對(duì)于運(yùn)動(dòng)目標(biāo)識(shí)別與跟蹤方法的研究一直以來(lái)都是計(jì)算機(jī)視覺(jué)課題研究的熱點(diǎn),廣泛應(yīng)用于視頻監(jiān)控、醫(yī)療手術(shù)的診斷治療和智能交通等各方面,所以本課題的研究有著很強(qiáng)的理論意義和實(shí)際意義。本文主要是對(duì)靜態(tài)背景下運(yùn)動(dòng)目標(biāo)識(shí)別及跟蹤方法進(jìn)行研究,針對(duì)復(fù)雜背景下目標(biāo)識(shí)別效果不明顯以及發(fā)生遮擋時(shí)跟蹤失敗的問(wèn)題,在分析傳統(tǒng)的識(shí)別、跟蹤算法的基礎(chǔ)之上加以改進(jìn)。最終本文取得的研究成果如下:運(yùn)動(dòng)目標(biāo)識(shí)別方法的研究。首先對(duì)傳統(tǒng)的目標(biāo)識(shí)別算法進(jìn)行分析比較,并根據(jù)各自的優(yōu)缺點(diǎn),為解決識(shí)別效果不明顯的問(wèn)題,在幀差法與背景差分法的基礎(chǔ)上提出一種新的改進(jìn)算法。該算法將融合邊緣檢測(cè)的三幀差法與基于Surendra算法的背景差分法相結(jié)合,在五種不同的環(huán)境:簡(jiǎn)單單一環(huán)境下、大尺度及小尺度目標(biāo)場(chǎng)景下、目標(biāo)速度很快的場(chǎng)景下、多運(yùn)動(dòng)目標(biāo)環(huán)境下和光照環(huán)境場(chǎng)景下分別進(jìn)行實(shí)驗(yàn)。結(jié)果表明,通過(guò)在單一背景和各種復(fù)雜背景下進(jìn)行結(jié)果對(duì)比,本文提出的新算法能夠完整、準(zhǔn)確的從圖像序列中提取出運(yùn)動(dòng)目標(biāo),適用于不同的場(chǎng)景,且滿足實(shí)時(shí)性的要求,對(duì)環(huán)境具有魯棒性,彌補(bǔ)了幀差法與背景差分法的缺點(diǎn),可行有效。運(yùn)動(dòng)目標(biāo)跟蹤方法的研究。對(duì)常用的跟蹤技術(shù)分類進(jìn)行了說(shuō)明,然后...

【文章頁(yè)數(shù)】：72 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題研究背景及其意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 國(guó)外研究現(xiàn)狀
        1.2.2 國(guó)內(nèi)研究現(xiàn)狀
    1.3 本文主要工作
        1.3.1 本文主要工作
        1.3.2 本文章節(jié)安排
第2章 常用識(shí)別與跟蹤處理算法
    2.1 圖像顏色模型
        2.1.1 RGB顏色模型
        2.1.2 HSV空間
        2.1.3 RGB與 HSV的轉(zhuǎn)換
    2.2 圖像的二值化操作
    2.3 圖像的濾波去噪
        2.3.1 均值濾波
        2.3.2 中值濾波
        2.3.3 處理效果對(duì)比
    2.4 直方圖均衡化處理
    2.5 圖像形態(tài)學(xué)處理
        2.5.1 腐蝕及膨脹原理
        2.5.2 開(kāi)運(yùn)算與閉運(yùn)算操作
    2.6 邊緣檢測(cè)算子
    2.7 本章小結(jié)
第3章 運(yùn)動(dòng)目標(biāo)識(shí)別方法的研究
    3.1 傳統(tǒng)的目標(biāo)識(shí)別算法
        3.1.1 光流法
        3.1.2 幀差法
        3.1.3 背景差分法
        3.1.4 傳統(tǒng)目標(biāo)識(shí)別算法優(yōu)缺點(diǎn)總結(jié)
    3.2 運(yùn)動(dòng)目標(biāo)識(shí)別方法的改進(jìn)
        3.2.1 三幀差法的原理
        3.2.2 融合邊緣檢測(cè)的改進(jìn)三幀差法
        3.2.3 基于Surendra算法的背景差分法
        3.2.4 基于幀差與背景差分的改進(jìn)目標(biāo)識(shí)別算法
        3.2.5 實(shí)驗(yàn)結(jié)果與分析
    3.3 本章小結(jié)
第4章 運(yùn)動(dòng)目標(biāo)跟蹤方法的研究
    4.1 常用運(yùn)動(dòng)目標(biāo)跟蹤方法分類
        4.1.1 基于輪廓的跟蹤
        4.1.2 基于模型的跟蹤
        4.1.3 基于特征提取的跟蹤
        4.1.4 基于區(qū)域的跟蹤
    4.2 基于CAMSHIFT算法的目標(biāo)跟蹤
        4.2.1 Meanshift算法基本原理
        4.2.2 Camshift算法跟蹤原理
        4.2.3 實(shí)驗(yàn)結(jié)果與分析
    4.3 運(yùn)動(dòng)目標(biāo)跟蹤方法的改進(jìn)
        4.3.1 Kalman濾波器預(yù)測(cè)原理
        4.3.2 Kalman濾波器與Camshift算法相結(jié)合
        4.3.3 線性預(yù)測(cè)基本原理
        4.3.4 線性預(yù)測(cè)與Camshift算法相結(jié)合
        4.3.5 實(shí)驗(yàn)結(jié)果與分析
    4.4 本章小結(jié)
第5章 結(jié)論
參考文獻(xiàn)
在學(xué)研究成果
致謝



本文編號(hào)：3783732