论文部分内容阅读
运动目标检测与跟踪技术作为计算机视觉领域核心技术之一，是一项融合图像处理、模式识别、人工智能、自动控制等多种不同领域的高技术前沿课题，并已在机器人导航定位、人机交互、智能监视系统、交通监测、医学图象处理以及视频图象压缩和传输等领域取得了广泛的应用。但是，实际应用中获得的图像大都存在光照变化、目标和背景对比度变化、动态背景以及遮挡等诸多干扰因素，给运动目标检测与跟踪研究代来巨大的挑战。本文基于现有混合高斯模型(Gaussian Mixture Model，GMM)和均值漂移(Mean Shift，MS)算法的基础上，针对运动目标检测与跟踪中存在的运动目标快速运动、尺度变化以及实时性差等问题，进行了较详细的研究，主要研究内容包括: (1)提出一种基于改进混合高斯模型的运动目标检测算法(Improved GMM，IGMM):期望最大化(Expectation Maximization，EM)是估计混合高斯模型参数的常用算法，但其估计结果在很大程度上受到初始值的影响，故本文提出一种基于网格技术和密度估计的EM算法初始化方法，以减少其对初始值的依赖。利用IGMM算法进行目标检测的过程为:首先通过基于网格技术和密度估计的方法对EM算法进行初始化，然后采用已初始化的EM算法估计GMM的参数，最后利用GMM模型参数建立背景模型，从而检测出运动目标。实验结果表明，基于IGMM的运动目标检测算法不仅能够改善传统混合高斯模型实时性差的问题，而且能够提高目标检测的准确度。 (2)为了进一步提高混合高斯模型的实时性，更好地满足实际应用需求，将图像剪切技术引入目标检测中，提出一种融合图像剪切技术和混合高斯模型的运动目标快速检测算法（Cropped Frame Technique and Improved GMM，CFGMM）。与GMM和IGMM相比，CFGMM在估计背景模型之前利用基于像素关联性的三帧差分和线性拟合方法确定目标运动区域，并将各帧中的运动区域剪切出来组成运动区域图像序列作为IGMM背景建模步骤的输入数据，大大降低计算量，并且在目标检测准确度上有所提高。实验结果表明，基于CFGMM运动目标检测方法的性能大大优于传统GMM和IGMM。 (3)提出一种融合目标模板与均值漂移的运动目标跟踪算法(Target Templateand Mean Shift based tracking algorithm，TTMS):传统均值漂移算法是一种半自动的目标跟踪算法，且对复杂的背景、快速运动的目标以及目标本身存在变化等情况跟踪效果不理想。针对以上问题，本论文提出一种融合目标模板和均值漂移的跟踪算法，通过生成目标模板为均值漂移算法提供目标信息，以及更新模板的依据。实验结果表明，基于TTMS的运动目标跟踪算法能够有效克服复杂背景、快速运动以及目标变化等干扰，在不显著降低算法运算耗时的同时大大提高目标跟踪的准确度。 (4)在TTMS的基础上，提出一种基于GPU的快速跟踪算法:TTMS是传统均值漂移的一种改进算法，使其在应对目标尺度变化、非线性运动以及遮挡等复杂情况下的性能有了大幅度的提升，能够准确的跟踪运动目标。但是TTMS的处理速度大概为10帧每秒（fps），与实际应用要求还有一定差距。本论文在提出TTMS的基础上，在GPU上实现了并行的TTMS算法。实验结果表明，该并行算法与TTMS跟踪算法相比跟踪时间大大减少，同时具有与TTMS大致相同的性能。