论文部分内容阅读
图像序列中的运动目标的检测和跟踪是计算机视觉研究的重要内容,它在航空航天、智能机器人、自动监控系统、医学图像分析以及视频压缩等领域都具有广泛的应用。数字图像由于在获取(数字化过程)和传输过程中受到脉冲影响而产生噪声,噪声去除的质量将直接影响图像分割、边缘检测、特征提取等后续处理的效果。椒盐噪声是图像噪声的一个重要种类,传统椒盐噪声去噪方法存在模糊图像边缘等细节信息的缺点,本文对此进行了改进。算法首先根据椒盐噪声幅值分布特点把图像像素分为信号点和可能的噪声点,然后利用方向信息、均方差来判断可能的噪声点是否为边缘点,对边缘点和真正的噪声点采取不同的方法进行滤波。此外,引进迭代滤波的思想,在有效去除噪声的基础上较好地保留了图像细节,提高了滤波的准确性和算法的自适应性。在运动目标检测方面,为检测出微小运动和缓慢变化,累积差分方法需要多帧图像进行累积,不仅算法的时空开销大而且检出背景纹理多。对此,本文提出了加权累积差分方法,根据实际应用确定最少累积帧数,在既定帧数下根据帧间距不同对累积差分图像的影响设置权值,进行加权累积。权值设置条件满足既能检测出微小运动和缓慢变化,又能有效抑制检出噪声点。加权累积差分方法既缩减了累积图像的帧数,提高了目标检测的速度,减少了误检出的背景纹理,又突出了相异帧差异的累积作用,有效检测出微小运动和缓慢变化目标,大大提高了运动目标检测的精度和效率。在运动目标跟踪方面,本文采用基于特征点的跟踪方法。用包含灰度特征和几何特征的一维向量来表征特征点,利用最大速度原则确定特征点的匹配范围,提高了运动目标跟踪的效率。在逐帧进行特征点匹配时,为解决匹配错误进行回溯处理的问题,本文根据视差一致性原则设计出一种非回溯的误匹配检测方法,在匹配前最大限度地解决匹配错误及多对一匹配问题,提高了目标跟踪实时性和鲁棒性。当使用遮挡系数判定运动目标发生遮挡时,为每一个目标建立跟踪矩形框,根据特征点匹配对的视差计算目标质心的位置。当目标被完全遮挡时,确定矩形框相交叠部分内的争议点分别属于哪一个运动目标,然后使用Kalman滤波器预测目标质心的位置。当质心位置确定后,根据质心和跟踪矩形框的几何关系恢复跟踪矩形框。最后,根据运动目标跟踪过程中的非正常情况,设计了一套目标在出现、遮挡及消失等不同运动状态下的转化和跟踪流程,提高了运动目标跟踪的普适性和鲁棒性。