论文摘要
人们获取外部信息的最主要途径是通过视觉神经系统,而机器视觉系统则是通过使用仪器来代替人眼,对外界环境中的物体进行识别、测量和跟踪的系统。在机器视觉领域里,目标跟踪问题是当今最受关注的研究课题之一。随着近年来尖端技术的不断革新,工业水平的巨大提高,目标跟踪技术日趋成熟,在社区监控、国防安全、自动化生产等方面都具有极其广泛的应用。而如何构建目标模型,如何搜索目标是目标跟踪研究的重点。以往的目标模型仅利用所跟踪目标的单一特征信息,例如只考虑灰度、色彩、纹理、特征点、轮廓等特征中的一种,由于每种特征都具有各自的局限性,因而在复杂多变的跟踪环境中,往往难以实现对目标的鲁棒跟踪。故本课题采用多种特征信息融合的方法,充分利用目标的外观特征信息,构建出鲁棒的目标模型。并采用基于粒子滤波的目标搜索方法,以应对非线性、非高斯时变系统的状态滤波问题。所做的主要研究工作包括：(1)介绍了粒子滤波算法的原理,建立了多维度的目标状态空间模型、目标运动模型和观测模型,进而给出了粒子滤波应用于目标跟踪的一般算法框架。(2)为应对跟踪过程中视频序列图像中存在的运动模糊和光学模糊问题,提出利用目标的颜色特征信息,建立基于颜色直方图的目标模型方法。相比于传统的加权颜色直方图方法,本文结合二维高斯曲面模板,根据像素点的空间信息来分配像素点的权重,在增强跟踪稳定性的同时减少了运算时耗。(3)为应对跟踪过程中目标的仿射变化以及发生部分遮挡的情况,提出利用目标的尺度不变特征,建立基于SIFT特征点的目标模型方法,针对特征点过于集中,导致目标窗口偏离实际目标的问题,提出相应的校正方法。(4)基于模糊数学理论,提出自适应融合的算法,将颜色特征信息与SIFT特征信息相融合,从而形成优势互补,构建出较为鲁棒的多特征目标模型。(5)通过不同场景下拍摄的实验视频,验证了本文方法的有效性及可行性。