学位论文 > 优秀研究生学位论文题录展示

视频图像序列中的运动目标检测与跟踪研究

作　者: 赵赛君
导　师: 刘梅
学　校: 哈尔滨工业大学
专　业: 信息与通信工程
关键词: 视频运动目标检测 视频运动目标跟踪 混合高斯模型 粒子滤波算法
分类号: TP391.41
类　型: 硕士论文
年　份: 2011年
下　载: 137次
引　用: 0次
阅　读: 论文下载
 

内容摘要


对视频图像序列中的多目标进行检测和跟踪一直是计算机视觉研究领域的重点课题,计算机科学技术、信息技术以及图像识别技术等的飞速发展使得视频图像监控技术能够应用在国防军事、国民生产等很广泛的领域。在这种生产需求情况下,本文对视频图像序列中的运动目标检测和跟踪技术进行了研究。粒子滤波算法是一种贝叶斯估计算法,该算法在多目标跟踪领域使用的比较多,它的优势在于能对任何模型的目标状态进行估计。但是粒子滤波算法的不足在于,要想获得比较好的跟踪结果就需要大量的粒子,这样计算量就会很大,本文针对这种情况对粒子滤波算法进行了改进,并用改进后的算法对视频图像序列中的多目标进行了跟踪。本文首先针对非线性非高斯情况下进行目标跟踪,介绍了适用于此种情况的粒子滤波算法的相关原理,包括非线性贝叶斯预测原理、蒙特卡罗原理、粒子滤波原理等,并将粒子滤波算法应用于一维强非线性目标的跟踪之中,实验结果表明,粒子滤波算法能够很好地跟踪非线性目标。其次,本文采用自适应混合高斯模型建模的方法对视频图像序列中的运动目标进行检测。对图像中的每一个像素使用若干个高斯模型进行建模,并且使用EM迭代算法对背景模型进行提取和更新,从而分割出图像中的背景和前景,实现对运动目标的检测。最后,应用形态学滤波对差分结果进行噪声消除,得到满意的检测结果。再次,在实现了背景建模和目标检测的基础上利用粒子滤波算法的改进算法对视频图像序列中的多目标进行了跟踪。多目标相对于单目标来讲,其所在的环境更加复杂,目标之间的相互遮挡、光线变化都可能造成跟踪结果的偏差。本文首先给出了多目标数据关联的原理,提出了一种联合多目标概率密度算法并把该算法与粒子滤波算法结合起来,利用粒子所代表不同目标之间的欧式距离对粒子进行不同划分。最后,将该算法应用在实际环境中,实验结果表明该算法能很好地解决目标遮挡、光线变化等问题,实现了对多目标的正确跟踪。

全文目录


摘要  4-5
Abstract  5-9
第1章 绪论  9-17
  1.1 课题背景及研究意义  9
  1.2 智能视频监控的研究现状及相关技术  9-15
    1.2.1 研究现状  9-10
    1.2.2 运动目标检测技术  10-13
    1.2.3 运动目标跟踪  13-15
  1.3 主要研究内容及创新点  15-16
  1.4 本章小结  16-17
第2章 相关理论基础知识  17-36
  2.1 引言  17
  2.2 非线性贝叶斯预测原理  17-20
    2.2.1 贝叶斯预测基本思想  17-18
    2.2.2 全概率公式和贝叶斯公式  18
    2.2.3 系统模型和贝叶斯递推  18-20
  2.3 蒙特卡罗方法  20-23
    2.3.1 蒙特卡罗方法基本思想递推  20-21
    2.3.2 蒙特卡罗方法的收敛性  21-22
    2.3.3 蒙特卡罗方法的实现  22-23
  2.4 粒子滤波算法  23-33
    2.4.1 贝叶斯滤波原理  23-25
    2.4.2 贝叶斯重要性采样  25-26
    2.4.3 序列重要性采样  26-30
    2.4.4 粒子的退化问题和重采样  30-33
  2.5 仿真实验  33-35
  2.6 本章小结  35-36
第3章 基于自适应混合高斯模型的动目标检测  36-50
  3.1 引言  36-37
  3.2 混合高斯背景建模  37-46
    3.2.1 混合高斯背景建模的原理  38-40
    3.2.2 固定分布数的混合高斯模型  40-41
    3.2.3 自适应分布数K的混合高斯模型  41-46
  3.3 图像形态学滤波  46-47
    3.3.1 图像腐蚀和膨胀  46-47
    3.3.2 图像的开运算和闭运算  47
  3.4 实验结果及分析  47-49
  3.5 本章小结  49-50
第4章 基于联合多目标概率密度的粒子滤波跟踪算法  50-67
  4.1 引言  50-51
  4.2 多目标数据关联算法  51-55
    4.2.1 多目标系统模型  52-53
    4.2.2 传统多目标数据关联算法  53-54
    4.2.3 联合多目标概率密度算法  54-55
  4.3 改进的粒子滤波算法  55-59
    4.3.1 改进的粒子滤波器  55-57
    4.3.2 粒子更新算法  57-59
  4.4 基于联合多目标概率密度的粒子滤波多目标跟踪算法  59-62
    4.4.1 多目标系统的运动模型  59-60
    4.4.2 多目标系统的观测模型  60-61
    4.4.3 算法的框架及流程  61-62
  4.5 仿真结果及其分析  62-66
  4.6 本章小结  66-67
结论  67-69
参考文献  69-74
致谢  74

相似论文

  1. 复杂场景中运动目标的检测与跟踪,TP391.41
  2. 运动目标检测与跟踪的研究,TP391.41
  3. 视频监控系统中的运动目标检测算法研究,TP391.41
  4. 嵌入式目标检测与跟踪系统设计及算法实现,TP391.41
  5. 基于粒子滤波与Mean Shift平滑运动跟踪的研究与实现,TP391.41
  6. 复杂信道下的说话人识别技术,TN912.34
  7. 分布式声源定位与跟踪算法研究,TN912.3
  8. 智能交通视频监控系统中关键技术研究,TP391.41
  9. 边界防御系统中移动目标跟踪技术研究与实现,TP391.41
  10. 基于粒子滤波与Mean Shift平滑运动跟踪的研究与实现,TP391.41
  11. 基于移动网络的智能视频监控系统的设计,TP391.41
  12. 基于CELL处理器的智能监控系统中跟踪算法的研究,TP391.41
  13. 单站无源定位算法研究,TN953
  14. 智能视觉监控中运动目标检测与跟踪的研究,TP391.41
  15. 基于计算机视觉的目标识别应用技术研发,TP391.41
  16. 智能多模式行为识别方法的研究,TP391.41
  17. 面向高速铁路的轨道异物检测研究,U216.3
  18. 视频监控中运动目标检测与跟踪算法的研究,TP391.41
  19. 基于图像内容敏感度的交通视频背景提取算法,TP391.41
  20. 基于帧间差分的运动目标稳健检测方法,TP391.41
  21. 基于TMS320DM6467运动目标检测研究与实现,TP277

中图分类: > 工业技术 > 自动化技术、计算机技术 > 计算技术、计算机技术 > 计算机的应用 > 信息处理（信息加工） > 模式识别与装置 > 图像识别及其装置
© 2012 www.xueweilunwen.com