论文部分内容阅读
本文以基于高斯模型的运动目标检测与跟踪为主要研究内容,分别给出了基于高斯背景模型的车辆检测改进算法和基于高斯模型和卡尔曼预测的检测与跟踪。本文主要内容包括以下三个部分:
首先,介绍了高斯模型的基本理论,包括高斯模型的定义和性质;描述了数学形态学的几种常见方法,包括开启、闭合、膨胀、腐蚀、填充空洞;讨论了空间滤波的一些惯用方式,包括高斯滤波、中值滤波和均值滤波。
其次,针对车辆检测中实时性、准确性以及自适应性很难兼顾的问题,提出了一种基于高斯背景模型的车辆检测改进算法。该算法一方面通过在背景更新初期和背景差分的过程中,采用高低双阈值降低车辆与背景之间灰度值重合区域的干扰;在背景更新后期采用基于单高斯模型的动态权值方法,使该算法的鲁棒性大大加强。另一方面,将二次帧差法通过逻辑“或”运算巧妙地引入到我们的改进算法中,使该算法不但具有了随环境变化适应强的特点,而且显著地提高了检测的准确性和完整性,并具有一定的鲁棒性。
最后,针对运动目标检测与跟踪算法较难同时保证准确性和稳定性的问题,提出了一种基于高斯模型和Kalman预测的运动目标检测与跟踪算法。首先在高斯背景建模中,采用了分块拼接的方式来初始化背景模型,并且利用动态权值完成背景自适应更新,使得背景模型能够持续有效,再采用背景差分法检测出运动目标。在目标跟踪中,将检测到的运动目标区域和质心位置信息作为Kalman预测的状态信息,结合其他相关参数完成运动目标的预测跟踪,并且对观测噪声矩阵进行自适应取值,使得跟踪的稳定性得到加强。