论文部分内容阅读
现代社会中,智能监控系统和视频图像处理技术在多个科学和社会领域都得到了广泛应用。其中,运动目标检测与跟踪是对视频中的目标行为进行预测和分析的过程。但由于监控场景多样,监控设备不同,目标存在旋转、遮挡、比例变化、光照变化、动静态背景等问题,视频中的目标检测与目标跟踪问题一直是行业内的研究难点与热点,因此,研究出具有较强鲁棒性和准确性的目标检测与跟踪算法仍然具有较强的挑战性。针对上述问题,本文从经典算法出发,结合现有技术及实际应用场景,针对目标检测与跟踪算法中的遮挡情况等难点问题进行了研究,主要成果如下:1、在目标检测模块,本文研究了经典的动态目标检测算法:帧差分法、背景差分法、光流法,在此基础上研究出一种适用于动、静态背景下皆适用的目标检测算法。通过实验表明,本文算法同时适用于动、静态背景下的目标提取,且获得的目标区域更加完整、轮廓更加清晰。2、在生成式跟踪中,本文对Kalman和Meanshift算法及优化算法做了研究。在短遮挡情况下,将Kalman良好的预测机制加入到Meanshift迭代机制中,以实现对目标位置的实时预测和跟踪。实验表明,本文算法在短遮挡场景下的目标跟踪效果良好。3、对于判别式跟踪,本文以核相关滤波算法(KCF)为基础,提出了具有置信度判断机制的KCF优化算法。通过设定置信度值R和参考样本,判断当前帧是否存在遮挡,在遮挡情况下采用参考样本代替候选样本的办法来改善遮挡情况下的目标跟踪问题。本文选取大量具有遮挡属性的视频集对算法性能进行测试,通过OPE评估,本文算法与KCF算法相比较,算法精度提高了7.1%,成功率提高了5.5%。