英语原文共 4 页，剩余内容已隐藏，支付完成后下载完整资料
基于内核方法的运动目标检测与跟踪研究
摘要
本文的研究工作是在移动目标检测领域进行的基于固定背景的时空相关和差分轮廓跟踪算法。该算法在背景固定的条件下支付较小的时间复杂度，目标检测和跟踪效果较好，具有较高的应用价值。本文主要研究消除时域冗余的运动估计和补偿算法。视频运动目标检测与跟踪算法是计算机视觉领域的核心课题，也是智能视频监控系统的关键技术。它结合了人工智能和模式识别、图像处理等领域的研究成果，广泛应用于安全监控、智能武器、视频会议、视频检索等各个领域。因此，检测和跟踪算法的研究具有极其重要的理论意义和实用价值。本文的出发点是图像重建的主观质量，即如何提高运动估计和补偿后的精度，以降低运动估计算法的计算复杂度，提高运动估计的效率。本文对冗余小波域块匹配运动估计和补偿进行了研究，然后对非平移运动的视频图像、冗余小波域中的DT三角网格运动估计和补偿进行了相关研究。
关键词：重构、自适应、主动、模式识别、图像特征
- 简介
视频运动目标的检测与跟踪是计算机视觉领域的核心课题，也是智能视频监控系统的关键技术[1]。视频运动目标检测与跟踪是一种视频图像信号，通过利用可见光图像传感器或热红外、低照度成像传感器摄取运动目标，在相应的数字图像处理、检测、提取运动目标后进行视频目标跟踪，根据目标的图像特征技术。运动目标的检测与跟踪两个过程密切相关，检测是跟踪的基础，跟踪是获取目标运动参数，如位置，速度和轨迹等，以便进行后续运动分析，了解目标的运动 行为和提供可靠的数据源来完成更高层次的任务，并为移动目标检测提供帮助[2]。
运动分析与模式识别，图像处理，计算机视觉，人工智能以及其他知识领域密切相关。同时，动态场景中运动物体的快速分割，在非刚性运动物体遮挡或运动分析停止处理之间带来了一些挑战[3]。动态场景中运动物体的快速分割处于非刚性运动物体遮挡或运动分析的停止处理之间带来了一些挑战[4,5]。 此外，它还广泛应用于虚拟现实环境，模拟训练，自动导航，机器人目标采集[6]。随着图像处理技术，模式识别技术，人工智能等相关领域的迅速发展以及计算机性能的显着提高，近年来视频运动目标检测与跟踪技术已被广泛应用于社会生活、经济、军事等的各个领域。行为理解可以被认为是时变数据分类问题，它将参考序列与测试序列进行匹配[7,8]。因此，关键问题是从学习样本序列中获取参考行为理解行为，学习行为序列匹配可以处理类别相似的运动模式中的空间和微小变化的时间尺度。目标分类是指从检测到的运动区域中提取运动物体，以研究或提取我们感兴趣的区域[9]。因此，为了进一步分析和跟踪特定目标的行为，移动目标的正确分类是非常必要的[10-12]。这是一个实时系统，它要求系统进行实时图像采集、实时数据处理、实时数据存储，其中技术难点主要有两个：一是如何在有限的时间内完成大量数据的处理；二是如何在复杂的背景下（自然干扰和人为干扰检测）精确跟踪运动物体。实验结果表明，该方法能够有效地抑制目标检测中的噪声，运动目标和提取目标点的检测更加完备，因此在目标跟踪中，不需要基于传统的匹配和搜索，它是实用的。
在视频运动目标跟踪中，针对均值漂移运动目标跟踪算法中缺乏传统的目标模型更新算法的问题，提出了整体目标模型更新算法，提出了漂移模型的问题，选择了均值漂移模型进行更新。该算法的核心是计算目标模型的思想，对每一个分量的整体相似系数进行匹配，贡献各分量，更新目标模型并有选择地根据该值进行更新。在Visual C 6.0软件平台上，使用OpcnCV库函数对三种跟踪算法进行编程，并进行程序实现分析结果。实验证明，本文提出的更新Mean SlliR模型的选择算法在目标跟踪方面更稳定和精确。
- 相关工作和理论分析
- 光流法图像和序列分析
运动估计是多帧视频图像超分辨率重建中的一项重要工作。视频运动目标检测算法可根据摄像机与目标之间的关系分为两类：静态摄像机相对于目标，即静态背景下的视频运动目标检测; 另一种是摄像头可以根据需要跟踪目标，或者通过旋转获取更大的区域监控，在动态背景下检测视频移动对象。 重建的图像质量取决于运动参数估计的准确度[13]。
图像之间的运动可以分为两类：全局运动和非全局运动。 全局运动估计可以用来解决一般的仿射变换模型，而不是全局运动估计问题的解决方法很多，比如基于光流方程的方法，基于块匹配方法，基于块匹配和光流法的组合算法。
使用差分链方法，它可以表示为：
图像序列也称为动态图像[13]，它是由一系列相对于给定或假设的构图组成。帧间差分运动目标检测算法利用基于相邻帧的强相关性检测图像，并给出相邻图像采集的时间间隔可以表示如下：
统计平均法基于连续图像序列逐像素统计平均值。帧间差分算法简单，编程复杂度低，易于实现：因为两帧之间的间隔很短。平均值近似于背景图像，连续采集N个图像累积平均值：
其中N是图像帧，运动速度值、运动目标N和目标大小BK，运动速度更快，可以获得较少帧的背景，一般N更大，更有利于获得更真实的背景估计。
- 数字图像分析形态学
目前，数学形态学已被广泛应用于数字图像处理和机器视觉领域，形成了独特的数字图像分析方法和理论[14]。数学形态学有一个完整的数学基础，用于形态学的分析和处理[15-17]。帧间差分法采用两帧相邻图像差分运算得到运动目标，算法简单易实现，适应性强， 但当相邻帧间背景曝光过高导致运动目标较大时，容易暴露背景检测对运动物体检测，从而导致目标重像现象。根据数学形态学理论的发展，形态学运算主要有四种：扩张、侵蚀、开闭运算[18 ]。
将HIS更改为RGB转换公式有所不同，这取决于色环所在点的转换。
当 0⁰le;Hle;120⁰ :
当120⁰le;Hle;240⁰ :
当240⁰le;Hle;360⁰ :
其中：
3. 基于视频运动核方法的图像特征提取
- 块匹配法
块匹配的目的是通过像素域搜索过程找到最佳的运动矢量估计。基本概念如图1所示，通过考虑U帧（帧）像素（m1，m2）m1 * m2块中的中心位置，同时，搜索K 1帧（搜索帧）以获得相同大小的最佳匹配块位置，以确定K帧（m1，m2）。从计算角度考虑位移，搜索通常被限制在M1 * M2的大小范围内，该范围被称为搜索窗口。
图1 .块匹配图
- 不同块检测的相关性
在实际的应用场景中，背景不变是完全不可能的，特别是在户外场景中，背景是变化的，表现出多峰分布。例如，当扇子在旋转时，树叶在树的摆动中出现这种情况，它会反复地覆盖像素点和离开，导致像素值急剧变化，为了更好地提取感兴趣的运动目标，应该摆放摇曳的树枝和树叶，风扇的旋转也被视为背景。这不足以描述具有单峰分布的像素背景，因此使用多峰分布模型（例如混合高斯背景模型）来描述背景。
RGB传输到HIS周围是一种简单快速的非线性变换，归一化RGB，其数学转换关系如下：
对于所有的高斯分布装置没有匹配的像素值，引入对应于最小权重替换高斯分布的新的高斯分布，新的高斯分布到当前像素是平均的，重新初始化较大的方差和较小的权重，直方图是多种空间处理技术的基础。直方图操作可以通过开发一个变换函数，这个函数只依赖于输入图像的直方图信息，直方图操作可以通过开发一个变换函数，这个函数只依赖于输入图像的直方图信息，可以自动将图像灰度分布很窄，变成一个高对比度和可变灰度的灰度图像，从而达到图像增强的效果。
- 快速自适应运动估计和补偿算法
本文提出了一种基于冗余小波变换的快速自适应块匹配运动估计和补偿算法。 算法步骤如下：
- 输入视频图像中冗余离散小波变换的小波系数和子带块。
- 如果图像作为参考帧（I帧），则对分解后的子带图像进行存储和采样，得到图像对应的离散小波变换DWT，并转到步骤（5）;
- 如果图像是预测帧（P帧），采用自适应预测的初始搜索点法和快速自适应块匹配运动估计搜索算法进行运动估计，得到冗余小波域图像块的最佳运动矢量。 根据每个候选矢量和最终块运动矢量预测系数的误差，对每个候选矢量方法进行相应的自适应调整。
- 通过RDWT系数得到的运动矢量和I帧的运动估计，P帧的每帧分别与图像运动补偿预测图像，P帧在冗余小波域中，并计算残差图像和相应的值。对残差图像进行小波域的冗余采样，然后进行降采样，得到基于DWT系数的残差图像。
图2是冗余小波变换快速自适应块匹配运动估计和补偿算法的流程图。输入图像RDWT变换与块
开始
结束
量化编码将图像表示为DWT因子
下采样并获得以DWT因子表示的残差图像
获取RDWT区域中当前帧的预测图像和残差图像
利用自适应搜索起始点预测法和快速自适应块匹配搜索法估计运动
图像是I帧吗？
在RDWT区域中获得最佳运动矢量用于运动补偿
输入图像RDWT变换与块
是
存储和下采样
以DWT因子表示图像
图2 冗余小波变换快速自适应块匹配运动估计及补偿算法
4.实验和结果
A. 描述主算法的实验模型
背景建模中的混合高斯背景模型的运动检测处理方法允许运动目标存在，特别适合于检测室外光线和天气变化不太强的情况下小尺寸和快速运动的目标，也可以很好的判断物体运动的背景属性之间的转换，具有很强的适应能力。
双螺旋分类通常用于模式识别算法结果的检验，双螺旋平面坐标形式可以用来表示如下的参数方程：
其中，a 1，a 2，e 1和e 2是要设置的参数。 在这个实验中，theta;是随机数和间隔。
图3. GF空间模型多项式核分类的无限制条件
B 用于特征提取的SIFT算法
基于区域匹配的跟踪算法，根据图像区域中运动对象的共同特征信息进行跟踪。该方法的主要思想是在当前视频帧的一帧中搜索最大目标区域的相关区域，也称为相关类型，具体的方法是针对当前帧图像中具有不同偏移位移的目标图像，然后根据两幅图像的相似性度量准则，每幅偏移值有部分重叠，通过对当前帧图像和目标图像和相同大小的目标图像进行相关处理，利用则和相关处理结果，确定当前帧中的目标位置，相应位置的最大相似度即为运动目标位置。图4中示出了每个宏块平均搜索点（ANSP）的峰值信噪比（SNR）和每个帧的每个帧。
图4. 峰值信噪比（SNR）的每个帧
C 仿真结果与分析
通过编程比较帧差，三帧差和混合高斯背景差分法，可以得出以下结论：三帧差法对动态环境有较好的适应性，但不能提取完整的运动目标；背景混合模型的高斯差分法可以提取场景模型中存在的场景中的运动对象，并实时更新背景模型，对场景的变化具有一定的适应性；但是当全局照明场景发生变化时，会将整个视频帧用于运功目标检测，出现假阳性现象。图5显示了室外场景中的运动目标检测。
图5 室外场景中的运动目标检测
在视频运动目标检测方面，目前主要介绍三种算法：帧差法，背景差分法和光流法; 重点介绍了三帧差分法改进帧间差分法，分析了该方法的优缺点。根据背景差分法的关键点是背景模型的建立和更新，本文重点研究了混合高斯模型的建模方法，该模型是基于背景差分法在应用中的优缺点。
每组实验数据均由数字成像设备采集，图像运动参数根据实际的运动情况选择合适的计算方法。根据巴特沃斯滤波器的特性，为了更好地保持边缘细节，选择参数D = 0.9，n = 3，其频率响应如图6所示：
图6 六阶巴特沃斯低通滤波器频率响应
结论
在视频运动目标跟踪方面，总结了四种常用的算法：基于跟踪算法、基于三维模型的跟踪算法、基于特征匹配的区域匹配跟踪算法和基于主动轮廓的跟踪算法；重点研究Mean Shift运动目标跟踪算法中的特征匹配跟踪算法，针对其缺少目标模型更新算法和整体目标模型更新算法模型漂移问题，提出了一种选择性模型更新Mean Shift运动目标的跟踪算法;
该算法基于匹配每个组件对象模型的贡献大小，选择需要更新的目标模型组件，从而实现选择性目标模型更新。
实时监控摄像机和视频中的目标跟踪
摘要
安全问题一直在增加，所以每个人都必须保护他们的财产免遭盗窃和破坏。所以对监控技术的需求也在增加。已有系统被开发来检测视频中的运动。利用背景差分和帧差分技术，开发了一个实时应用系统。在这个系统中，从网络摄像头或实时视频中检测到运动。背景差分法和帧差分法已被用于检测运动目标。在背景差分法中，从参考帧中减去当前帧，然后应用阈值。如果差值大于阈值，则将其视为来自运动对象的像素，否则它被视为背景像素。类似地，两帧差分方法在两个连续帧之间取差。然后对所得的差分帧进行阈值化，计算差分像素的量。
关键词：背景差分法、帧差分法
一、引言：
在图像中运动，视频携带关于场景结构和动态变化的重要信息。运动总是代表着人类和动物生活中的一些活动，这是自然现象。 动物总是通过检测它的运动来感知潜在的危险和食物来源。同样，人类通过感知身体运动来感知活动。跟踪人类、车辆等多个目标，在视频监控、机场安防系统等
全文共6774字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[13048]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
