3.针对运动目标跟踪中易出现遮挡现象,提出了基于Quick-SIFT特征的抗遮挡运动目标跟踪方法。该方法通过匹配遮挡发生前后运动目标Quick-SIFT特征点来解决部分遮挡问题。在特征点的提取过程中提出一种新的关键点描述算子来降低关键点的维度,提高了原SIFT特征点提取速度。4.在分析基于特征点跟踪方法和Mean Shift算法的基础上,提出了融合SIFT特征的Mean Shift多目标跟踪方法。该方法结合基于Quick-SIFT特征的抗遮挡运动目标跟踪算法和Mean Shift算法的优点,增强了跟踪的鲁棒性。

论文目录

• 中文摘要
• Abstract
• 第一章 绪论
• 1.1 课题研究背景及意义
• 1.2 国内外研究现状
• 1.2.1 运动目标检测研究现状
• 1.2.2 运动目标跟踪研究现状
• 1.3 运动目标检测和跟踪难点
• 1.4 本文的研究工作及创新点
• 第二章 基于快速混合高斯背景建模的前景检测
• 2.1 引言
• 2.2 运动目标检测常用算法
• 2.2.1 背景差法
• 2.2.2 帧差法
• 2.3 快速混合高斯背景模型
• 2.3.1 高斯分布个数自适应选择的混合高斯模型
• 2.3.2 拖影和“鬼影”的去除
• 2.4 实验结果及分析
• 2.4.1 拖影和“鬼影”实验结果分析
• 2.4.2 实验结果综合分析
• 2.5 本章小结
• 第三章 基于高斯模型的自适应阴影检测算法
• 3.1 引言
• 3.2 常用的阴影消除算法
• 3.2.1 RGB 颜色空间的阴影消除算法
• 3.2.2 HSV 颜色空间的阴影消除算法
• 3.3 基于CIE LUV 颜色空间和单高斯模型的自适应阴影检测算法
• 3.3.1 CIE LUV 颜色空间的选取
• 3.3.2 算法描述
• 3.4 实验结果与分析
• 3.5 本章小结
• 第四章 基于 SIFT 特征的抗遮挡运动目标跟踪
• 4.1 引言
• 4.2 Quick-SIFT 特征点提取算法
• 4.2.1 SIFT 特征点检测算法分析
• 4.2.2 Quick-SIFT 特征点匹配算法
• 4.3 基于Quick-SIFT 特征的抗遮挡跟踪
• 4.4 实验结果及分析
• 4.4.1 Quick-SIFT 特征点检测算法分析
• 4.4.2 互遮挡下的多目标跟踪
• 4.5 本章小结
• 第五章 基于 Quick-SIFT 特征的 Mean Shift 多目标跟踪
• 5.1 引言
• 5.2 基于 Mean Shift 的运动目标跟踪
• 5.2.1 Mean Shift 算法
• 5.2.2 Mean Shift 算法在运动目标跟踪中的应用
• 5.3 融合Quick-SIFT 特征的Mean Shift 多目标跟踪方法
• 5.4 实验结果及分析
• 5.5 本章小结
• 第六章 总结与展望
• 6.1 论文工作总结
• 6.2 存在的不足与展望
• 参考文献
• 作者在攻读硕士学位期间公开发表的论文
• 致谢