论文部分内容阅读
近几十年来，伴随计算机和人工智能等相关技术的飞速发展，视频运动目标检测与跟踪技术作为计算机视觉领域当中新兴的研究方向，它结合了图像处理、人工智能、机器视觉等诸多方面的前沿技术，在安防监控、智能交通、视频摘要等相关领域得到大量应用，但是，至今还没有研究出非常成熟的视频运动目标检测与跟踪算法能够处理好各种复杂情况的视频时能同时达到高实时性、高鲁棒性、高准确性，因此还需要对本课题做更深入的研究和探讨，主要研究内容包括： 对传统的检测算法的分析比较，包括基于相邻帧的帧间差分法、基于背景模型的背景差分法、基于光流矢量场的光流法，总结它们的最适合的应用场景和需要改进的地方。同时深入研究基于像素的自适应分割算法（PBAS），它结合了SACON和VIBE两个算法的优势，并且引入了控制论思想和背景复杂度的度量方法，采用基于像素的自适应阈值分割和随机背景模型更新机制，基本实现了无参数自动化的目标检测，检测结果的准确性和鲁棒性都比较好。 研究目标跟踪丢失问题的解决方法。分析比较基于滤波理论的Kalman滤波算法、基于颜色特征的Camshift算法和ABCshift算法，得出这几种算法的优缺点和适合环境。同时深入研究在ABCshift上加入Kalman滤波的算法，利用空间位置信息和颜色特征信息，有效解决运动目标在有背景颜色干扰和其它物体短时间遮挡情况下跟踪失败的问题，但是在复杂环境下和受到严重遮挡导致搜索窗内颜色改变很大时，目标容易跟踪丢失，本文在此基础上引入短暂在线学习理念，利用学习目标跟踪丢失前的正样本特征，结合Kalman对丢失帧的预测作用，对丢失帧进行搜索匹配重新找回目标，在以后跟踪过程中没有发生丢失时就用之前的跟踪算法，只要一发生目标跟踪丢失就引入在线学习机制。实验表明引入在线学习机制的算法能够有效解决了复杂环境下和受到严重遮挡而跟踪丢失的问题。 设计和开发运动目标检测和跟踪系统。在window7环境下，利用 VS2008软件平台结合OpenCV相关库函数研发一个以MFC对话框框架的视频运动目标检测与跟踪系统，详细描述系统的整体设计思想和实现方法。在本系统下对不同测试视频结果进行了性能测试，经实验实验结果表明，本系统的运动目标检测与跟踪算法能够在实时性、准确性、鲁棒性上达到很好的实验效果。