论文部分内容阅读
在人类所感知的外界信息中,有80%以上的信息都是通过视觉得到的。而图像正是人类用来获取视觉信息的最主要的途径之一。近几十年来,随着科学技术的不断进步,以计算机为其核心的视觉图像处理领域得到了长足的发展。运动目标检测与跟踪作为视觉图像处理领域的一个核心研究课题,在医学、军事和科研等各个领域得到了广泛地应用。因此,研究运动目标的检测与跟踪算法问题有极其重要的理论意义和应用价值。本文以智能视频监控作为应用背景,着重针对摄像机静止情况下拍摄的视频序列进行运动目标的检测与跟踪。在现有算法的基础上做一些改进,并通过编程实现该算法,最后通过与原算法的比较验证改进后的算法的优越性。在运动目标检测方面,本文重点研究了混合高斯模型背景差分法,针对该算法中模型参数更新策略的缺陷,提出一种新的模型参数学习机制,使得高斯模型的方差平稳收敛,避免了陷入方差过小的恶性循环,最终在一定程度上减少目标误判的发生。在运动目标跟踪方面,本文重点研究了基于特征匹配的Mean Shift跟踪算法,针对该算法对快速运动目标的跟踪效果不理想以及缺乏目标模型更新机制的缺陷提出了相应的改进方法。改进后的算法由于加入了目标模型更新机制,所以能够更准确的描述目标,提高了算法的精度,并且由于使用卡尔曼滤波器预测目标在当前帧中的位置,使得跟踪迭代起始点位置更加靠近目标的实际位置,缩小了搜索范围也减少了迭代次数,从而提高了跟踪的速度与效率。本文最后在Visual C++6.0平台上,利用OpenCV提供的库函数对视频序列中运动目标检测与跟踪算法进行编程实现。实验结果表明,在目标检测方面,与经典的混合高斯模型法相比,改进后的混合高斯模型法有较强的抗干扰性,目标误判的可能性大大降低;在目标跟踪方面,与传统的Mean Shift算法相比,改进后的Mean Shift算法在跟踪的精度与速度上都有了较大的提高。