学位论文 > 优秀研究生学位论文题录展示

人体跟踪理论及算法研究

作　者: 刘英霞
导　师: 王欣
学　校: 山东大学
专　业: 信号与信息处理
关键词: 实时跟踪图像预处理最佳软门限去噪双Haar小波变换去噪图像边缘增强运动目标检测贝叶斯准则水平投影优化图像能量动态背景核密度函数卡尔曼滤波器运动目标跟踪
分类号: TP391.41
类　型: 博士论文
年　份: 2007年
下　载: 651次
引　用: 7次
阅　读: 论文下载

内容摘要

对运动的人体进行实时跟踪就是通过对采集到的图像序列进行处理和分析,获得关于人体的相关信息。它在智能监控、高级人机界面以及基于运动的诊断与辨别等方面都有广泛应用和潜在的经济价值。因此该方向是近年来计算机视觉领域研究的热点问题之一,特别是在复杂的动态背景下如何完成准确地跟踪更是人们讨论的重点,并受到日益广泛的重视,而图像去噪是人体跟踪的重要组成部分之一。基于此,本文对在不同的背景环境下运动目标的跟踪问题进行了讨论和研究,主要包括图像小波域去噪、图像边缘增强、在小波域进行目标检测、复杂背景下基于贝叶斯模型的运动目标检测、目标分析、利用卡尔曼滤波理论进行目标跟踪等。人体的实时跟踪系统是对人体进行实时监控的智能系统,在本论文,对其中的具体问题进行了细致的分析和讨论,提出了一些新的算法。本文的主要贡献如下;1.在对包含有目标的图像进行分析前必须要进行图像的预处理,以尽量减少噪声对目标的干扰。因此,文中提出了不同的算法来完成该任务;(1)最佳软门限去噪;在Donoho软门限的理论基础上,对小波系数的收缩量进行进一步的讨论,得到一个最佳的软门限值完成图像的去噪。该方法利用最小均方误差准则,对原有的软门限值进行了优化,推导出在最小均方误差的条件下对于不同噪声分布的最佳去噪算法。理论和实例证明,该算法可以得到一个比原有软门限方法更好的滤波结果。(2)双Haar小波变换系数的MAP估计完成图像去噪;首先对小波基的选取进行了讨论,由于双Haar小波不仅具有良好的边缘检测性能而且有更好的平滑噪声的能力,因此适用于信号去噪。该方法给出了基于MAP的双Haar小波收缩算法,并对其在图像去噪中的应用进行了讨论。该算法充分利用了信号的双Haar小波两个变换系数间的相关特性,得到小波系数的最佳估计。这种小波收缩算法与现有的软门限方法相比较,可以给出更好的去噪结果。(3)自适应边缘增强算法;边缘增强是图像处理的一个重要研究领域,它主要用于对模糊图像的锐化。但是,现有的图像边缘增强方法对噪声敏感。由于中值滤波是一种用于图像去噪的非线性滤波器,为了提高中值滤波的细节保持能力,可采用多级中值滤波器。由于在图像的边缘部分,多级中值滤波和均值滤波的输出差较大,而在图像的平坦部分输出较小,因此该算法在传统的高通滤波器的基础上,利用多级中值滤波和均值滤波的差作为参数,提出了一种自适应图像边缘增强算法。它在增强图像边缘的同时,还具有抑制噪声的能力,因此具有良好的应用前景。2.在对运动人体进行跟踪时,准确地检测出目标是非常关键的一步,因此本文对不同的背景情况下的目标检测算法进行了详细的讨论,提出了以下几种改进算法;(1)基于贝叶斯准则水平投影优化的运动目标检测算法;在目标检测系统中,阈值的选取是一个非常关键的问题,它直接决定了检测结果的准确性。如果选取经验值作为门限将目标从背景中分离出来,有时并不能得到理想的检测结果。新算法充分考虑了仅仅依靠阈值来确定目标区域大小的局限性,结合贝叶斯判决准则,给出了一个动态阈值,利用该阈值对二值化图像的水平投影做进一步分析,在去噪声的同时保证目标的完整性。该方法当外界环境光线变化较大时,可以有效地改善光线变化带来的影响,从而使人体目标的检测更为准确。(2)基于滑动窗口的双Haar小波运动目标检测算法;该算法不再直接在时域对目标分析,而是从频域的角度出发,提出一种新的运动目标检测方法。在对运动目标检测之前,首先对差分图像去噪,然后对去噪后的图像进行边缘增强,使目标区域更为明显。最后,利用图像的能量特性得到差分图像的特征图像,区分背景和目标,并在特征图像直方图的基础上得到判断阈值,完成图像的二值化。实验证明,利用该方法可以得到更好的检测结果。(3)基于贝叶斯模型的动态背景检测;在跟踪目标时,有时会遇到复杂的动态背景,原有的检测方法有时不能得到满意的结果,因此提出一种新算法。该算法利用贝叶斯模型结合核密度函数理论,把阈值的选取放到概率空间上考虑,给出了在复杂的动态背景下检测出运动目标的方法。首先,在图像相关性的基础上,利用非参数核密度估计的方法,建立前景和背景的核密度函数,再利用贝叶斯理论,估计出背景和前景的先验概率,两者相结合得到一个估计的阈值,从而实现目标和背景的分类。3.在准确检测出目标后,就要对运动目标进行跟踪了。关于运动人体的跟踪本文提出了下面的改进算法;快速卡尔曼滤波算法在人体跟踪中的应用;在对运动目标进行跟踪时,为使跟踪准确无误地完成,需要根据目标当前的运动轨迹来预测下一时刻的位置并对该时刻的位置进行修正。卡尔曼滤波预测理论可以解决这类问题,将该理论应用到人体跟踪中,可以达到理想的跟踪效果。该算法在原有方法的基础上,首先根据运动目标的对称性,确定卡尔曼滤波的状态方程,然后对系统的增益方程和常数矩阵做了合理的假设,通过理论推导得到其常数值。实验表明,该算法不仅可以使目标的跟踪更为准确而且大大提高了计算的速度。通过对室内和室外采集的图像序列进行实验,表明综合利用上述方法能够准确检测出运动者的位置,完成运动目标的跟踪。

全文目录

中文摘要  10-13
ABSTRACT  13-16
缩略语说明  16-17
第一章绪论  17-27
  1.1 运动人体目标检测与跟踪理论综述  17-23
    1.1.1 概述  17-18
    1.1.2 国内外研究现状  18-19
    1.1.3 目标检测  19-21
    1.1.4 目标跟踪  21-22
    1.1.5 应用前景  22-23
  1.2 课题研究内容及意义  23-26
    1.2.1 图像预处理  23
    1.2.2 目标检测  23-25
    1.2.3 人体跟踪  25-26
  1.3 小结  26-27
第二章基于小波变换的图像去噪理论  27-44
  2.1 引言  27
  2.2 软门限去噪理论  27-36
    2.2.1 小波分解和重构  28-30
    2.2.2 小波域软门限去噪理论  30-32
    2.2.3 基于Haar小波的最佳软门限去噪  32-36
  2.3 双HAAR小波去噪理论  36-43
    2.3.1 双Haar小波基本理论  36-38
    2.3.2 基于MAP估计的双Haar小波滤波算法  38-40
    2.3.3 基于滑动窗口双Haar小波变换的去噪理论  40-43
  2.4 小结  43-44
第三章边缘检测算法  44-52
  3.1 基本的边缘检测器  44-46
    3.1.1 Roberts算子  44-45
    3.1.2 Sobel算子  45
    3.1.3 Prewitt算子  45-46
  3.2 自适应边缘增强算法  46-50
  3.3 基于滑动窗口双HAAR小波变换的边缘增强算法  50
  3.4 小结  50-52
第四章运动人体目标检测  52-80
  4.1 背景模型建立和更新  52-54
    4.1.1 引言  52-53
    4.1.2 背景模型的建立和更新  53-54
  4.2 静态背景下运动目标检测  54-61
    4.2.1 传统算法  54-56
    4.2.2 基于小波变换的目标检测算法  56-58
    4.2.3 基于滑动窗口双Haar小波变换的目标检测算法  58-61
  4.3 动态背景下运动目标检测  61-67
  4.4 噪声滤波和区域连通  67-71
    4.4.1 噪声滤波  67-69
    4.4.2 区域连通  69-71
  4.5 目标加矩形框  71-79
    4.5.1 目标水平投影分析  71-72
    4.5.2 基于贝叶斯判别准则的水平投影检测算法  72-77
    4.5.3 目标垂直投影分析  77-78
    4.5.4 目标加矩形框  78-79
  4.6 小结  79-80
第五章运动目标跟踪  80-99
  5.1 引言  80-81
  5.2 卡尔曼滤波算法的基本理论  81-83
  5.3 卡尔曼滤波的发散原因与抑制  83-87
    5.3.1 衰减记忆法  84-85
    5.3.2 平方根滤波法  85-86
    5.3.3 衰减记忆滤波法和平方根滤波法结合  86-87
  5.4 卡尔曼滤波在人体跟踪中的应用  87-95
  5.5 快速卡尔曼滤波算法对运动目标进行跟踪  95-97
  5.6 小结  97-99
第六章实验结果  99-106
第七章结论与展望  106-108
附录  108-109
参考文献  109-118
致谢  118-119
攻读学位期间发表的论文  119-120
附件;外文论文二篇  120-136
学位论文评阅及答辩情况表  136

人体跟踪理论及算法研究

内容摘要

全文目录

相似论文