论文部分内容阅读
应用双目视觉技术对运动目标进行跟踪，并对其深度和运动信息进行测量是当前计算机视觉研究的热点问题，在军用和民用领域内有着广泛而实际的应用。双目视觉技术模仿人的双眼，利用两个摄像机同时采集同一场景的图像，由于两台摄像机位置不同，采集的图像存在视差，利用这视差可以直接获取空间目标的深度信息。 本文介绍并分析基于可见光的单目摄像机的目标检测和跟踪算法，研究了双目视觉系统下的摄像机标定和立体匹配算法，在双目视觉系统的基础上，研究了融合深度信息的目标跟踪算法。论文主要工作如下: 1)详细介绍了运动目标检测中的常用方法，实验比较了帧间差分法和Surendra算法的性能。在此基础上，对Surendra算法进行改进，通过OTSU法对阈值进行自适应选择，并对差分二值化结果进行形态学滤波处理，实现了对视频中运动目标的检测及背景图像的获取。 2)在运动目标跟踪方面，针对可见光运动目标跟踪问题，运用Mean Shift算法，实现了基本运动目标的跟踪;针对Mean Shift算法遮挡过程中可能造成的目标丢失问题，研究了Kalman滤波器，并将Kalman滤波用于Mean Shift跟踪算法中的运动目标位置预测，防止了跟踪对象的丢失。 3)详细介绍了双目视觉系统中摄像机标定的有关理论和方法，包括摄像机三大坐标系及线性成像模型。本文采用了介于传统标定方法和自标定方法之间的张氏标定法，通过OpenCV来对双目摄像机采集的图像进行标定，获取摄像机的内外参数。然后介绍了立体匹配的有关理论知识，并根据论文中的研究对象，实现了一种基于灰度相关性的区域匹配算法。最后通过实验完成目标的匹配，结合摄像机标定的内外参数，计算出实际场景中目标与摄像机的距离，并对测量结果进行了分析。 4)针对Mean Shift算法中目标直方图容易受到外界光照条件信息等干扰的问题，提出了深度信息加权的直方图算法，利用深度增强了颜色特征信息，增强更适合于用来区分模板与目标。并采用深度信息自适应调整Mean Shift核带宽大小的机制，使得核带宽能够随目标深度信息的变化而改变。最后将深度信息用于区分多个不同的运动目标，完成复杂环境下的实时多目标的跟踪。