基于几何活动轮廓模型的视频对象分割与跟踪方法

摘要

图像序列中运动对象的运动分析是计算机视觉技术的一个重要组成部分。运动分析包括运动对象的捕获、运动对象的分割、对象的跟踪、对象的理解等内容。其中，运动对象的捕获、分割、跟踪是进行运动分析的前提条件，一个良好的分割与跟踪效果是正确进行对象理解的保证。近年来基于水平集的几何活动轮廓模型在图像处理领域得到了很大的发展，本文研究的内容是在图像序列中，基于几何活动轮廓模型的运动对象分割与跟踪技术，目的使计算机视觉系统可以自动分割目标并进行连续的跟踪，同时在跟踪过程中提取对象轮廓信息。 文中首先介绍了曲线演化理论和水平集方法的基本思想，并深入研究了基于曲线演化理论和水平集方法的几何活动轮廓模型理论在图像处理中的应用，分析其优缺点，并针对传统水平集方法计算复杂度高的问题，提出了一种水平集快速改进方法。水平集的快速改进算法的思想是只计算包含零水平集曲线的一个较窄带状范围内的网格点的水平集函数值就可以计算出新的水平集曲线位置，而无须每次迭代都计算图像中的每个点的水平集函数值，这样大大的缩小了计算量，提高运算效率；然后围绕几何活动轮廓模型在运动对象分割和对象跟踪中的应用两个部分进行研究： 在运动对象分割过程中，为了克服传统图像分割算法提取出的运动对象边界不连续、精确度不高等缺点，提出了基于运动对象的运动信息和几何活动轮廓模型理论的图像分割方法。首先，使用图像差分技术，即通过求连续三帧图像的累积差分图像，得到感兴趣(ROI)区域后，以该区域的外接矩形作为曲线演化的初始轮廓曲线。然后，根据本文提出的几何曲线演化算法，保证轮廓曲线正确收敛在目标边缘，获得较好的目标轮廓形状曲线，利用行列扫描的方法得到运动目标的提取模板，从而完整地提取出运动对象，完成分割过程。 在运动对象跟踪过程中，由于运动对象在各帧间位置发生变化，几何曲线演化算法主要问题是各帧中运动对象初始位置的估计问题。文中分析了基于Kalman滤波的运动跟踪算法的特点，利用Kalman滤波算法跟踪后续帧中运动对象的初始大致位置，为几何曲线演化提供了初始轮廓线，从而实现进一步的运动对象跟踪。 最后通过对运动对象的分割和跟踪算法进行实验检测，验证本文所提出的算法的有效性。实验表明，通过运动对象分割过程和对象跟踪两个过程的处理，能够有效地从序列图像中进行准确的对象分割和跟踪。

目录

文摘

英文文摘

声明

第1章绪论

1.1课题研究的意义

1.2视频对象分割与跟踪技术

1.2.1视频对象分割技术

1.2.2视频对象跟踪技术

1.3基于活动轮廓模型的图像处理技术

1.4论文主要内容及安排

第2章几何活动轮廓模型

2.1引言

2.2曲线演化理论

2.3水平集方法

2.3.1水平集方法介绍

2.3.2水平集方法分类

2.3.3水平集方法的数值求解

2.4几何活动轮廓模型

2.4.1几何活动轮廓模型

2.4.2几何曲线演化的水平集表示

2.5本章小结

第3章基于图像差分技术和几何活动轮廓模型的图像分割

3.1提取图像的运动信息

3.2结合图像运动信息和几何曲线演化算法视频对象分割

3.3水平集数值计算问题

3.3.1水平集快速改进算法

3.3.2水平集函数的初始化

3.4实验结果及分析

3.5本章小结

第4章基于Kalman滤波和活动轮廓模型的目标跟踪算法

4.1线性运动模型

4.1.1随机运动

4.1.2匀速运动

4.1.3匀加速运动

4.2 Kalman滤波原理

4.3基于Kalman滤波和活动轮廓模型的目标跟踪方法

4.4本章小结

第5章工作总结与展望

5.1本文的主要工作

5.2工作展望

参考文献

致谢

攻读学位期间发表的学术论文目录