基于圖像的運動目標(biāo)跟蹤一直以來都是計算機視覺的重要研究內(nèi)容,并在視頻監(jiān)控、模式識別、人工智能等諸多領(lǐng)域得到廣泛應(yīng)用。盡管國內(nèi)外眾多學(xué)者已經(jīng)對目標(biāo)跟蹤技術(shù)進(jìn)行了深入研究,但由于視頻中存在光照變化、尺寸變化、背景干擾以及障礙物遮擋等干擾因素,大部分目標(biāo)跟蹤算法在穩(wěn)定性方面仍然難以達(dá)到理想的效果。基于此,本文對上述四種干擾因素進(jìn)行研究,提升了單目標(biāo)運動過程中的穩(wěn)定性,主要成果如下:首先,本文對常用目標(biāo)檢測方法進(jìn)行分析,結(jié)合課題背景,明確了跟蹤目標(biāo)的判別要求,并選取連續(xù)幀間差分法進(jìn)行采樣,在手動圈定的目標(biāo)范圍內(nèi)使用連通域搜索算法進(jìn)行初步檢測;然后對算法所得結(jié)果進(jìn)行后處理,即連通域搜索、面積篩選、連通域最小外接矩形框,得到運動目標(biāo)區(qū)域并保存區(qū)域參數(shù);其次,本文選用基于特征向量迭代的跟蹤算法,將顏色、邊緣及紋理特征結(jié)合起來進(jìn)行向量迭代;最后,本文基于局部區(qū)域的特征更新方法并加以改進(jìn),減少了算法計算量,保證了算法實時性。本文主要討論目標(biāo)在運動過程中的跟蹤穩(wěn)定性,針對具體場景下的單目標(biāo)跟蹤,提出理論合理的解決方案并進(jìn)行實驗仿真,從而達(dá)成減少跟蹤誤差、增強跟蹤穩(wěn)定性的目標(biāo)。實驗結(jié)果表明改進(jìn)后的算法具備良... 

【文章來源】：西南科技大學(xué)四川省

【文章頁數(shù)】：75 頁

【學(xué)位級別】：碩士

【部分圖文】：

光照條件改變下的跟蹤效果

西南科技大學(xué)碩士研究生學(xué)位論文 第12頁生變化，在視野范圍內(nèi)，目標(biāo)距離拍攝源越近，所占的像素越多，呈現(xiàn)出的物體尺寸也越大，反之亦然。如果跟蹤框的大小不能自適應(yīng)地改變，當(dāng)目標(biāo)尺度變小時，由于跟蹤框內(nèi)引入大量背景信息，與目標(biāo)模板匹配度最高的候選目標(biāo)未必是被跟蹤目標(biāo)，將導(dǎo)致后續(xù)幀匹配失敗，最終無法正確跟蹤目標(biāo)；當(dāng)目標(biāo)尺度變大時，跟蹤框內(nèi)只包含目標(biāo)的部分信息，由于有效信息的減少，無法確定目標(biāo)的運動軌跡及運動姿態(tài)，也可能導(dǎo)致跟蹤失敗[50]。圖 2-3 為目標(biāo)距離拍攝源距離由遠(yuǎn)及近導(dǎo)致視野范圍內(nèi)物體尺寸由小到大發(fā)生變化時，傳統(tǒng)跟蹤算法的跟蹤效果示意圖。

圖 2-4 背景干擾下的跟蹤效果Fig.2-4 The tracking effect under background disturbance由圖 2-4 可得，在整個目標(biāo)運動過程中，沒有經(jīng)過顏色相似的背景干擾區(qū)域時，算法尚能對目標(biāo)進(jìn)行標(biāo)定；經(jīng)過背景干擾區(qū)時，由于背景中物體與運動目標(biāo)色彩相似度較高且距離較近，而傳統(tǒng)跟蹤算法主要基于顏色直方圖進(jìn)行目標(biāo)跟蹤，導(dǎo)致算法標(biāo)定出現(xiàn)錯誤，跟蹤失敗[51][ 52]。因此，選取與背景差異性大的跟蹤特征，使背景的影響降到最小是解決背景干擾的最終目標(biāo)。2.2.4 障礙物遮擋由于物體運動過程中周圍環(huán)境的復(fù)雜性，遮擋問題的存在相當(dāng)普遍，屬于算法處理的難點問題，能否解決好遮擋問題是評價跟蹤算法穩(wěn)定性的重要指標(biāo)。遮擋的表現(xiàn)多樣，按照遮擋原因可分為自遮擋、被環(huán)境內(nèi)其他物體遮擋，按照遮擋程度可分為部分遮擋、全遮擋。遮擋會造成圖像序列中目標(biāo)信

【參考文獻(xiàn)】：
期刊論文
[1]多特征分層融合的相關(guān)濾波魯棒跟蹤[J]. 魯國智,彭冬亮,谷雨.  中國圖象圖形學(xué)報. 2018(05)
[2]基于分布場的特征融合重檢測魯棒性跟蹤算法研究[J]. 張百戩,王嘉豐.  計算機與數(shù)字工程. 2018(04)
[3]基于改進(jìn)幀間差分與局部Camshift相結(jié)合的目標(biāo)跟蹤算法[J]. 周文靜,陳瑋.  軟件導(dǎo)刊. 2018(03)
[4]基于模板匹配的改進(jìn)型目標(biāo)識別算法[J]. 丁筱玲,趙強,李貽斌,馬昕.  山東大學(xué)學(xué)報(工學(xué)版). 2018(02)
[5]基于累積差分更新背景減除法的運動目標(biāo)檢測算法研究[J]. 孫林林.  辦公自動化. 2018(02)
[6]智能交通中圖像處理技術(shù)應(yīng)用綜述[J]. 佀君淑,張建文.  科技風(fēng). 2017(11)
[7]基于五幀差分法的動態(tài)目標(biāo)檢測新算法[J]. 郭春鳳.  重慶科技學(xué)院學(xué)報(自然科學(xué)版). 2015(05)
[8]目標(biāo)窗口尺寸自適應(yīng)變化的Mean-Shift跟蹤算法[J]. 林慶,陳遠(yuǎn)祥,王士同,詹永照.  計算機應(yīng)用. 2009(12)
[9]基于梯度方向直方圖特征的多核跟蹤[J]. 賈慧星,章毓晉.  自動化學(xué)報. 2009(10)
[10]均值漂移算法中的目標(biāo)模型更新方法研究[J]. 沈志熙,楊欣,黃席樾.  自動化學(xué)報. 2009(05)

博士論文
[1]復(fù)雜環(huán)境下魯棒實時目標(biāo)跟蹤技術(shù)研究[D]. 曾凡祥.北京郵電大學(xué) 2017
[2]復(fù)雜場景下基于局部分塊和上下文信息的單視覺目標(biāo)跟蹤[D]. 鮑華.中國科學(xué)技術(shù)大學(xué) 2017
[3]復(fù)雜條件下運動目標(biāo)跟蹤方法的研究[D]. 程帥.長春理工大學(xué) 2016
[4]復(fù)雜地面背景下目標(biāo)魯棒跟蹤技術(shù)研究[D]. 張路平.國防科學(xué)技術(shù)大學(xué) 2015
[5]基于單目視覺的運動目標(biāo)跟蹤定位技術(shù)研究[D]. 姚楠.上海交通大學(xué) 2014
[6]復(fù)雜場景下實時視覺目標(biāo)跟蹤的若干研究[D]. 朱建章.武漢大學(xué) 2014
[7]可視對象跟蹤算法研究及應(yīng)用[D]. 權(quán)偉.西南交通大學(xué) 2013

碩士論文
[1]居家安防場景下抗光照干擾人臉識別算法的研究與設(shè)計[D]. 李國防.南京郵電大學(xué) 2017
[2]融合各最優(yōu)尺度下特征的高分辨率遙感影像分類[D]. 王慧.南京信息工程大學(xué) 2016
[3]海量灰度圖像八連通域并行標(biāo)記算法的研究與應(yīng)用[D]. 范家銘.河南大學(xué) 2015
[4]基于視頻監(jiān)控運動目標(biāo)檢測算法研究[D]. 黃素茵.華南理工大學(xué) 2013
[5]紅外圖像序列中人體目標(biāo)檢測與跟蹤方法研究[D]. 修彬.安徽大學(xué) 2013
[6]移動目標(biāo)視覺追蹤系統(tǒng)設(shè)計與實現(xiàn)[D]. 羅金梅.電子科技大學(xué) 2012
[7]視頻圖像序列中運動目標(biāo)的獲取與跟蹤[D]. 曹麗武.華中科技大學(xué) 2011
[8]基于改進(jìn)粒子濾波器目標(biāo)跟蹤算法研究[D]. 錢翔.安徽大學(xué) 2010



本文編號：3330004