對于運(yùn)動目標(biāo)識別與跟蹤方法的研究一直以來都是計(jì)算機(jī)視覺課題研究的熱點(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。本文主要是對靜態(tài)背景下運(yùn)動目標(biāo)識別及跟蹤方法進(jìn)行研究,針對復(fù)雜背景下目標(biāo)識別效果不明顯以及發(fā)生遮擋時跟蹤失敗的問題,在分析傳統(tǒng)的識別、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)動目標(biāo)識別方法的研究。首先對傳統(tǒng)的目標(biāo)識別算法進(jìn)行分析比較,并根據(jù)各自的優(yōu)缺點(diǎn),為解決識別效果不明顯的問題,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:簡單單一環(huán)境下、大尺度及小尺度目標(biāo)場景下、目標(biāo)速度很快的場景下、多運(yùn)動目標(biāo)環(huán)境下和光照環(huán)境場景下分別進(jìn)行實(shí)驗(yàn)。結(jié)果表明,通過在單一背景和各種復(fù)雜背景下進(jìn)行結(jié)果對比,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)動目標(biāo),適用于不同的場景,且滿足實(shí)時性的要求,對環(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)動目標(biāo)跟蹤方法的研究。對常用的跟蹤技術(shù)分類進(jìn)行了說明,然后...

【文章頁數(shù)】：72 頁

【學(xué)位級別】：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 國內(nèi)外研究現(xiàn)狀
        1.2.1 國外研究現(xiàn)狀
        1.2.2 國內(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 開運(yùn)算與閉運(yùn)算操作
    2.6 邊緣檢測算子
    2.7 本章小結(jié)
第3章 運(yùn)動目標(biāo)識別方法的研究
    3.1 傳統(tǒng)的目標(biāo)識別算法
        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)識別算法優(yōu)缺點(diǎn)總結(jié)
    3.2 運(yùn)動目標(biāo)識別方法的改進(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)動目標(biāo)跟蹤方法的研究
    4.1 常用運(yùn)動目標(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)動目標(biāo)跟蹤方法的改進(jìn)
        4.3.1 Kalman濾波器預(yù)測原理
        4.3.2 Kalman濾波器與Camshift算法相結(jié)合
        4.3.3 線性預(yù)測基本原理
        4.3.4 線性預(yù)測與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：3783732