视频序列中的运动目标跟踪方法研究

《视频序列中的运动目标跟踪方法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号TP391密级公开UDC004.93学位论文编号D-10617-308-(2016)-01092重庆邮电大学硕士学位论文中文题目视频序列中的运动目标跟踪方法研究英文题目ResearchonMovingTargetTrackingInVideoSequences学号S130101106姓名刘亭学位类别工学硕士学科专业信息与通信工程指导教师杨丰瑞教授完成日期2016年6月8日重庆邮电大学硕士学位论文摘要摘要视频序列中的运动目标跟踪作为计算机视觉领域的重点课题之一，已被大量应用于智能监控、人机交互、医疗诊断以及军事制导等民用和军事领域，其研究具有重要的现实意义和广阔

2、的发展前景。尽管目前在目标跟踪领域已经取得许多不错的成果，但是仍然存在大量理论和技术问题亟待解决。本文在研究和分析现有目标跟踪算法的基础上，总结了目标跟踪过程中存在的问题，主要对目标跟踪过程中出现的目标遮挡、光照变化以及目标旋转变化、尺度变化、姿态变化等目标外观变化问题进行研究。针对目标遮挡和光照变化问题，本文在粒子滤波理论和压缩感知理论的基础上，提出一种改进目标跟踪算法。算法利用粒子滤波的重采样策略来解决目标跟踪过程中的遮挡问题，但是粒子滤波算法计算量大实时性差，且采用的单一颜色特征表达能力有限，对光照变化较为敏感。因此，本文在特征提取阶段采用压缩感知原理提取目标

3、和粒子区域的压缩特征，进而提高算法的运行效率，同时融合颜色和纹理特征描述目标，增强算法在光照变化和复杂环境下的鲁棒性。实验结果表明，本文算法在有效减少算法运行时间的前提下，能够准确跟踪遮挡和光照变化情况下的运动目标。对于目标跟踪过程中出现的旋转变化、尺度变化、姿态变化等目标外观变化，本文提出一种结合CamShift的压缩跟踪算法。算法将目标和背景分为两类，以在线学习的方式构建和更新分类器，结合CamShift预测的目标位置对输入分类器的候选样本赋予位置权值，扩大目标与背景之间的差异，增强分类器的可靠性和跟踪结果的准确性；然后，根据得到的目标自适应调整跟踪框大小；最后

4、，为了避免引入噪声和误差，本文算法通过计算前后两帧目标图像之间的匹配程度来自适应更新算法参数。实验结果表明，本文算法优于CamShift算法和压缩跟踪算法，不仅能够在目标外观变化情况下较好地跟踪目标，而且在目标出现运动模糊或遮挡时仍能准确实时地跟踪目标。关键词：目标跟踪，压缩感知，粒子滤波，特征降维I重庆邮电大学硕士学位论文AbstractAbstractMovingobjecttrackinginvideosequencesisoneoftheimportanttopicsinthefieldofcomputervision.Ithasbeenwidelyused

5、incivilianandmilitaryfields,suchasintelligentsurveillance,human-computerinteraction,medicaldiagnosis,militaryguidanceandsoon.Soithasgreatpracticalsignificanceandbroadprospectstoresearchthemovingobjecttrackingtechnology.Atpresent,manygoodresultshavebeenachievedinthefieldoftargettracking

6、,buttherearestillalotofdifficulttheoreticalandtechnicalproblemsthathavenotbeensolved.Thisthesishasresearchedandanalyzedtheexistingtargettrackingalgorithm,andthensummarizedtheproblemsoftheobjecttracking.Inthisthesis,itmainlyreserachstheeffectofobjectocclusion,illuminationchange,targetro

7、tation,scalechangeorappearancechangetotargettracking.Inordertosolvetheproblemofobjectocclusionandilluminationchangeintheprocessoftargettracking,thisthesisproposesanimprovedtargettrackingalgorithmthatisbasedonparticlefiltertheoryandcompressedsensingtheory.Thisalgorithmusestheparticlef