论文部分内容阅读
在人所感知的视觉信息中,动态视觉信息是其主要组成部分。尽管人类的视觉既能看见运动又能看到静止的物体,但是在许多场合,比如重要场所的安全监控、汽车的自动驾驶和辅助驾驶、交通流量的控制、军事视觉制导等,人们往往只对运动目标或物体感兴趣。因此,研究运动目标的检测和跟踪,有很大的现实意义和理论价值。
本文主要研究了面向重要安全场所的视频监控的关键技术。重点研究静态背景下运动目标的检测、目标跟踪、轮廓跟踪以及特殊目标如人脸的跟踪等方面的研究内容。主要工作有:
1、静态背景下的目标检测。分析当前目标检测算法的原理,针对具体的应用背景,提出了基于灰度和边缘差分的目标检测算法,并使用高斯模型为背景图像建模,在对视频图像处理的过程中,使用自适应的背景模型更新算法对背景模型进行修正,经过修正后的背景模型能够及时反映出背景的动态变化。首先通过减运算得到背景和前景图像的灰度差分图像,并对其取绝对值;然后利用Sobel算子对两帧图像进行边缘检测,并进行边缘差分;最后将两次差分结果进行逻辑或运算,得到运动目标的检测结果。该方法能够在较大程度上满足系统的要求,提高检测结果精度。
2、目标跟踪。针对均值漂移算法存在的不足,利用连续自适应均值漂移算法(CamShift)进行目标的跟踪。CamShift是一种应用颜色信息的跟踪算法,在跟踪过程中,CamShift利用目标的色彩直方图模型得到每帧图像的色彩投影图,并根据上一帧跟踪的结果自适应调整搜索窗口的位置和大小,从而得到当前图像中目标的尺寸和中心位置。该算法在图像背景复杂且目标不规则运动的情形下,仍能有效跟踪到目标。
3、目标轮廓跟踪。提出水平集(Level Set)和均值漂移(Mean Shift)相结合的跟踪算法。因为水平集方法的计算量比较大,利用改进的不需要求解PDE(Partial DifferentialEquations)方程的算法,此算法主要是根据像素单元之间的交换操作来演化边界线,同时引入高斯滤波函数保持边界线的光滑性。首先利用Level Set得到目标的初始轮廓:然后利用Mean Shift预测下一帧目标的位置,得到目标的粗轮廓;最后利用LevelSet得到目标的精轮廓。该算法的最大优点在于利用Mean Shift粗略得到目标的轮廓,这样作为Level Set初始演化曲线的轮廓可以避免水平集函数演化时跨过边界,同时大大降低了水平集方法的迭代次数,更好的保证了跟踪的实时性和鲁棒性。
4、特殊目标跟踪。针对人脸跟踪,提出AdaBoost和CamShifl相结合的快速跟踪算法。首先利用AdaBoost算法检测到人脸位置,并将其值作为CamShift的初始跟踪窗口;然后利用CamShift预测下一帧人脸位置,得到目标区域;最后在目标区域内定位人脸。该算法能够实现人脸的跟踪,具有较好的鲁棒性和实时性。