论文部分内容阅读
目标跟踪是计算机视觉领域的一个热门研究方向，近年来学者在该方向研究的不断进展使得目标跟踪技术被广泛的应用到社会生活中，为提高安全监控、交通控制、人机交互以及增强现实等方面的智能化水平起到了至关重要的作用。但是目标跟踪方向的现有研究成果通常需要对场景以及目标的特点加以约束，对于超市场景中顾客的运动跟踪并不能取得很好的效果。因此，需从场景自身的特性出发，综合现有方法并进行改进，才能实现稳定有效的目标跟踪。 本文着眼于超市应用场景中顾客的运动跟踪，从超市场景中背景复杂、顾客轨迹多样化等特性出发，提出了一种基于轨迹聚类的超市顾客运动跟踪方法。该方法对Kanade-Lucas-Tomasi(KLT)算法、均值漂移(meanshift)算法进行综合运用，并提出了背景、短时特征点滤除算法以及运动跟踪匹配算法以提高在超市应用场景中进行顾客运动跟踪的准确性和稳定性。本文的工作主要由以下四部分构成: 1.采用KLT算法对监控视频帧进行特征点提取和跟踪，利用超市场景中室内光照强度均匀稳定的特性，得到了一系列纹理特征明显的特征点及其运动轨迹。 2.对KLT算法提取得到的特征点及其运动轨迹进行预处理，从而分离出顾客所在区域的关键特征点轨迹。在预处理过程中，本文提出了背景特征点轨迹滤除算法和短时特征点轨迹滤除算法，分别移除了KLT算法得到的特征点轨迹中位于背景区域中坐标长时间不变的特征点轨迹和连续运动时间过短的特征点轨迹。 3.采用meanshift算法对特征点轨迹进行聚类，利用视频序列每一帧中特征点在时间窗口内的邻域信息解决了在单帧静态图像中特征点聚类的稳定性问题和对顾客遮挡的鲁棒性问题。每一帧中特征点的聚类结果由该特征点在时间窗口内所对应轨迹的聚类结果得到。 4.提出了一种运动跟踪匹配算法实现了从特征点轨迹到顾客轨迹的生成。该算法采用统计的思想搜索视频序列每一帧中的特征点类在上一帧中的最优匹配类，解决了顾客出入视频区域以及具有复杂路线时的稳定跟踪问题，并在不同场景区域、不同顾客密度以及不同轨迹复杂度下均保持了高度的准确性和良好的鲁棒性。