论文部分内容阅读
基于视频的多人体目标跟踪是机器视觉领域中一个非常重要的分支，有着非常广泛的实用价值，诸如智能监控、人机交互、交通导航等方面。人体视频分析主要包括三个基本步骤：(1)人体目标检测；(2)人体目标跟踪；(3)人体行为的识别和理解。可以看出，人体目标检测与跟踪是后续高级处理的基础。本文主要研究复杂背景下多人体目标跟踪问题，旨在提出一种具有较好准确性、实时性和鲁棒性的多目标跟踪算法。本文主要做了四个方面的工作。
第一，针对动态背景下运动目标的检测问题，提出一种基于背景主颜色分割和Adaboost的检测算法。动态背景下目标检测的难点在于，很难对时刻变化的背景进行建模，无法通过差分运算得到前景目标。本文的方法是先利用HSV空间下背景主颜色特征，去除图像帧中大部分背景冗余信息，然后采用Adaboost算法得到最终的检测结果。实验表明，该方法有效降低了Adaboost算法的误检率和错检率。
第二，针对复杂背景下运动目标的特征选择问题，本文采用HSV颜色空间下的区域直方图作为目标的模型。HSV颜色空间不仅反映了人眼视觉观察彩色的方式，而且其V分量(亮度)与彩色信息无关，H分量(色调)和S分量(饱和度)与人感受彩色的方式紧密相连。HSV颜色直方图可以有效的克服了光照和形变的影响，提高了跟踪精度。
第三，针对多人体目标的跟踪问题，提出一种基于融合反馈式粒子滤波算法。其基本思想是将球员状态的检测信息融入到粒子滤波器设计，使其“融合”最新的观测数据，并由此对下一帧球员可能的状态进行抽样。该方法提高了传统粒子滤波算法的跟踪精度，避免了传统算法由于忽略最近观测值而带来的较大方差，更为重要的是，提高了算法的实时性，增强了当目标出现遮挡、加速等复杂情况下的鲁棒性。
第四，针对跟踪过程中参考模板的更新问题，提出一种基于时间序列分析的模板更新算法。模板更新的难点是通常情况下难以得到真实的参考模板，甚至不可能得到，这无疑增加了目标跟踪的难度。本文的方法先采用灰度信息建立描述参考模板的特征向量，利用非线性降维方法映射到低维空间，并建立模板特征向量随时间变化的自回归移动平均模型，由该模型得到最优预测，最后映射到高维空间完成参考模板的更新。该方法摒弃了传统算法通过简单加权更新获取参考模板的思路，从模板衍变的客观规律出发，来建立模板更新策略，间接提高了目标跟踪的精度。