文档介绍：基于视频序列的运动目标检测和跟踪算法研究摘要基于视频序列的运动目标检测与跟踪技术是计算机视觉的主要研究方向之应用的基础和关键技术。现今,绝大多数视频监控系统仍完全依赖于监控人员测与跟踪方法的基本分类和难点,在深入分析运动目标检测与跟踪的流行算法一,它是智能监控、人机交互、移动机器人视觉导航、工业机器人手眼系统等的现场操作,不仅造成了人力资源的浪费,而且容易发生误检或漏检,也影响了整个监控系统的可靠性和可信度。因此,研究智能视频监控系统中的关键技术,并且有效提高智能视频监控系统的性能具有重要的意义。本文对视频图像序列中运动目标检测与跟踪技术进行研究,主要研究运动目标检测方法和运动目标跟踪方法,.实现了基于视频序列的多目标检测与跟踪系统。本文介绍了视频监控技术的研究背景和发展现状,阐述了现有运动目标检的基础上,提出了一种改进的自适应测量协方差的卡尔曼滤波器跟踪算法,实现了基于视频序列的运动目标检测和跟踪软件系统。实验证明,本系统能够有效地对复杂图像背景环境中的运动目标进行检测和跟踪,具有精度高、实时性好和鲁棒性强等优点。在运动目标检测方面,主要研究了帧间差分、光流场和背景消除的方法。在总结常用的运动目标检测方法的基础上,构造了一种适合智能监控系统的运动目标检测模块。通过建立一个可靠的自适应背景更新模型,由背景消除法得到完整可靠的运动目标前景图像。用形态学滤波和连通区域面积检测进行后处理,以消除噪声和背景扰动带来的影响,从而将视频序列中的运动目标比较可靠地检测出来。跟踪方面,在充分研究了现有跟踪方法的基础上,提出了一种改进的自适应测量协方差的卡尔曼滤波器跟踪算法,并具体实现了该跟踪方法。在运动目标的跟踪当中充分利用了检测模块的结果,通过动态调整协方差参数,利用自适应卡尔曼滤波准确地预测出目标的真实状态,较好的预测跟踪运动目标,且具有预测的稳定性和鲁棒性,实现了运动目标的快速跟踪。关键字:运动目标检测,运动目标跟踪,帧间差分,光流法,背景消除,卡尔曼滤波
—.;甒甿甌,,琺,瓵,瓵琺瓼.,,,.,瑆;..、.瑆.
簃籱;籏;;
插图清单帧间差分法算法流程图⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.帧间差分法示例⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..光流法示例图⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..背景消除法算法流程图⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯本文采用的运动目标检测算法流程⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..自适应背景消除法流程⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯膨胀运算⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..图腐蚀运算⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..开启运算⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯闭合运算⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯运动目标检测背景图像截图⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯运动到静止的运动目标检测视频截图⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..运动目标跟踪基本组成⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯卡尔曼滤波器运行示意图⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯本文采用的运动目标跟踪算法流程⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯运动目标速度跟踪结果⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..运动目标预测值和观测值的比较⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯运动目标跟踪实验结果⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.运动目标检测与跟踪系统结构图⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..系统程序流程图⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯前景检测模块结构⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯新运动目标检测模块结构⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.运动目标跟踪模块结构⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..运动目标轨迹生成模块结构⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯处理模块结构⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.运动目标检测与跟踪结果⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯实验室实时采集数据处理结果⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.图图运动检测视频截图谝恍形T际悠低枷窈捅尘敖M枷瘢诙形P态学滤波处理前的前景图像和进行形态学滤波处理的前景图像
表格清单三种常用运动目标检测算法对比⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..表
第一章绪论现也是通过对该路段内过往车辆进行检测和记录,实现道路流量信息的统计和引言视觉是人类最直接的理解世界的工具,绝大部分的外部信息是通过视觉来接收的。鉴于其重要性,计算机视觉是研究利用计算机系统以实现类似人类视觉系统去理解世界的新兴领域,是目前模式识别和图像处理研究的重要课题。科技发展日新月异,视频图像采集的技术和设备也不断发展,利用视频设备进行实时监控也越来越便捷;但缺陷是计算机系统无法取代监控人员对实时监控