论文部分内容阅读
基于单目视频的运动对象跟踪是计算机视觉中的一个热门课题,它在智能接口、人机交互、运动分析和虚拟现实领域中有广泛的应用前景,运动跟踪算法的研究有着重要的实际价值和理论意义。从国内外的研究现状可以看出,单目视频中的运动跟踪的研究仍然存在许多无法解决的问题。这些困难来自于:跟踪对象处于复杂背景中或光线发生了变化;存在部分遮挡或者完全遮挡;目标对象发生伸缩,形变,旋转等。在对目前运动跟踪算法的研究和总结基础上,实现了基于MS(Mean Shift)的运动跟踪算法以及连续自适应均值漂移算法CAMS(Continuously Adaptive Mean Shift)和基于分块(Fragment)与积分直方图的运动跟踪算法。均值漂移是一种常用的概率密度估计迭代算法,算法原理简单,迭代效率高。在运动跟踪过程中,构造合适的核函数,就可以把跟踪问题中的搜索目标模板转化为均值漂移收敛的过程。该算法实时性好,在一定程度上能解决部分遮挡问题,但该算法不能处理运动目标在尺度上的伸缩变化,而CAMS运动跟踪算法能解决这一问题。基于分块与积分直方图的运动跟踪算法将跟踪模板图像分块,对这些块提取积分直方图特征。在模板匹配搜索过程中,对每一个分块创建投票映射图,将所有块的投票映射图整合起来,最后求极值得到目标位置估计值。由于该算法对目标区域分块,并整合了投票映射图,因此可以很好的处理复杂背景下的部分遮挡问题和姿态变化问题。该算法在格式化分块过程中,弥补了传统直方图特征丢失空间信息的不足,并且算法时间复杂度不受跟踪目标尺寸的变化影响。结合实验,分析了MS,CAMS和Fragment运动跟踪算法:在解决部分遮挡问题时,CAMS算法明显不如另外两个算法;在复杂背景中,Fragment算法比MS算法跟踪效果更好;其中,MS算法和Fragment算法在出现跟踪目标部分丢失的情况下,都有恢复能力;Fragment算法中选择合适的搜索半径对跟踪结果尤为关键。设计和实现了运动跟踪原型系统。