论文部分内容阅读
目前,作为计算机视觉领域热点和难点之一的运动目标跟踪技术,它在军事制导,视觉导航,机器人,智能交通,公共安全等领域被广泛的运用。实现运动目标检测是进行运动目标跟踪的基础;基于目标与摄像机之间的关系,运动目标检测与跟踪,都可归类为静态场景下的运动目标检测与跟踪和动态场景下的运动目标检测与跟踪。针对越来越多的主动跟踪的需要,动态场景下的运动目标检测与跟踪显得尤为重要。与此同时,局部特征点算法在近年来得到了快速发展。因此,本文采用特征点匹配方法实现了动态场景下的运动目标检测与跟踪。1、动态场景下的运动目标检测。由于摄像机有平移、旋转、缩放和倾斜等可能存在的运动,在摄像机旋转很大的情况下,线性的仿射参数模型不能很好的描述摄像机的运动,而且需要对视频序列实时的检测出运动目标,针对这两点我们选择通用性更强的八参数旋转模型来描述像素点运动。先采用PROSAC算法去除可能存在的外点,得到正确的匹配特征点对,并用最小二乘法求最优解。全局运动参数通过八参数模型得到,然后将运动补偿作用于图像,最后运动目标由帧差法得到。实验结果表明该算法在秉持了SURF本身的优越性的基础上,运动目标可以实时正确的被检测出来,检测速度有所提高。2、静态场景下的运动目标跟踪。经典的mean shift跟踪算法存在着两个主要的缺陷,一个是不能自动调整跟踪窗口的大小,另一个是不能继续跟踪被遮挡后的目标。本文受CAMSHIFT算法的启发,对经典的mean shift跟踪算法进行扩展,提出了一种改进的mean shift跟踪算法,解决了这两个难题。通过大量的实验将本文算法和目前其他先进算法进行比较,证实了该方法的鲁棒性。3、动态场景下的运动目标跟踪。ORB算法被用于对检测到的目标实现特征点匹配,完成运动目标的跟踪。该算法通过实验验证能够很好的实现对运动目标的跟踪。该部分的创新之处有:针对SIFT算法在摄像机的倾斜角度有变化时性能变差的问题,提出了基于ORB特征点的算法,提高了跟踪的性能。