论文部分内容阅读
基于视频流的运动目标检测与跟踪是计算机视觉领域的重要研究热点之一,主要利用数字信号处理技术、模式识别技术、人工智能理论和自动控制技术等,实现对运动目标的形态捕捉和轨迹跟踪。一般的视频流中运动目标捕捉算法是基于静态背景的,但在实际应用中,运动目标所处的场景往往受到光照变化、相机抖动等因素影响,场景环境较为复杂,本文研究的士兵射击视频对抗系统就是基于静态的复杂背景,对士兵运动形态进行捕捉与跟踪。本课题研究的士兵射击视频对抗系统是指,将射击场地分为左右两部分,并且在场地前部各放置两个工业摄像机实时记录左右两部分中士兵的运动轨迹和射击情况,同时,在计算机终端,通过摄像机拍摄的视频,能准确、同步地捕捉和检测出士兵的运动轨迹,并能获取士兵是否被对方射中的信息,从而判断士兵射击对抗的结果。运动目标捕捉与跟踪算法中存在的最主要的问题就是算法精度与实时性之间的矛盾。在本系统中,主要体现在系统需要实时反馈士兵目标的清晰运动形态和原始图像序列较大、处理速度慢上。本文权衡了运动目标捕捉与跟踪算法的准确性与实时性这对矛盾,利用士兵目标只在某些特定的区域出现、背景场景中的其他区域是相对静止的这一特点,在传统的背景相减法基础上,提出了“捕捉区域”的概念,即在背景图像中获取一个运动目标可能会出现的区域,对运用背景相减法得到的当前帧与背景图像的差分结果,只搜索与捕捉区域中相对应的非零像素点,以减少算法的计算量,保证系统的实时性和精确性。同时,对“捕捉区域”进行优化,利用Canny边缘检测和形态学处理方法,获得比捕捉区域范围更小的“捕捉线”。针对捕捉线上存在噪声的问题,从平面和时间两个方面综合考虑,去除噪声,保留有用的目标信息,进一步提高算法的速度。在获得捕捉线后,针对当前帧与背景图像相减得到的差分图像,只搜索与捕捉线位置相对应的非零点,将搜索到符合的要求的非零点置于新图像中；然后,对这些非零点进行跟踪,可以得到由这些跟踪对象形成一个跟踪区域,它包含所有已出现的运动目标。其中,跟踪区域是由若干灰度值不同的像素点组成的,不能直接得到运动目标的形态,需要整理跟踪结果。本文利用区域生长法,以灰度值作为生长准则,对跟踪区中的对象进行基于相似性与相邻性的合并,形成具有相似特征元素的最大连通集合。最后,利用Kalman滤波预测估计士兵目标的运动轨迹,从而加快士兵运动轨迹的跟踪速度,提高系统的实时性。