基于机器视觉的运动目标跟踪方法研究

摘要

机器视觉是人工智能的重要分支，目标跟踪技术是机器视觉领域的一个重要研究方向，它包含了图像处理、应用数学等众多科学领域的研究内容。目前，基于机器视觉的目标跟踪技术已经广泛用于煤矿安全监测、军事应用等领域，是一门具有重要研究意义和研究价值的前沿课题。本文主要对视频序列中单个运动目标的检测方法和跟踪方法进行研究和改进。主要研究工作如下： 首先，对运动目标的检测方法进行了研究。综合对比帧间差分法、光流法、背景差分法的理论基础和实验结果，对其优缺点进行分析。在此基础上，选取基于简单背景差分法衍生的视觉背景提取(ViBe)算法进行重点研究。针对传统ViBe算法使用单帧初始化建模会产生Ghost区域的缺陷，引入了三帧差分法获取真实的背景图像来初始化背景模型以消除Ghost区域。针对传统ViBe算法中背景扰动会造成运动目标检测不准确的问题，给出了一种利用动态阈值代替固定阈值来判断前景像素的方法。该方法能够根据背景变化自适应调整阈值的大小，增强了对动态背景变化的抗干扰能力。通过实验对比分析验证了改进的ViBe算法能够实现运动目标的准确检测。 接着，对基于改进均值漂移(Mean Shift)的跟踪方法进行了研究。针对传统的Mean Shift算法使用单一颜色特征描述目标的不足，给出了一种基于HSV颜色特征和改进LTP纹理特征融合的改进Mean Shift算法。该算法将原始RGB颜色空间转化成对光照变化适应性更强的HSV颜色空间来描述目标。除此之外，引入旋转不变模式和动态阈值对LTP算子进行改进，改进后的LTP算子可以更有效地进行特征提取，并提高纹理特征对光照变化的抗干扰性。另外，在两种特征融合时引入可靠性指数，以动态地调整两种特征所占权重，使得融合后的特征能够在实际的视频场景中更准确地描述目标。通过实验验证了改进 Mean Shift算法能够在光照发生变化、目标颜色与背景相似的运动场景中实现准确跟踪。 最后，对结合Mean Shift和粒子滤波的跟踪方法进行了研究。针对改进Mean Shift算法和粒子滤波算法的优势与不足，将两者进行融合，再结合改进的ViBe算法进行目标检测，形成了一种多特征融合自动跟踪算法。该算法使用自动检测目标的方式代替手动选择目标，减少了误差的引入，同时增加了运动目标持续跟踪时的稳定性。实验结果验证了使用少数粒子的多特征融合自动跟踪算法在用于目标被大面积遮挡或目标运动速度较快的视频场景中时，可以实现准确的跟踪，并具有较强的实时性和稳定性。

目录

第一个书签之前