论文部分内容阅读
基金资助:国家自然科学基金项目(No.61263046);江西省自然科学基金项目(No.20122BAB201037);中国航天科技集团公司航天科技创新基金资助项目(No.CASC201102)。基于动态背景的视频目标跟踪是计算机视觉领域的热点研究之一,它的主要任务是从视频图像序列中检测、识别并跟踪运动目标,甚至能够理解并描述目标的行动。在视频监控、人体运动识别、视频检索、机器人导航、医疗诊断和虚拟现实等方面有着广泛的应用。自然场景中的光照变化、背景与目标颜色相似、目标变形和目标遮挡等是运动目标跟踪的主要困难。针对这些因素的影响,本文从目标的特征提取,特征更新、特征融合和跟踪算法进行改进,研究了动态自然场景下的运动目标跟踪算法。本文首先介绍了两种经典的跟踪算法:均值漂移(Mean Shift)跟踪算法和粒子滤波(Particle Filter)跟踪算法,以及均值漂移跟踪算法改进的连续自适应均值漂移(CamShift)跟踪算法,并分别分析了它们存在的问题。为了解决自然场景中光照变化、背景与目标颜色相似和目标部分遮挡等跟踪问题,本文提出了一种基于灰色预测模型的CamShift跟踪方法。该方法首先将灰色预测模型预测的目标位置作为CamShift跟踪算法中初始搜索中心进行跟踪,然后再将CamShift跟踪算法得到的新的目标位置作为下一帧灰色预测模型的更新历史数据,循环执行。同时还提出了运动目标颜色直方图选择性子模型更新策略。针对传统粒子滤波跟踪算法在重采样时存在粒子退化问题,导致粒子滤波跟踪算法不能较好地解决变形目标和部分遮挡目标的跟踪,本文提出了一种基于特征融合的粒子群优化粒子滤波跟踪方法。该方法利用粒子群优化促使粒子采样向真实状态区域移动,减缓粒子退化,提高了粒子滤波跟踪算法的跟踪性能。针对跟踪目标存在变形及目标被遮挡等情况,引入了归一化转动惯量(Normalizedmoment of inertia, NMI)特征,并将它与颜色特征采用乘性融合策略进行融合来描述目标特征。论文的实验基于Windows操作系统;采用Visual Studio2008和OpenCV2.3.1作为编程平台;在实验过程中,实验视频来自于标准的测试视频,用于对比实验的经典目标跟踪算法的参数都与原文献中提供的实验参数一致,实验表明基于灰色预测模型的CamShift跟踪方法能够在光照变化、背景颜色相似和目标部分遮挡情况下具有较好的鲁棒性;基于颜色特征和NMI特征融合的粒子群优化粒子滤波跟踪方法对动态背景场景中变形目标和目标部分遮挡的情况下具有较好的准确性和鲁棒性。