论文部分内容阅读
视觉跟踪作为计算机视觉中的重要研究领域,在智能交通、生物医学等领域应用广泛,具有重要的研究价值。在众多的视觉跟踪算法中,Camshift算法是以颜色直方图为匹配特征的自适应跟踪算法,具有平移、尺度和旋转不变性等优点,被广泛应用于视觉跟踪领域。但在动态场景中,背景变化、遮挡及光照等干扰都会影响该算法的跟踪效果,甚至导致跟踪失败。本文在研究动态场景中常用的目标检测与跟踪算法的基础上,针对Camshift算法在复杂环境中易受干扰等问题对其进行改进,并结合Kalman滤波来解决遮挡问题,以期达到提高算法在复杂环境中的跟踪准确性和实时性。本文的主要研究和工作内容如下:(1)本文首先分析了动态场景中目标跟踪的难点及干扰因素,针对图像序列中存在的噪声像素,提出采用高通滤波法对噪声像素进行过滤,并对传统手动设置阈值的方法进行改进。然后建立前后帧间搜索框尺寸变化的关联关系,防止搜索框尺寸发生突变。(2)传统Camshift算法在建立目标颜色直方图时,只提取了目标在色度H分量上的特征,而忽视了饱和度S分量上的特征信息。对此,本文提出采用H和S分量相结合的H-S二维直方图,同时针对不同区域的像素对颜色直方图的贡献不同,对其进行加权处理以提高目标颜色信息的利用率。(3)遮挡是视觉跟踪中常见的干扰因素,由于Camshift算法是根据目标表面的颜色信息进行跟踪,当被部分遮挡时,跟踪精度会降低;被完全遮挡时,则会跟踪失败。为解决遮挡问题,可引入Kalman滤波进行轨迹预测,但该滤波在遇到大面积遮挡时计算出的估计值误差较大。对此本文提出对是否遇到大面积遮挡进行判断,若未遇到大面积遮挡,采用Kalman滤波预测,否则采用线性预测的方法进行改进,以提高遮挡状况下的跟踪准确性和鲁棒性。最后,在Win7系统下,使用VC++6.0和视觉库OpenCV中的现有函数编程实现本文算法,并与传统Camshift算法、结合Kalman的传统Camshift算法进行对比,通过分析上述算法在背景、遮挡和光照干扰下的跟踪效果、每帧迭代次数及平均每帧耗时来验证本文所提改进方法能够有效的提高跟踪的准确性和实时性。根据实验结果可知本文提出的算法改进,不仅提高了在复杂环境下的跟踪准确性,而且提高了实时性,适合应用于动态场景中。