论文部分内容阅读
随着数字图像处理技术的发展以及视频信息爆炸时代的到来,人们对智能视频业务提出了更高的要求,同时对智能视频分析技术愈加重视。在视觉跟踪领域,Mean shift目标跟踪算法是近几年发展起来的优秀算法,该算法建立在对颜色概率密度的非参数密度估计基础之上,具有实时性好、对形变、目标遮挡的鲁棒性好等优点。但是,Mean shift算法仍然存在一些缺陷：(1)跟踪过程中核窗宽的大小保持不变,当目标有明显尺度变化时,可能导致跟踪失败；(2)颜色直方图是一种比较弱的对目标特征的描述,当有相似颜色干扰(遮挡)时,算法效果欠佳；(3)Mean shift算法进行局部搜索,当场景中目标的运动速度很快时,容易跟踪丢失。另外,Mean shift算法跟踪效果的提升主要依赖于单一颜色特征描述被跟踪目标的准确性,如果继续延续这一思路,基于颜色特征的Mean shift目标跟踪效果很难有更大的提升空间。针对以上的理论和技术难题,本文对基于多特征融合的Mean shift目标跟踪关键技术展开研究,研究思路直接利用视频压缩域的运动矢量和DCT系数等信息,提取压缩域的三类特征：目标运动特征、几何特征、纹理统计特征,并融合Mean shift算法中的颜色特征,实现新的基于压缩域特征的Mean shift多特征融合的目标跟踪模型。本文算法不仅能很好解决以上Mean shift目标跟踪算法存在的问题,并能在保证运算效率的同时,提升目标的整体跟踪效果。本文研究创新性研究成果主要包括以下四个方面：第一、基于运动矢量分析构建Mean shift核窗宽动态更新模型针对Mean shift算法跟踪尺度变化目标易丢失的问题,本文提出了基于运动矢量分析的Mean shift核窗宽动态更新模型,通过运动矢量分析,提取运动目标的尺寸大小(几何特征),据此动态更新目标的颜色概率模型及核窗宽大小,使得目标模型更加真实,算法有效提高了目标尺寸变化下的运动跟踪准确度,与增量试探法(±10%增量)相比提高了8%以上。第二、基于压缩域分析的Mean shift相似颜色干扰问题的研究针对Mean shift算法在相似颜色干扰情况下容易跟踪丢失等问题。本文提出了基于压缩域纹理统计特征融合颜色特征的Mean shift目标跟踪算法,在对运动目标和待检测目标进行颜色特征匹配之后,进一步进行纹理统计特征匹配,提高匹配的准确率,避免了仅靠颜色特征判断的缺陷,算法噪相似颜色干扰情况下明显提升了鲁棒性。第三、基于压缩域分析的快速运动目标跟踪模型针对Mean shift跟踪快速运动目标易丢失的问题,本文在压缩域提取运动目标的运动速度和方向,并估计运动目标在当前帧的位置坐标,用以修正Mean shift候选模型的初始搜索中心,该方法解决Mean shift算法只能局部区域搜索的缺陷,提高Mean shift算法快速运动目标的跟踪效果,与卡尔曼滤波的Mean shift跟踪提高相比提高了2%左右,并且减少Mean shift算法的迭代次数,提高算法运算效率,相比卡尔曼滤波的Mean shift跟踪平均迭代次数减少了20%左右。第四、基于压缩域分析的多特征融合Mean shift(?)跟踪模型本文将压缩域特征融合到基于颜色特征Mean shift运动跟踪算法中,首次提出了基于压缩域特征融合颜色特征的Mean shift运动跟踪框架。框架采用多特征分层跟踪方法,将压缩域的运动特征、几何特征、纹理统计特征与像素域的颜色特征在Mean shift算法不同的阶段进行有效的融合,实验测试结果表明：本文所提出的基于压缩域分析的多特征融合Mean shift跟踪框架算法实时性好,鲁棒性与同类算法相比得到提升。综合上述,为了获得更好的跟踪效果,本研究从基于颜色特征的Mean shift目标跟踪出发,引入三个新的压缩域特征与Mean shift颜色特征结合实现多特征融合跟踪,新算法进一步消除了Mean shift算法中的跟踪缺陷,在保证Mean shift算法实时性的同时,提高了算法的鲁棒性能,具有重要的理论价值和应用前景。