论文部分内容阅读
运动目标检测与跟踪是计算机视觉的核心课题之一，它融合了图像处理、模式识别、人工智能、自动控制等相关领域的研究成果，在视频监控、机器人导航、视频传输、视频检索、医学图像分析、气象分析等许多领域有着广泛的应用，因此本课题具有重要的理论意义和广阔的实用价值。 针对不同的监视场景，运动目标检测和跟踪算法也不尽相同。本文主要研究了在静态场景下运动目标的检测算法、运动目标的模板相关匹配算法和基于Hausdorff距离的模板匹配跟踪算法。本文的创新点和主要工作如下： 1．研究了运动目标检测算法。针对视频监控系统大多数应用于静态场景这一特点，提出了在运动区域内结合使用对称差分法和背景差分法检测运动目标的算法。该方法首先根据对称差分图像确定运动目标的运动区域，然后在确定的运动区域内对背景差分图像和对称差分图像取“或”运算。实验证明，这种算法减少了背景差分图像中的噪声对运动目标提取结果的影响。 2．研究了基于金字塔的模板相关匹配算法。针对模板相关匹配算法的计算量大，不能满足实时跟踪的缺点，本文采用基于金字塔的模板相关匹配算法。这种匹配算法分为“粗匹配”和“精匹配”两个阶段，在“粗匹配”阶段去掉了许多与目标无关的位置，因此大大加快了匹配速度。 3．提出“优势点拣选法”。当模板和图像中边缘点较多时，基于Hausdorff距离的模板匹配跟踪算法计算量较大，因此本文根据Hausdorff距离的基本性质，提出了“优势点拣选法”。在这种方法中，首先根据Hausdorff距离的距离阂值选出优势点，然后在优势点位置进行Hausdorff距离计算，最后根据Hausdorff距离的代价函数得出最佳匹配位置。实验证明，这种算法大大提高了Hausdorff距离计算速度，同时也保证了匹配精度。 4．研究了Kalman滤波观测噪声和过程噪声协方差的设置方法。本文首先根据随机变量的观测样本确定观测噪声的协方差，然后根据实验确定过程噪声的协方差。实验证明，该方法确定参数的Kalman滤波器具有良好的预测性能。