论文部分内容阅读
运动目标跟踪是计算机视觉研究的核心内容,在军事视觉制导、机器人视觉导航、工业产品检测、医疗诊断、交通监视等领域有着非常重要的实用价值和广阔的发展前景。由于被跟踪目标本身特征的多样性、所处环境的复杂性,使得目标跟踪成为一个极富挑战性的课题,特别是跟踪过程中出现的遮挡问题成为限制跟踪算法鲁棒性的关键因素。 本文主要针对目标跟踪中的遮挡难题进行研究,详细讨论了灰度相关匹配与多子块表决、均值漂移、粒子滤波等算法对遮挡问题的处理,并对其做出有效改进,提高上述算法在遮挡情况下目标跟踪的鲁棒性,此外深入研究了基于运动检测的多目标跟踪算法以及对多目标跟踪中的遮挡问题做出分析和处理。论文的主要工作有: 1、针对刚性运动目标跟踪中的遮挡问题,提出灰度相关匹配和多子块表决相结合的跟踪算法。首先对目标自适应分块,使各子块具有较为明显的特征,增加遮挡判定和子块匹配的置信度;然后通过各子块来准确判定被遮挡区域,在遮挡情况下利用剩余的未被遮挡的子块进行灰度相关匹配和表决,并利用Kalman预测将这两种算法得到的结果进行评价和综合,在目标被完全遮挡情况下利用Kalman预测进行跟踪。该算法对于刚性目标的跟踪具有很好的实时性和跟踪精度,但对于体积较小和变形比较剧烈的非刚性目标的跟踪具有局限性。 2、针对更为一般的刚性、非刚性目标在复杂场景中特别是遮挡情况下的跟踪问题,提出均值漂移算法和粒子滤波算法相结合的跟踪算法。首先对均值漂移算法做出改进,使目标最大限度的成为密度极值区,增强其抗干扰能力,克服部分遮挡问题;然后对粒子滤波算法做出改进,在非遮挡情况下根据预测的准确程度自适应选择粒子数量和运动模型中高斯噪声的方差,保证跟踪的实时性和粒子的有效性,在遮挡情况下改变目标的运动模型,使粒子只做布朗运动,并且各粒子经过均值漂移算法的一步迭代以进行优化,从而可以减少粒子数量以及更快恢复正确的跟踪;提出有效的分块检测遮挡算法和目标丢失的判断和处理方法。 鉴于均值漂移算法的实时性更好,粒子滤波算法的鲁棒性更好,所以将两