学位论文 > 优秀研究生学位论文题录展示
智能视觉监控中运动目标检测与跟踪的研究
作 者: 罗山
导 师: 黄欢
学 校: 昆明理工大学
专 业: 通信与信息系统
关键词: 运动目标检测与跟踪 混合高斯模型 Kalman滤波器 Mean Shift 遮挡
分类号: TP391.41
类 型: 硕士论文
年 份: 2009年
下 载: 68次
引 用: 0次
阅 读: 论文下载
内容摘要
智能视觉监控技术是利用图像处理、模式识别、人工智能和计算机视觉等许多学科的先进方法,在不需要人为干预的情况下,通过对摄像机拍录的图像序列进行自动分析,对被监控场景中的变化进行检测、识别和跟踪,并在此基础上分析和理解有关运动目标的行为。它在军事、民用等领域有着很重要的实用价值。基于视频的运动目标检测与跟踪技术是智能视觉监控系统中的两个重要阶段,已经成为计算机视觉领域中的研究热点。实际的场景往往是错综复杂、变化无常的,而能准确地对运动目标进行检测与跟踪,是智能视觉监控系统中多摄像机融合、行为理解和描述等后续处理的基础。论文利用视觉信息在时间和空间上的相关性,主要研究运动目标检测与跟踪的有关算法,以此改善检测与跟踪的效果。对于运动目标检测,介绍了三种常用的运动目标检测算法,深入研究了各方法的原理,通过实验分析,比较出它们的优缺点。针对静止背景情况下的背景减除法,论文着重研究了混合高斯背景模型的建立以及更新方法,讨论了背景更新的原则,增强了检测算法随场景变化的鲁棒性。由于检测出的运动区域中存在孔洞和噪声,通过去除阴影和形态学处理得到完整的运动目标。实验结果表明,该运动目标检测算法能准确、快速地检测出运动目标,能够在较大程度上满足系统的要求。在运动目标跟踪方面,分析了Kalman滤波器原理、并研究了区域匹配算法,提出了基于Kalman预测的区域跟踪算法。通过提取目标区域的特征,建立Kalman滤波器预测模型,对运动目标进行运动估计,从而减少噪声干扰和缩小区域匹配搜索范围,提高了算法的效率。在目标区域匹配时,采用质心距离和面积差异相结合的方法,兼顾了目标的位置和大小,并利用匹配准则得到最佳区域匹配。实验结果表明,Kalman滤波器模型比较符合实际的情况,区域匹配跟踪算法能可靠地预测并跟踪目标。遮挡问题历来是跟踪算法所面临的难点,是影响跟踪效果的一个重要因素。论文分析了Mean Shift跟踪算法,通过实验分析表明该算法在目标出现遮挡的情况下跟踪效果不好。论文将Kalman滤波器与Mean Shift算法相结合应用于目标遮挡情况下的目标跟踪。正常跟踪目标时,执行Mean Shift跟踪算法并用Kalman滤波器进行运动参数估计;当发生遮挡时,利用运动参数对目标进行后续状态估计,同时计算Bhattacharyya系数。然后利用Bhattacharyya系数判断下一帧是否发生遮挡,如此循环直到目标脱离遮挡。结合后的跟踪算法利用Kalman滤波器的预测能力来弥补Mean Shift算法不具有预测后续帧中目标的运动状态信息的能力。实验结果表明,在短时间遮挡的情况下,结合后的跟踪算法具有良好的稳定性、实时性。对论文提出的检测与跟踪算法进行实现,实验表明在背景不是很复杂、光线变化不大的情况下,算法具有良好的鲁棒性和准确性。
|
全文目录
摘要 4-6 ABSTRACT 6-10 第一章 绪论 10-19 1.1 课题的研究背景及意义 10-11 1.2 国内外研究现状 11-15 1.2.1 运动目标检测方面 11-12 1.2.2 运动目标跟踪方面 12-13 1.2.3 基于检测与跟踪的智能监控系统的研究 13-15 1.3 运动目标检测与跟踪的方法及难点 15-18 1.3.1 检测与跟踪的方法分类 15-16 1.3.2 检测与跟踪的难点问题 16-18 1.4 论文的结构安排 18-19 第二章 基于混合高斯模型的运动目标检测 19-35 2.1 引言 19-20 2.2 运动目标检测的常用方法 20-22 2.2.1 帧间差分法 20-21 2.2.2 光流计算法 21 2.2.3 背景减除法 21-22 2.3 高斯背景模型 22-28 2.3.1 单高斯背景模型 22-24 2.3.2 混合高斯背景模型 24-28 2.3.2.1 像素模型的定义 24-25 2.3.2.2 像素模型的更新 25-26 2.3.2.3 背景模型的建立 26-28 2.3.3 背景模型的更新原则 28 2.4 后处理 28-32 2.4.1 去除阴影 28-30 2.4.2 滤波去噪 30-32 2.5 实验结果及分析 32-34 2.6 小结 34-35 第三章 基于Kalman预测的区域跟踪 35-48 3.1 引言 35-36 3.2 Kalman滤波器理论 36-39 3.2.1 待估计的线性离散过程 36-37 3.2.2 Kalman滤波器原理 37-38 3.2.3 Kalman滤波器算法 38-39 3.3 区域匹配跟踪 39-44 3.3.1 提取区域的几何特征 40-41 3.3.2 目标链表的建立 41 3.3.3 Kalman预测模型 41-43 3.3.4 目标区域匹配搜索 43 3.3.5 更新预测模型 43-44 3.4 实验结果及分析 44-47 3.5 小结 47-48 第四章 Kalman与Mean Shift结合应用于遮挡跟踪 48-66 4.1 引言 48-50 4.2 Mean Shift的理论分析 50-53 4.2.1 多维空间中的核密度估计 50-51 4.2.2 核密度梯度估计 51-52 4.2.3 Mean Shift算法的收敛过程 52-53 4.3 Mean Shift跟踪算法 53-58 4.3.1 目标的表示 54-55 4.3.1.1 目标模型 55 4.3.1.2 候选目标 55 4.3.2 相似性函数 55-56 4.3.3 目标的定位 56-57 4.3.4 跟踪算法描述 57-58 4.4 判断遮挡的准则 58-59 4.5 Kalman和Mean Shift相结合的跟踪算法 59-60 4.6 实验结果及分析 60-65 4.7 小结 65-66 第五章 总结和展望 66-68 5.1 主要工作与结论 66-67 5.2 进一步的研究和展望 67-68 致谢 68-69 参考文献 69-73 附录 攻读硕士学位期间以第一作者发表的论文 73
|
相似论文
- Mean Shift结合拓扑约束法进行高密度细胞追踪,Q25
- 手势追踪研究与手势识别应用平台实现,TP391.4
- 复杂场景中运动目标的检测与跟踪,TP391.41
- 大型耙吸挖泥船动力定位控制算法研究,U674.31
- 基于图像信息的运动目标检测与跟踪算法研究,TP391.41
- 运动目标检测与跟踪的研究,TP391.41
- 视频图像序列中运动目标的获取与跟踪,TP391.41
- 基于KLT与Mean-Shift的目标跟踪研究,TP391.41
- 视频监控系统中的运动目标检测算法研究,TP391.41
- 嵌入式目标检测与跟踪系统设计及算法实现,TP391.41
- 增强现实中虚拟物体注册方法的研究,TP391.41
- 视频跟踪中Mean-Shift算法的应用研究,TP391.41
- 基于粒子滤波的可靠视觉跟踪技术研究,TP391.41
- 动态场景下运动目标检测与跟踪,TP391.41
- 视频图像中运动目标跟踪技术研究,TP391.41
- 基于粒子滤波与Mean Shift平滑运动跟踪的研究与实现,TP391.41
- 复杂信道下的说话人识别技术,TN912.34
- 分布式声源定位与跟踪算法研究,TN912.3
- 下遮挡二元喷口的气动和红外辐射特性的数值研究,V231.1
- 智能监控系统物品安全检测关键技术研究和实现,TP277
- 基于视觉的粒子滤波目标跟踪算法及其在移动机器人中的应用,TP242
中图分类: > 工业技术 > 自动化技术、计算机技术 > 计算技术、计算机技术 > 计算机的应用 > 信息处理(信息加工) > 模式识别与装置 > 图像识别及其装置
© 2012 www.xueweilunwen.com
|