復(fù)雜地物背景條件下運動目標(biāo)檢測和跟蹤算法研究.pdf

1、運動目標(biāo)檢測和跟蹤技術(shù)是機器視覺的核心技術(shù)，也是光學(xué)成像系統(tǒng)的研究熱點問題。近幾年來，許多用于運動目標(biāo)檢測和跟蹤的算法陸續(xù)提出，大量新的思想、新的技術(shù)手段被應(yīng)用到運動目標(biāo)檢測和跟蹤技術(shù)中來，在很大程度上推動了其發(fā)展。論文針對復(fù)雜地物背景下的運動目標(biāo)檢測和跟蹤技術(shù)展開研究，全文主要工作和研究成果總結(jié)如下：
　　1、針對光流場分割不準(zhǔn)確的問題，研究了基于同向速度累加FBM(Fractal Brownian Motion)模型光流場分割

2、算法，為后續(xù)視覺顯著圖雙重分割提供前景知識。利用基于FBM模型的光流法計算自然圖像的光流場，結(jié)合光流二維矢量性，首先計算同一方向上速度幅值的累加和構(gòu)成加權(quán)速度方向直方圖。根據(jù)直方圖峰值對應(yīng)的速度方向，分割出運動目標(biāo)，為下一步顯著圖分割提供正樣本。
　　2、針對傳統(tǒng)光流目標(biāo)檢測算法自身缺陷導(dǎo)致對運動背景和復(fù)雜地物背景運動目標(biāo)檢測能力的不足，研究了基于前景知識和背景知識對視覺顯著圖二重分割的目標(biāo)檢測算法。SLIC圖像分割算法將圖像分割

3、成若干超像素區(qū)域，減少了計算視覺顯著圖的單元。根據(jù)流形排序算法求得各個超像素的顯著值，從而得到視覺顯著圖。將圖像四個邊界所在的超像素作為背景標(biāo)記為負，光流法檢測到的目標(biāo)區(qū)域標(biāo)記為正。最后通過這些正、負標(biāo)記區(qū)域，根據(jù)流形排序的標(biāo)簽傳遞規(guī)則重新賦予所有超像素顯著值，再利用簡單的閾值分割就能分割出運動目標(biāo)。
　　3、針對TLD(跟蹤-學(xué)習(xí)-檢測)算法不能抗遮擋和相似目標(biāo)干擾的缺陷，研究了改進的CTLD(上下文跟蹤-學(xué)習(xí)-檢測)算法。通過

4、提取目標(biāo)Haar-like特征，并利用隨機高斯矩陣將高維Haar-like特征壓縮到低維空間。采用結(jié)構(gòu)風(fēng)險最小的SVM分類器學(xué)習(xí)訓(xùn)練低維Haar-like特征，尋找距離分割超平面距離最遠的正樣本作為檢測器跟蹤結(jié)果。上下文學(xué)習(xí)算法作為跟蹤器，利用目標(biāo)和目標(biāo)周圍的上下文環(huán)境空域短暫相關(guān)性預(yù)測目標(biāo)位置進行跟蹤。詳細推導(dǎo)了目標(biāo)尺度變化，再根據(jù)Mean-shift算法預(yù)測目標(biāo)旋轉(zhuǎn)因子，以便精確跟蹤。最后利用歷史目標(biāo)模板庫分別和檢測器結(jié)果、跟蹤器結(jié)