论文部分内容阅读
视频中运动目标跟踪是计算机视觉领域中富有挑战性的课题之一,在军事制导、视觉导航、安全监控、智能交通、视频编码、医疗诊断和气象分析等众多领域中有着广阔的应用前景,跟踪算法的研究具有重要的实际意义和理论价值。但是迄今为止该课题仍然存在许多尚未解决的问题,特别是当场景较复杂的情况,其中主要困难来自于运动目标的尺度伸缩、遮挡、复杂背景和非刚体形变等。本文将目标表达、分层思想、多尺度思想、预测判断以及推理等人类视觉常用的方法引入到视频跟踪算法的研究中,寻求有效地解决上述难题的鲁棒的、实时的高精度运动目标跟踪算法,主要内容有:1.本文提出了一种基于SIFT特征匹配和Kalman滤波的运动目标跟踪算法。该算法首先提取SIFT特征点表示运动目标,然后基于欧氏距离和近邻搜索进行特征匹配,并且对匹配结果进行聚类分析以去除噪声干扰和错误匹配。最后,在Kalman滤波框架内,结合特征点匹配结果和滤波预测进行目标跟踪。实验结果表明,此算法中用于目标量测的SFIT特征具有尺度伸缩及旋转不变性,对部分形变和亮度变化不敏感。特征点匹配聚类和Kalman滤波框架的结合能够有效解决视频跟踪中的运动目标尺度伸缩和部分遮挡问题。虽然算法具有良好的跟踪效果和精度,但是由于SIFT特征检测和匹配计算量很大,尚未能满足跟踪系统实时处理的要求,在后续的研究中对特征表达和匹配搜索算法进行了改进。2.改进的跟踪算法是基于传统的Kalman滤波和Mean-Shift优化框架,与现有算法的不同之处在于该算法融合了色度直方图和梯度方向直方图,形成了一种新的综合直方图特征,以解决运动目标的旋转和形变;然后构建了运动目标图像区域的综合直方图金字塔,以实现多尺度的目标跟踪;最后算法采用Kalman滤波预测耦合Mean-Shift算法,在尺度、位移空间内进行优化匹配搜索,确定最佳候选目标区域的位置信息。大量实验结果表明,本文提出跟踪算法能够很好的适应伴随尺度伸缩、旋转和形变的运动目标跟踪,可以解决基于传统直方图跟踪算法的稳定性差和精度不高的问题,具有比传统算法更高的精度和速度。本文的研究为视频分析、智能安全监控、人体行为分析与合成等后续研究,提供了依据和基础。