论文部分内容阅读
计算机视觉在基于运动的目标识别、人机交互、汽车自动导航、智能视频监控等方面有着广泛的应用,而视频运动目标检测和跟踪是计算机视觉的重要组成部分。在实际的视频运动目标检测和跟踪应用中,好的检测和跟踪算法直接影响到检测和跟踪的准确性和稳定性。本文主要研究视频中运动目标的检测和跟踪方法。首先,论文分析了目前常用的视频预处理方法、运动目标检测方法和运动目标跟踪方法,并总结了这些方法的优缺点;接着进一步研究了目标检测和跟踪过程中阴影的消除和遮挡处理问题。其次,在研究分析AdaBoost算法和它在分类中的优越性及研究分析MeanShift算法和它在目标跟踪方面的优越性的基础上,本文提出一种基于AdaBoost和MeanShift结合的目标跟踪方法。该跟踪方法由一个学习阶段和一个估计阶段构成。学习阶段选择用于跟踪目标的特征,估计阶段构建一个似然图像,并在该似然图像上运用MeanShift算法进行目标跟踪,而跟踪性能的好坏取决于似然图像的质量。本论文采用两种方案来产生和融合似然图像:一种基于DAB(the discrete AdaBoost)的方案,另一种基于RAB(the real AdaBoost)的方案。在选择所需要特征和获得似然图像过程中,DAB使用调整特征值,而RAB则估计分类概率。最后,为了验证提出的算法的可行性和优越性,以及验证和比较分析相关检测和跟踪算法的性能,本文设计并实现了一个可扩展多种检测和跟踪算法的实验平台。该实验平台可以方便地选择已实现的检测和跟踪方法,也能方便地对所选检测和跟踪方法的相关参数进行设置,从而为相关检测和跟踪算法的验证和分析提供相应的平台接口。本文也运用该实验平台对所研究的跟踪算法和常规的MeanShift算法进行了比较和分析。结果表明,通过使用AdaBoost技术,本文提出的跟踪方法提高了所选特征之间的独立性,并能够构建更高质量的似然图像。