复杂环境的运动目标检测和跟踪(含源码)
摘要
运动目标的检测和跟踪是机器视觉领域内一个引人注目的课题，一般图像中运动目标的跟踪技巧是经过目标检测来对进行跟踪。运动目标跟踪是视频图像中的每幅图像确定我们所感研究运动目标的位置，实现对目标的跟踪。而跟踪的难点在于怎么迅速而无误的在每一幅图像中实现目标定位[1]。
本文的绪论部分是整个论文研究和设计的出发点，着重介绍了计算机视觉跟踪方面的研究，在此基础上探讨了在复杂环境下检测和跟踪运动目标对于本课题的研究目的和意义。以及本文在熟悉和掌握了图像处理技术和视觉跟踪的相关算法的基础上，对某些算法进行优化与改进，以在复杂的环境下更加精准地检测和跟踪运动目标。
第二部分介绍了图像的预处理的相关知识，包括图像噪声、图像平滑、中值滤波、图像增强、直方图均衡化、校正技术、线性变换和边缘检测。
第三部分针对混合高斯算法不能很好地检测到边缘较清晰的问题，提出了结合马尔科夫随的改进算法，有利于在复杂的环境下更加准确、完整地检测运动目标。
第四部分针对粒子滤波算法的多样性丢失缺陷，提出了基于对比直方图的粒子滤波改进算法，使其能在某些复杂环境下准确、迅速、完整的检测与跟踪运动目标。
查看完整论文请+Q: 351916072
关键字:目标检测混合高斯对比直方图智能系统
目录
1. 绪论 1
1.1 课题研究背景 1
1.2 课题研究目的 1
1.3 课题研究意义 2
1.4 本章小节 2
2.图像预处理 3
2.1预处理定义 3
2.2图像噪声 4
2.3图像平滑 4
2.4中值滤波 4
2.5图像增强 5
2.6直方图均衡化 6
2.7校正技术 7
2.8 线性变换 8
2.9边缘检测 8
3.混合高斯的改进算法 10
3.1高斯混合定义 10
3.1.1原理 10
3.1.2基本思想 11
3.2混合高斯建模的基本流程 11
3.3Markov随机场 12
3.4 图像像素的网格构造 13
3.4.1MPF（马尔科夫性） 14
3.4.2改进的MPF 16
3.5算法流程 16
3.6实验结果分析 17
3.7本章小节 19
4.基于对比直方图的粒子滤波改进算法 19
4.1 粒子滤波(particle filter)简介 19
4.2 PF基本原理 20
4.3粒子滤波算法的步骤 20
4.4粒子滤波算法的改进算法 21
4.4.1对比直方图方法 22
4.4.2改进的粒子滤波算法的步骤： 25
4.4.3实验结果与分析 26
4.6本章小节 27
5.总结与未来展望 27
5.1本文小结 29
5.2未来的工作与展望 29
结束语 29
参考文献 30
致 谢 31
1. 绪论
1.1 课题研究背景
智能视频监控分析是计算机视觉领域中的一个新方向和一个引人注目的课题，结合计算机科学学科，机器视觉、图像处理、模式辨别、人工智能等。
智能视频监控分析着实不需要人工干涉情况下，使用计算机视觉和视频监控分析的方式对摄像机拍摄的图像序列进行自动分析，包括目标分割提取、目标辨别、目标跟踪和对环境中物体行为的了解与描绘，得出对图像内容含义的会意及对客观场景的诠释，从而引导和策划行径。此外，目标检测，目标分割，目标识别，目标跟踪是计算机视觉中的中等级别的处理局部，而活动了解和描绘则是高等级别处理。运动目标分割，辨认，检测与跟踪是智能视频监控分析中研讨较多的四个实验课题；而活动了解和描绘则是近年来被普遍关注的钻研热门。当前，对智能视频监控分析的钻研与利用方兴日盛。
美国的Object Video公司，该公司是美国智能视频监控领域的领头羊，带有分析处理技术的视频监控领域占了近1/3的市场。该公司成立于1998年，由来自美国国防部高级研究计划局(DARPA)的项目经理及众多科学家共同组建。Object Video公司拥有多个全球合作伙伴，包括行业最大的生产厂家很多，视频管理平台提供商和领先的技术公司。本公司将在视频分析产品引入嵌入式系统，大大降低监控成本。以色列的IOIMAGE公司，主要供给摄像机和功能强大的智能分析服务器，通过利用接入网络的装置对反常活动进行实时检测、跟踪，并发出报警[2]。
当前国内的研究机构中，中国科学院北京自动化研究所部属的模式识别国家重点实验室监控研究处于领先地位。他们在交通视觉监控进行了深入的研究。此外他们也归纳了英国雷丁大学VIEMS的车辆交通监控原型体系的钻研履历，在以前的理论研究的基础上，一个交通监控原型系统vstart(Visual surveillance star)的设计与实现具有完全自主知识产权的视觉监控。国内其他高校如上海交通大学，北京航天航空大学已经对这方面进行了研究。
国内的研究开始于智能视觉监控领域相对较晚，主要用于模拟视频进行监控，智能视频监控系统中缺乏稳定可靠。理论方面仍有待进步，固然有少许科技公司推出了一些嵌入式智能监控的产品，可是市场占有率不高，最主要的是智能视觉监控的概念尚未家喻户晓。于是，智能视觉监控在国内拥有开阔的成长空间。
1.2 课题研究目的
首先对视频帧图像进行预处理，采用图像去噪、平滑、滤波及增强等方法来使输出的图像更具有更好的效果，以便于人的观察；同时是也为图像的运动目标跟踪和检测做准备。再对混合高斯模型进行改进,采用图像像素的网格构造方法,找出相邻像素的之间相似度 ,对相似度进行阈值运算,很好的解决MOD高斯混合模型边缘检测的缺陷问题。最后对提出把基于对比直方图的改进粒子滤波算法运用到该算法中很好的解决了背景差分在对运动目标跟踪不行的问题。基于上述的研究，从而我想为小区的安全管理工作提供一定的辅助分析手段，为小区智能安全管理平台的搭建提供一定的技术支持。
1.3 课题研究意义
人类获取外界的信息，很大程度上是通过视觉得到的。据相关资料统计，对于人类来说，视觉信息约占获取到的所有外部信息中的70%，而其他的如听觉，触觉与嗅觉等信息共计起来才仅占30%。这足以说明了视觉信息的重要性。让计算机具有视觉是人类多年以来的梦想。计算机视觉也就是对运动目标检测和跟踪，如在视频监控、智能交通等安防领域有很大的运用。近现代，随着科技地快速发展，计算机视觉技术也得到了迅猛地发展。计算机视觉同时是人工智能的一个重要分支，其研究目的就是使计算机获取和处理视觉信息的能力，这种能力首先需要机器能够感知外部环境中的物体几何信如位置、形状及运动状态等。它的研究也结合了先进的技术，在许多的研究领域中，图像处理、人工智能、模式识别以及自动控制等技术能够对外部信息进行识别，最后需要计算机能够根据相应的情况做出相应的处理[3]。
1.4 本章小节
本章统领全文，是整个研究和设计的出发点，着重介绍了计算机视觉跟踪方面的研究，在此基础上探讨了在复杂环境下检测和跟踪运动目标对于本课题的研究目的和意义。
2.图像预处理
2.1预处理定义
预处理指的是对于最低抽象层次的视频所进行的操作（事先将一段视频转化为每一帧图像）。这里输入和输出的图像都为是亮度图像。传感器与图像提取到的原始数据为同一类的，一般亮度图像是用图像函数值的矩阵来表示。
需要指出的是，预处理不会增添图像的信息。如果信息熵来度量，预处理就会普遍降低了图像信息量。于是，从信息理论的方面来看，最佳的预处理是无预处理（统统的准备工作都必须做在前面），防止预处理的最佳方法是着力于高质量图像的获得。但是，预处理在不少情况下是很有用的，因为它有助于收敛与特殊的图像处理或平息、剖析任务无关的信息。预处理的目标是改进图像数据，抑止不需要的变形或加强某些关于后续处理有重要作用的图像特性 。
图像预处理方法，根据计算机像素亮度中所使用的像素领域，大小分为四类，即处理像素亮度变换、描述几何变换、使用待处理像素一个局部领域的预处理方法、有关整个图像知识的图像复原技术。也可将图像预处理方法区分为图像增强、覆盖像素亮度变换以及图像复原。图像预处理方式使用了图像中相当可观的冗余性。一个物体的相邻像素从属于实际图像对象基本上都有相同或类似的亮度值，因此如果它可以是一个挑出来的失真图像像素，然后，正常能够被其邻接像素的平均值来复原[4]。
2.2图像噪声
图像噪声可以理解为阻碍人的视觉感知，或阻碍系统传感器对所收听图像的源头消息进行了解或剖析的各种因素，也能够意会为切实信号与设想信号之间存在的偏差。（往往偏于最后一个原因）
2.3图像平滑
图像平滑也是一种局部的处理方法，主要用于图像降噪处理，利用图像数据的冗余，每个值是在附近的一个基于点的图像亮度的平均数值计算获得的。由于平滑存在使图像中的明显边缘变得模糊的问题，因此在处理过程中要考虑能够保持边缘的平滑方法。图像局部平滑能有效地消除脉冲噪声或窄带降解性能，但是降解大斑点或粗带是得无能为力的，这时，复杂的退化问题可以被图像复原技术解决。
原文链接：http://www.jxszl.com/jsj/qrs/2407.html
