论文部分内容阅读
视频图像序列中的运动目标检测与跟踪是计算机视觉领域的研究热点之一。它利用计算机视觉技术和视频分析方法,通过自动处理和分析视频中的各帧图像,从而对其中的运动目标进行检测、提取、识别和跟踪,获取目标的状态参数,以实现对运动目标的行为理解,完成更高一级的任务。它是图像处理、模式识别、人工智能、神经生物学、概率与随机过程等多学科交叉的结晶。随着计算机视觉技术和计算机硬件技术的不断进步,视频目标检测跟踪技术在军事和民用领域(如智能监控、人机交互、视觉导航、辅助驾驶等)都具有广泛地应用。因此,研究视频目标检测与跟踪相关技术具有重要的学术意义和实用价值。
实际应用环境中的很多因素都会影响视频图像序列中的运动目标检测与跟踪结果。例如,光照变化、遮挡、目标表面变化等。本文围绕视频目标检测与跟踪技术,重点研究了目标特征提取和匹配、运动目标检测以及目标跟踪中的尺度、旋转和遮挡问题,主要研究成果如下:
在目标特征提取和匹配方面,提出了基于可调数学形态学的角点检测新算法和一种新的Harris-SIFT特征点匹配算法。角点检测算法采用对称的圆形结构元素,通过选择合适的可调参数,对图像进行可调膨胀和可调腐蚀等一系列运算,先分别检测图像中凸角点和凹角点的精确位置,再将两者结合起来,从而得到图像中的所有角点。当可调算子中的参数取合适的值时,该算法可以较精确的检测出图像中的角点位置,克服了传统形态学检测角点不准确的缺点。特征点匹配算法首先用Harris算子提取图像的特征点,然后为每个特征点定义主方向,最后将特征描述子的坐标旋转到与特征点的主方向一致,计算出每个特征点的特征向量描述子。新算法降低了原SIFT算法的复杂度,提高了算法的实时性,克服了算法提取的特征点不是视觉意义上的角点的缺点。
在运动目标检测方面,提出了一种基于时空信息的视频序列中的多目标检测算法。该算法首先将帧间差分得到的图像序列的时间信息和帧间边缘差分得到的图像空间信息结合起来检测图像中的运动目标,然后利用形态学闭运算和近区域合并方法进一步强化图像中的空间信息,最后通过小区域去除方法去掉图像中的噪声影响。该算法不但克服了传统帧间差分法由于对图像空间信息利用不足而导致检测出的目标不完整的缺点,而且对视频图像中运动速度较慢的目标也具有较好的检测效果。
为了解决目标跟踪中的尺度和旋转问题,提出了一种基于尺度不变特征变换(SIFT)的均值漂移(Mean Shift)跟踪算法。该算法利用SIFT算法提取的特征点中的尺度和角度信息,计算被跟踪目标的尺度和旋转角度。实验结果表明,当被跟踪目标的角度和尺度发生变化时,该算法皆具有较好的跟踪效果。
为了解决目标跟踪中的遮挡问题,提出了一种基于均值漂移和粒子滤波的目标跟踪新算法。该算法有效结合了均值漂移算法和粒子滤波算法,当目标未被遮挡时,在目标周围较小的区域内采用少数粒子检测目标的位置;当目标被遮挡时,在目标周围较大的区域内采用较多的粒子检测目标位置。然后对匹配度最大的粒子进行均值漂移运算以定位目标的准确位置。该算法在满足实时性要求的情况下,有效解决了目标跟踪中的遮挡问题。