搜索
河南大学硕士学位论文视频运动目标跟踪算法研究姓名：常向魁申请学位级别：硕士专业：计算机应用技术指导教师：刘先省;焦建彬20070501视频运动目标跟踪算法研究作者：常向魁学位授予单位：河南大学相似文献(10条)1.会议论文胡凯.费耀平一种基于Mean-shift的自适应运动目标实时跟踪鲁棒算法2008由于mean-shift算法良好的鲁棒性和实时性,它被广泛的应用到运动目标跟踪中.但该算法还存在不足的方面.首先是核带宽的选择问题,它对存在径向运动的目标跟踪的影响非常大.其次,采用灰度分布匹配的方法忽略了目标的几何特征,容易在复杂背景下跟丢目标.采用Lindeberg所提出的选择最优核宽的理论并结合mean-shift过程能很好的适应径向运动的目标跟踪任务,并对其可行性作了证明.另外,分区域统计灰度分布可以将图像的几何信息加入特征向量,从而增加算法的鲁棒性.2.学位论文吴亚鹏基于双目视觉的运动目标跟踪与三维测量2008应用双目视觉技术对运动目标进行跟踪，并对其深度和运动信息进行测量是当前计算机视觉研究的热点问题，在军用和民用领域内有着广泛而实际的应用。本文基于双目视觉，以获得目标质心的三维坐标、深度和运动速度为主要目的，研究了运动目标检测与跟踪、双目立体视觉标定、组建双目立体视觉运动目标跟踪与测量实验系统三方面的内容。在运动目标检测与跟踪方面：重点研究了融合运动目标位置预测的MeanShift算法，并根据Bhattacharyya系数值对目标被遮挡的情况进行了判断；使用本文算法针对目标非匀速运动和发生遮挡的情况进行了计算机仿真实验，在算法运行效率和跟踪稳定性方面获得了预期的效果。在双目立体视觉标定方面：制作了圆靶标定板并提取了靶面特征点的图像坐标，在分析标定算法的基础上分别完成了左右摄像机的标定；阐述了双目视觉下的空间点三维坐标的提取算法：运用VC++6.0开发了双目立体视觉标定系统，通过测量空间点深度信息和空间物体尺寸大小，验证了系统结果。在组建双目立体视觉运动目标跟踪与测量实验系统方面：采用代价函数对左右视场下的运动目标进行立体匹配；分析了运动目标深度和速度的测量方法；运用VC++6.0将双目立体视觉标定、运动目标检测与跟踪和目标质心提取三部分内容进行系统的结合，设计了双目立体视觉运动目标跟踪与测量实验系统，使用该系统实现了提取运动目标质心的三维坐标及其深度和速度的测量。3.会议论文宋仁庭.杨卫平.杨明月模板匹配算法对运动目标自动锁定跟踪的研究2007模板匹配技术是运动目标跟踪中常用的方法。在基于差值测度的模板匹配算法中,满足匹配准则的最佳匹配点与真实位置偏差较大,这在运动目标跟踪中,由于偏差的不断累加会造成跟踪不稳定,甚至目标的丢失。针对这一问题,提出了结合目标模板内像素灰度值的空间分布情况,不断地对模板进行修正的算法,使得跟踪的实时性和稳定性得以提高。仿真实验结果证明了该算法的有效性。4.学位论文李志华智能视频监控系统目标跟踪与分类算法研究2008随着视频监控需求的迅速增长、监控规模的日益扩大，人工监视已远远不能满足监控要求，视频监控系统的“智能化”变得越来越迫切。研究高实时性高准确度的智能视觉分析算法、多目视觉数据融合以及最优化问题是智能视频监控系统研究的关键。本文针对智能视频监控系统中的运动目标跟踪与分类问题——从运动目标分割、跟踪和分类，到基于多目视觉数据融合的目标连续罡艮踪、跟踪优化分配以及目标分类/跟踪互协作，进行了深入研究，并设计和实现了基于嵌入式CPU和DSP相互协作的智能摄像机原型系统。论文的主要研究内容概述如下：1.基于区域分割的复杂背景建模算法研究针对复杂监控场景，为了消除动态背景物、光照变化所产生的干扰以及无关的阴影区域，提出了基于区域分割的复杂背景建模算法。通过在色度和亮度空间对监控背景进行有效的区域分类，在变化小的稳定区域采用简单快速的自适应单高斯模型(AdaptiveSingleGaussianModel)，在变化大的动态区域采用计算复杂而有效的非参数化模型(NonparametricModel)。该算法采用通用合并方法(GAS)聚类填充动态区域中的小空隙，并在边界处向外适当扩充像素，以提高区域分割对动态环境的适应性。在动态区域非参数化背景建模的训练阶段，采用双阀值顺序算法方案(TTSAS)把所有的背景采样值聚类成几个高斯分布类，以加速新采样值的核密度计算；2.基于模型动态切换的运动目标实时跟踪算法研究针对拥挤的监控场景，为了实现遮挡状态下目标跟踪的稳定性，提出基于模型动态切换的运动目标实时跟踪算法。通过对目标遮挡状态的有效判定，对未遮挡的单运动目标采用基于区域跟踪的简单快速模型，对相互遮挡的复合运动目标采用基于窄基线SIFT特征匹配的跟踪模型。由于被跟踪目标在相邻图像帧之间尺度和外形变化很小以及基于目标位置预测出的运动范围有限，SIFT特征匹配模型实现了快速的窄基线小范围特征匹配，达到了遮挡状态下目标跟踪的稳定性；3.基于多目视觉的目标连续跟踪及跟踪优化研究针对广域监控场景，提出一种基于多目视觉的目标连续跟踪及跟踪优化方法。利用摄像机背景图像之间的SIFT特征匹配自动检测摄像机之间的重叠视域，并根据相匹配的SIFT关键点计算重叠视域之间单应性变换矩阵的系数，SIFT特征匹配和单应性变换使跟踪系统达到了稳定的连续跟踪。为了在目标跟踪过程中获得更好的跟踪效果，该方法通过基于多目视觉的跟踪优化算法对目标的跟踪优先级和目标在各个摄像机中的遮挡状态及其分割图像大小进行数据加权融合，优先分配高侥先级目标给具有最佳权值的摄像机进行跟踪，并动态平衡各个摄像机的计算资源与跟踪负载。该方法不需要具备摄像机校正和场景建模条件，适用范围较广；4.运动目标分类算法研究针对交通监控场景特点，提出基于分区归一化加权特征的目标分类算法。通过提取简单有效的运动特征和外形特征，并对交通监控场景中不同交通方向的道路区域和不同的场景位置进行分区，以提高目标特征的可区分性。在分区后应用AdaBoost方法评估各个特征的相对重要性，赋给每个特征一个归一化权值，最后生成一个线形分类器。由于遮挡状态会严重影响目标分类算法的性能，通过基于重叠摄像机数据融合的目标分类与跟踪互协作改善了拥塞场景中目标分类算法的正确率。借助于重叠摄像机之间不同的视角方向，利用摄像机之间的视点对应和数据融合决定最优的分类与跟踪结果，提高了遮挡状态下运动目标分类的准确度和目标跟踪的稳定性。在以上研究基础之上，本论文最后针对智能视频监控系统的核心功能单元——嵌入式智能摄像机系统，设计一种新型的实时嵌入式智能摄像枧系统，该方案基于嵌入武CPU和DSP协作的硬件体系结构，实现智能视觉分析和网络交互模块并行处理的软件系统框架，提供了一个较好的智能摄像机原型设计实铡。5.学位论文陈雷AUV运动目标参数预测与跟踪策略研究2009自主水下潜航器(AUV)的目标跟踪研究是AUV技术研究的热点领域之一。出于对自主水下潜航器智能要求的提高，希望潜航器不仅有完成对静止目标的探测的能力，而且可以跟踪运动的目标。本文主要研究AUV的运动目标跟踪，研究内容包括以下几个方面：首先，为研究的对象建立数学仿真模型。包括非机动目标和机动目标数学模型、AUV推进系统模型、AUV运动方程。给出了AUV运动控制系统模型与AUV运动坐标系；应用PID控制原理并结合AUV自身传感器及推进系统设计了目标轨迹跟踪控制器。其次，以消耗能量最小为目标，制定了区域目标跟踪策略。根据AUV自身的观测能力，设定当目标超出AUV附近特定的区域边界时，启动AUV进行跟踪。AUV区域目标跟踪策略可以使AUV间断进行目标跟踪，以达到降低能耗的目的。再次，将灰色动态预测模型应用到对目标进行典型运动跟踪时的轨迹预测中。在对目标运动进行小样本灰色建模、灰色动态预测的基础上，实现对目标运动轨迹实时预测。最后，根据文章中研究的跟踪策略和对目标轨迹预测，设计了AUV跟踪策略仿真演示案例。结合AUV运动模型设计目标进行典型运动时的轨迹跟踪仿真实例，并设计引入对目标轨迹预测后的仿真实例。以验证AUV对目标轨迹进行跟踪的可行性。AUV的目标跟踪具有一定实际应用价值，如AUV执行敌方舰船跟踪和连续的敌方情报搜集等。6.会议论文查宇飞.张育.毕笃彦基于区域活动轮廓运动目标跟踪方法研究2007本文根据贝叶斯估计理论,首先建立了图像序列中运动目标的跟踪模型,然后用高斯分布来描述图像的区域信息,并通过对模型的分析,与区域活动轮廓模型建立对应关系,将问题的求解转化为能量最小化问题。同时为了克服目标在运动中发生的拓扑形变,采用水平集方法进行数值实现。实验结果表明,这种方法不仅可以对多个运动目标进行跟踪,并能非常好地逼近运动目标的轮廓,而且能够自然地处理运动目标的拓扑形变。7.学位论文田敏视频图像序列中运动目标跟踪算法的研究2008视频图像序列中运动目标的跟踪具有非常重要的实用价值，它是机器视觉领域内一个非常重要的研究方向。本文针对视频图像序列中运动目标跟踪过程中运动目标外观变化这一核心问题展开深入的研究，提出了全新的多支持向量机联合鲁棒跟踪算法。算法基于二元分类思想，通过有机组合在不同时间段在线更新的线性支持向量机获得一个更加稳定的组合分类器，完成运动目标跟踪任务。前人的算法是本文研究的理论基础和思想源泉，本文首先针对运动目标跟踪领域内前人的重要算法加以分析研究，深入探讨运动目标跟踪算法研究领域内所面临的主要问题，并借此提出本文对这些问题的看法。随后本文细致介绍了文中所提出的两大核心算法：基于单个支持向量机的目标跟踪算法和多支持向量机联合鲁棒跟踪算法。基于单个支持向量机的目标跟踪算法是多支持向量机联合鲁棒跟踪算法的设计原型，是后者的一个简化版本。基于单个支持向量机的目标跟踪算法通过在线获取样本、在线更新支持向量机的分界面有效地将运动目标与背景区域区分开来，并能适应目标特征的不断变化。更为重要的是，通过利用支持向量机这一有效的分类工具中特有的支持向量，算法可以不断获取并传递运动目标在运动过程中的一些“关键帧”，并利用它们确保跟踪算法的稳定性。多支持向量机联合鲁棒跟踪算法利用组合学习算法有机的将不同时间段内更新的不同的线性支持向量机分类器有机的组合起来。算法的提出解决了线性支持向量机无法解决的非线性分类的问题，使得组合分类器获得了更好的分类效果，同时也能更加有效的利用不同时间段的历史信息，剔除无用的历史信息。通过大量的实验数据表明，本文提出的算法在很多具有挑战性的视频片段上表现优于以往的经典算法，具有一定的实用价值。8.会议论文唐学怡.傅志中.于晓宇运动目标在遮挡过程中的识别与跟踪2008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。针对目标跟踪过程中的遮挡问题，本文提出了以块匹配和灰度相关系数相结合的方式对目标进行跟踪的方法，即先对目标进行分块，以子块和整体目标的块匹配来表决目标的位置，以灰度相关匹配度来确定是否进行模板更新。实验结果表明，这种算法效果好，运算复杂度低，且具有较强的鲁棒性。9.学位论文邵晓倩运动目标实时检测和跟踪技术应用研究与实现2009运动目标检测与跟踪是应用视觉和运动图像编码研究领域的一个重要课题，在虚拟现实和视觉监控领域有着广泛的应用。运动目标检测就是判断视频序列中是否存在运动目标，并确定运动目标的位置。运动目标跟踪是指在整个视频序列中监控运动目标的时空变化，如目标的出现与消失，目标的位置、尺寸和形状等。运动目标的检测与跟踪是紧密关联的两个过程，跟踪始于检测，而目标在后续图像序列中的重复检测也有助于对目标更加精确的跟踪。本文在研究比较了几种常用的视频序列中运动目标检测方法后，结合本论文的实验场景，采用了基于背景差分法的多模态背景建模方法，提取运动前景，利用其自适应性和动态更新特性有效地反应背景的动态变化。但是这仍然不能很好地滤除掉背景中存在的不感兴趣目标，结果使得感兴趣目标和不感兴趣目标同时存在，这严重影响了后期轨迹跟踪结果。基于此原因，本论文提出了一种改进的基于背景差分法的多模态背景建模算法一基于特征的运动物体滤