论文部分内容阅读
序列图像中运动目标跟踪技术研究是指对视频中的运动目标进行检测、识别和跟踪,该技术在视频监控、机器人技术、图像检索、图像压缩等研究领域有着重要应用。其中,运动目标检测与跟踪是目标行为理解与分析的基础。因此,对序列图像中运动目标跟踪算法的研究具有重要意义。该文就运动目标分析系统中运动目标跟踪问题展开研究,主要研究成果如下:(1)在多运动目标情况下,传统算法在单目标跟踪中经常出现跟错目标甚至跟丢目标的情况,鲁棒性和实时性差。针对这种情况,首先,本文提出了把Mean Shift模型结合SIFT特征匹配的算法。在Mean Shift的迭代运算中,每次迭代都依据原始目标与候选目标的特征向量来计算Mean Shift模型和SIFT算法中的相似度并比较之,取相似度大的算法为目标定位算法,直到精确定位到目标位置。在上述操作中本文将目标的操作区域局限于目标的2倍大小,从而降低了运算量,提高了实时性。其次,本文引入了α–β–γ滤波预测算法,解决目标跟踪中出现的目标遮挡问题,同时,该滤波算法也能预测出在下一帧图像中目标出现的位置,所以可直接定位操作区域,提高了跟踪系统的实时性。(2)在多目标跟踪中出现的目标遮挡、目标相似物干扰等问题,影响了目标跟踪的质量,针对这些问题,本文提出了改进的Camshift结合多特征和GM(1,1)的算法,首先,为了提高目标概率分布图的精确度,Camshift算法不再在传统的HSV空间操作运算,而是采用信息量更多的RGB空间同时结合SIFT算法,通过统计RGB空间中目标SIFT特征点处的像素值,得到较精确的目标概率直方图。经过进一步研究,本文又增加了边缘特征,使目标概率直方图更加精确。对于相似物干扰的情况,本文在改进Camshift中结合了纹理特征,根据当前帧和上一帧目标的纹理相似度来确定真实目标区域。最后,本文引入GM(1,1)预测算法解决目标的遮挡问题,且可通过目标的运动轨迹预测出目标的可能位置,从而提高了系统实时性。实验结果表明:该算法能对多目标跟踪中出现的相似干扰、遮挡等情况进行较好的跟踪,具有较强的鲁棒性和实时性。