论文部分内容阅读
动态图象序列中的运动目标跟踪是当前计算机视觉领域中最活跃的研究主题之一,它在军事、国防、工业控制过程、医学研究、交通管制、飞机导航等领域有着广泛的应用领域.该文以运动区域分割和跟踪为基础,其核心内容是从动态图象序列中检测出运动车辆、并跟踪出其运动轨迹,从而可获知运动车辆的位移、速度、加速度等运动参数.为了正确检测出运动区域,提出了自适应的背景图象适应外界环境变化的跟踪过程.为了获取更加鲁棒的检测结果,引入了信息熵和遗传算法的运动分割,先后提出了基于最大熵的运动目标检测、基于交叉熵的运动区域检测、基于遗传算法的Otsu法的车辆运动分割、基于遗传算法的指数熵的车辆运动检测、基于统计域的阈值分割.该文提出了基于C均值聚类和α-β-γ滤波的运动目标跟踪.为解决区域聚类数目不确定性给C均值聚类分析带来的难点,提出了用α-β-γ滤波预测值作为下一帧运动目标的聚类中心,有效地克服了初始聚类中心点难以选择的问题.为了获得更有效、鲁棒、实时的跟踪结果,提出了基于改进的模糊C均值聚类和α-β-γ滤波的车辆跟踪方法,以当前帧图象α-β-γ滤波的预测值给出了下一帧图象中模糊C均值的聚类中心和聚类数目,从而解决了模糊C均值聚类对初始聚类中心的依赖性.由于遗传算法有强大的全局最优解搜索能力,信息处理的隐并行性,用C均值聚类准则作为遗传算法的适应性函数,提出了基于遗传算法聚类及α-β-γ滤波的运动目标跟踪,提高了运动目标跟踪的鲁棒性.根据图象的模糊性,提出了基于模糊熵聚类和Kalman滤波预测的区域跟踪方法,用Kalman滤波的预测值作为下一帧图象运动区域的聚类中心,从而减少了迭代次数,加强了跟踪的实时性.算法有效地利用了计算机视觉技术从图象序列中检测出运动区域,并获得了运动目标的轨迹、速度,统计了运动目标的数目.