動態(tài)場景下視頻跟蹤研究.pdf

1、基于圖像序列的運動目標檢測與跟蹤是計算機視覺領域兩個比較活躍的課題，也是許多基于視覺的應用需要解決的關鍵問題。準確的檢測與跟蹤是有效的進行識別與決策的前提，是高級視覺系統(tǒng)的基礎。運動目標的檢測與跟蹤技術在智能監(jiān)控、人機交互、輔助駕駛、車輛跟蹤、智能看護等應用中起著重要的作用。但是，這兩種技術在實際應用中還面臨著諸多困難：攝像機運動和光照變化會增加運動目標檢測的難度，而光照變化、復雜背景、目標的非剛性形變和目標的部分遮擋會影響跟蹤的魯棒性

2、。另外，在現(xiàn)有的算法實現(xiàn)中，對多目標的跟蹤還面臨著嚴重的性能瓶頸。針對這些問題，本文主要做出了如下研究工作： 對于攝像機運動所造成的動態(tài)場景下進行運動目標檢測的問題，提出了一種結合全局運動補償和自適應背景更新模型的算法。首先用一種基于金字塔實現(xiàn)的Lucas-Kanade算法得到一個稀疏運動場，然后用這個運動場估計場景運動的模型參數(shù)，接下來用估計得到的模型參數(shù)對前一時刻的圖像幀進行運動補償，再利用補償后的圖像幀和當前圖像幀進行動態(tài)

3、背景更新，最后用更新后的背景與當前圖像幀作背景減除從而得到前景目標。該算法在滿足實時性的同時又能有效避免全局運動補償+幀差算法所特有的空洞現(xiàn)象和目標被拉伸的問題，從而有效提高檢測出來的運動目標的精確程度。 為了最小化視頻跟蹤中可能出現(xiàn)的光照變化、復雜背景、被跟蹤目標的非剛性形變和部分遮擋等因素對跟蹤結果所造成的不利影響，本文提出了一種基于高斯核正規(guī)化HSV顏色模型的粒子濾波器跟蹤方法。用高斯核函數(shù)正規(guī)化目標區(qū)域，進而加權計算目標

4、的HSV顏色直方圖，將該直方圖作為粒子濾波器的目標模型進行跟蹤。在多目標跟蹤的實驗中驗證了該方法的有效性，并且在跟蹤兩個目標的情況下可以達到實時性要求。 隨著多處理器技術和多核技術的發(fā)展，我們正面臨這樣一個矛盾：一方面，用傳統(tǒng)的串行編程的方法實現(xiàn)的多目標跟蹤算法在應用過程中存在著嚴重的性能瓶頸；另一方面，多處理器和多核資源的運算潛能無法得到充分地發(fā)揮。本文探索了一種基于OpenMP共享存儲并行編程模型的粗粒度并行多目標跟蹤系統(tǒng)的