复杂场景下的运动目标检测与跟踪研究

【摘要】：基于视频的运动目标检测与跟踪是计算机视觉和模式识别领域的研究热点,在智能监控、人机交互、视觉导航等方面有着重要的应用。但在实际应用场景中,由于受到复杂环境的干扰以及目标外观变化等因素的影响,使得运动目标的检测与跟踪仍是一项具有挑战性的课题。为了解决上述问题,本文针对复杂场景下的运动目标检测与跟踪技术进行了深入研究,主要工作和创新点如下:(1)针对现有的背景减除法对初始运动目标、动态背景、光照变化和摄像头抖动敏感等问题,提出了一种基于时空样本一致性的运动目标检测算法。首先,在构建背景模型方面,采用背景样本点集的方式,将一个时空块内的时域信息与空间邻域信息相融合;然后,在前景目标分割方面,提出了背景样本熵的概念,自适应的将图像分为复杂的动态区域(多模态区域)和平稳的静态区域(单模态区),采用动态阈值的方法对像素进行分类;其次,为了使背景模型可以更好的适应环境和目标的变化,提出了背景像素级更新和前景目标整体更新相结合的两级更新模式;最后,为了消除光照的全局变化和局部变化对检测结果的影响,提出了基于直方图统计的亮度变换方法。通过与目前其它常用算法在公共数据集上定性和定量的对比实验表明了该算法的优越性。(2)针对颜色粒子滤波算法对光照明敏感的问题,提出了一种改进的颜色粒子滤波目标跟踪算法。该算法从提高特征的描述能力入手,首先对颜色直方图的加权函数进行了改进,然后将其与图像局部熵结合,构建了一种对光照变化鲁棒的颜色局部熵目标观测模型,并且为了让算法能更好的适应目标自身和环境的变化,减少模型漂移和全局遮挡对算法的影响,设计了目标模型的自适应更新策略和粒子数量的动态调节方法。实验结果表明,相比原有粒子滤波算法,该算法具有更好的鲁棒性,能够在遮挡、光照变化等情况下对目标进行实时有效的跟踪。(3)针对目标在长时间跟踪过程中容易出现跟踪漂移现象和目标丢失后难以重新捕获等问题,提出了一种基于压缩感知和目标检测的在线学习跟踪算法。该算法将运动目标检测作为一种监督机制与改进的压缩跟踪算法相融合,对目标分别进行独立的检测和跟踪,通过构造目标状态分析器将检测器和跟踪器的结果进行汇总和分析,判断当前目标的跟踪状态并制定相应的处理策略,同时根据状态分析器的判断结果,对跟踪器进行自适应的更新或修正。通过与目前其它常用算法在公共数据集上定性和定量的对比实验表明了该算法的优越性。(4)针对多目标跟踪系统中的数据关联和目标合并两个关键问题,提出一种基于多特征融合和粒子滤波的多目标跟踪算法。首先,在数据关联方面,该算法提出了基于多特征融合的两级匹配方法,采用粗细结合的模式,先利用距离信息对目标进行粗匹配,排除不相关目标,再利用颜色特征对目标进行精匹配,保证目标关联的准确性;然后,通过构建关联矩阵对目标状态进行分析推理,当目标发生合并遮挡时,启动粒子滤波算法定位出每个目标在前景块中的具体位置,同时根据数据关联结果自适应地更新目标特征;最后,通过实验验证了该算法能够在光照变化以及目标合并、分裂等复杂情况下对多目标进行有效的跟踪。