论文部分内容阅读
运动目标分割与跟踪在军事、气象、地质、商业传媒等很多领域都有着广泛的应用,是模式识别、图像处理、计算机视觉等领域的重要课题。本文首先对运动目标分割与跟踪的研究现状进行了分析与总结,介绍了该领域现有的研究方法,取得的成就以及存在的问题。本文采用最大后验边缘概率(MPM-MAP)算法实现运动目标分割,MPM-MAP算法是在最大后验概率(MAP)图像分割算法的基础上发展而来的。这类算法既能估计运动参数,又能分割出运动目标,具有结果准确,适应广泛的特点。MPM-MAP算法在形式上明确了通过两步估计运动参数和运动目标所对应的区域(支持区);采用二值标记场表示支持区,从而使计算简化。该算法比MAP算法和期望最大化(EM)算法更灵活,速度更快。本文从MAP运动分割算法入手,详细介绍了MPM-MAP算法的理论框架,还分析了MPM-MAP算法与MAP算法及EM算法的区别。在此基础上本文对该框架中的数据平滑算法——基于马尔可夫随机场(MRF)模型的算法进行了改进。改进后的算法利用MPM-MAP算法中的二值标记表示法,统一更新图像标记场数据,通过均值滤波器实现MRF能量函数的计算,在保持算法平滑效果的同时提高了MRF算法的运行速度。传统的MPM-MAP算法虽然运行速度比相近的MAP算法和EM算法有较大提高,但仍存在一些缺点。如缺乏有效的运动目标数和初始运动参数的估计方法;常采用的估计运动参数的最优化方法依赖于初值,对目标函数要求可导等。MRF平滑方法虽然效果很好,但用于迭代过程中时,即使是快速算法仍然运行时间较长。针对以上缺点,本文提出了以下改进方法。本文改变了MPM-MAP算法中数据平滑项的定义,定义平滑项为运动目标备选像素的密度,选择备选像素密度最大的矩形区域为运动支持区。采用区域收缩算法实现图像平滑、去除噪声,该算法不仅可以消除噪声,还可以对运动目标定位并计算运动目标的特征矩形。区域收缩算法相对MRF算法具有运行速度快的优势。除可以用于支持区估计结果上,区域收缩算法也可以用于差分二值图像,本文采用连通区域包围盒与区域收缩算法相结合的方法估计初始支持区,将传统算法先假设运动参数再估计运动支持区的顺序改为先估计支持区后估计运动参数,提高了初始参数估计的准确性。本文选择运动模型为6参数仿射模型。在区域收缩算法的基础上,本文提出一种基于矩形区域主轴的轴仿射模型。该模型通过矩形区域的两个主轴估计仿射运动参数,其优点主要有以下几点。一是在不影响运动参数估计准确性的前提下提高了运动估计的速度;二是使仿射运动参数具有明确的几何意义,容易确定一个初始参数的范围,使参数估计的最优化算法除传统的基于梯度的方法及随机最优化方法外,可以使用搜索类的算法。本文选择一种较新的取值有界的最优化算法—DIRECT算法实现运动参数的估计。该算法不要求目标函数可导,也不用假设初值。所以,轴仿射运动模型与DIRECT算法的结合提高了参数估计的准确性、稳定性和鲁棒性。本文对上述算法与模型进行了详细介绍。最后,本文将上述算法应用于运动目标跟踪。本文的跟踪算法采用矩形表示法,基于区域收缩的MPM-MAP算法用于估计初始运动目标及运动参数。目标跟踪采用基于卡尔曼滤波的状态空间目标跟踪方法。状态为轴仿射参数,DIRECT算法的中间结果用于计算观测向量的协方差矩阵。实验结果表明,矩形表示法、轴仿射模型和DIRECT算法的结合有利于更好地实现运动目标跟踪。本文提出的算法都经仿真实现,并证明可行。文中给出较详细的实验结果。