论文部分内容阅读
伴随着不断提高的现代生活需求,人们将越来越多的关注投入到信息技术的发展上来,尤其是智能视频监控的发展。在智能视频监控系统中,运动目标检测与跟踪技术是其根本和关键,是计算机视觉范畴里的热门问题,其在国防军事、医学图像以及社会安全等领域皆起着举足轻重的作用。目前该技术取得了许多研究成果,但还是有不少不足需要去完善。本文的工作内容为:本文在运动目标检测部分中主要研究了光流法、帧间差分法以及背景差分法,并针对传统检测算法在动态背景下检测效果不佳的情况,重点对基于互相关信息的动态背景目标检测算法进行研究并提出相应的改进,首先对图像进行一次二维Mallat小波分解,利用Pso与Powell混合优化搜索策略来寻找出最大互信息值,同时应用空间转换模型、PV插值完成图像空间匹配,分别通过使用PV插值方法提高配准精度和改进三帧差分法避免检测信息丢失、出现拖影现象来实现算法的优化,最终证明该改进算法能够在动态背景下完成检测。运动目标跟踪领域上,本文分别对基于Mean Shift算法的目标跟踪和Camshift算法的目标跟踪进行研究,对于Mean Shift算法容易受背景像素影响和复杂情况下跟踪失效的情况提出了相应的改进,一是通过背景加权建立目标模型,二是在目标被遮挡时根据遮挡判断来结合Mean Shift算法和卡尔曼滤波器以达到跟踪目标的目的。针对运动目标在严重遮挡和完全遮挡下Mean Shift算法失效的情况,改进了融合卡尔曼滤波器的Mean Shift算法,即利用卡尔曼滤波器预测运动目标状态以获得其可能位置点,接着由预测的目标位置开始Mean Shift迭代,同时根据Bhattacharyya系数来判断遮挡是否发生,如果发生遮挡就利用卡尔曼滤波器进行预测,跟踪结果就是预测值,这样在遮挡情况下能够准确跟踪运动目标,而且目标快速运动时也能实现跟踪目标不丢失。为了进一步提高目标跟踪的精度,采用卡尔曼自适应因子作为遮挡判断,动态调节卡尔曼滤波器参数,这样就能够准确跟踪到目标。另外在背景干扰的条件下改进基于背景加权的Mean Shift算法,即利用背景加权的方式进行目标模型的建立,对于候选目标模型釆用原本的核加权的方式,并在此基础上与卡尔曼滤波器相融合,这样不仅减少了背景像素的干扰,而且提高了算法的实时性。