论文部分内容阅读
运动目标跟踪技术是计算机视觉领域的一个研究热点,早期主要用于军事、医疗、工业等专业领域。现在逐渐向消费领域扩展,如:智能视频监控、汽车导航、人机交互服务等。目标跟踪任务面临诸多挑战,主要是算法实时性和鲁棒性要求。本文将实现一种具有鲁棒性的运动目标检测与跟踪算法。Blob是指图像中的一块连通区域,可以表示一个单独的目标,而且可以根据Blob来获得相应的目标信息。Blob在目标检测和跟踪算法中有多种应用,可以提取Blob的颜色特征来做目标匹配,Blob与Mean-shift算法的结合,可以用来调整目标搜索窗口的大小。本文算法是通过提取所有运动目标的Blob,再根据观测目标Blob和跟踪目标Blob之间的全局距离来实现目标匹配的。在本文算法中,先进行了运动目标检测。目前,主要有三类运动目标检测算法:帧间差分法、背景减除法和光流法,而背景减除法中又有多种背景建模方法,例如,混合高斯背景建模、均值建模方法等。通过仿真实验对比了帧差法、均值建模和混合高斯建模的目标检测效果,本文将选取混合高斯建模算法来对背景进行维护和检测前景运动目标。接着对混合高斯的检测结果进行连通域提取来得到目标Blob,并计算了Blob的面积、质心特征,这两部分完成了运动目标检测和Blob提取。在运动目标匹配过程中,考虑到目标在视频相邻帧之间的移动距离较小,所以选取了Blob之间的距离来做目标匹配。依据所有观测目标Blob和跟踪目标Blob之间的距离建立一个关联矩阵,然后将该关联矩阵的求解转换成一个线性指派问题并用Munkres算法进行求解。根据数据关联结果,需要为运动目标建立相应的动态模型并进行跟踪,本文采用了Kalman滤波器来管理和跟踪运动目标。在实现运动目标检测与跟踪的基础上,对比了本文算法与Mean-shift算法对单目标的跟踪能力,并通过测试目标丢失数、虚假目标和目标误匹配三个指标,验证了本文算法对多目标进行跟踪时的准确度。实验表明,本文的方案是合理可行的。