论文部分内容阅读
基于移动背景的运动目标检测和跟踪是计算机视觉领域的一个重要研究方向。在很多的实际应用中,需要移动的摄像机平台来实现对运动目标的持续稳定的跟踪,从而可以扩大跟踪范围,减少因为只能在静态场景进行目标检测和跟踪带来的成本增加以及设备安装维护的局限性。相对于静态场景,摄像机平台的移动导致视频图像序列中背景的整体运动,大大地增加了视频图像序列中运动目标检测和跟踪的复杂度,因此,移动背景下运动目标的检测和跟踪是研究的重点和难点。本文针对移动背景下的目标检测和跟踪的关键技术进行了研究,并着重研究了移动背景下的背景运动补偿技术以及运动目标跟踪技术,并提出了改进算法。在移动背景的目标检测上,本文提出了一种基于KD树和多重限制的角点匹配算法,并加入方差控制,实现角点的精确匹配,然后利用RANSAC和最小二乘方法对基于仿射变换的背景模型的运动参数进行鲁棒地估计,从而实现对背景全局运动的精确补偿。在背景补偿图像的基础上,本文对基于帧差法和基于高斯建模的背景差分法的目标检测算法进行了实验,对比和分析,并采用帧差法对目标进行检测,并提取有效目标区域用于后续目标跟踪。在移动背景的目标跟踪上,本文在原有均值漂移(MeanShift)跟踪算法的基础上进行改进,提出一种融合颜色特征和空间梯度特征的改进的均值漂移算法,将二维颜色直方图和二维空间梯度特征直方图相结合的特征直方图作为目标的模型。在目标和背景具有相似颜色分布模型的情况下,可以有效的对目标进行跟踪,同时结合Kalman滤波算法,对目标的运动轨迹进行预测,在目标部分被遮挡的情况下,可以实现目标的稳定跟踪。实验证明,本文改进的算法可以在移动场景下对运动目标进行有效的检测,同时实现稳定、连续的跟踪。