论文部分内容阅读
视频目标的检测跟踪一直是计算机视觉领域研究的热点和难点之一,在智能交通、机器人、人机接口、武器制导、工业控制、医学治疗等方面得到了越来越丰富的应用。其目的是为了捕获视频中感兴趣的目标,为后续的处理提供目标位置和轨迹信息。本文探讨了基于立体视觉原理的运动目标轨迹的三维重建技术。首先利用改进的ViBe运动目标检测算法对图像的颜色和深度信息建模,根据图像颜色和深度的变化检测出视频中的运动目标,提取出精确的目标图像。随后用改进的KCF跟踪方法跟踪运动目标,在保持原算法对目标的变化适应性的同时,针对目标长时间遮挡的情况做出了改进,使跟踪过程更加稳健,避免了跟踪漂移的发生。最后基于立体视觉原理计算出目标的三维空间位置,将计算出的轨迹点根据需要拟合成目标轨迹。在运动目标检测阶段,传统的ViBE(Visual Background Extractor)运动目标检测算法常常会产生一些人们不期望的前景区域,例如Ghost区域、目标阴影、光照变化等。本文提出了一种利用深度的相对变化模式来识别前景与背景的改进ViBE检测算法。首先利用图像颜色与深度信息建立双背景模型;随后利用颜色背景模型检测当前帧内可能的前景区域;最后引入深度背景模型识别前景区域中存在的虚假活动前景,给出了背景区域、鬼影区域、阴影区域的背景模型更新方法。算法实现简单、计算量小,对于前景假目标有较高的辨识能力,能够同时消除多种错误前景,并且对于深度图像中的无效深度、噪声等进行了处理,可靠性大大提高。实验结果表明,本算法可以有效消除Ghost区域、目标阴影、光照变化等情况,与Vi BE算法相比平均检测精度上升了34.68%,在处理640*480的彩色图像时运行的平均FPS为34.96,完全能够满足实时处理的要求。在运动目标跟踪阶段,传统的KCF(Kernelized Correlation Filter)目标跟踪算法在处理长时间遮挡时会发生漂移。为了解决这个问题,本文提出了利用目标区域深度分布信息识别目标遮挡、动态调节模型更新率以及合成训练集减少负样本噪声的改进KCF算法。首先,根据目标区域的深度分布情况计算目标遮挡率;随后利用目标遮挡率调节模型更新率,使目标在发生遮挡时适当降低模型更新率;最后在目标发生遮挡时利用遮挡MASK合成目标训练集,使跟踪模型向目标逼近。经过处理,改进的KCF算法有效地减少了负样本噪声,保持了跟踪器对目标的稳定跟踪,能够适应目标长时间遮挡的情况。最后介绍了针对清晰和模糊目标的轨迹重建技术,对于清晰目标,利用目标特征点和区域匹配相结合的图像自动匹配技术,精细重建目标上的点,用目标点坐标计算目标质心,得到目标空间位置。对于运动模糊目标,针对双目视频中左右视图的运动目标不同步的问题,提出了利用轨迹插值的方法解决运动目标匹配的问题。运用方向微分方法求出瞬时目标运动方向,基于目标瞬时运动方向的导数与质心位置信息,利用Hermite插值方法得出方向导数和位置信息逼近真值的质心轨迹,每一对同步帧产生插值的空间轨迹点。为提高轨迹重建的准确度,减少测量过程中的随机误差,探讨了采用针对同一目标多角度测量的方法来提升精度。最后,将不同时刻得到的目标位置信息,利用非线性曲线拟合技术得到目标运动轨迹。