基于動態(tài)圖像序列的運(yùn)動目標(biāo)檢測與跟蹤.pdf

1、運(yùn)動目標(biāo)的分析已成為計算機(jī)視覺中的一個重要研究領(lǐng)域，尤其是對運(yùn)動目標(biāo)的檢測和跟蹤，它在軍事、工業(yè)過程控制、醫(yī)學(xué)研究、交通監(jiān)控、飛機(jī)導(dǎo)航等許多領(lǐng)域有著廣泛的應(yīng)用前景。本文以運(yùn)動區(qū)域分割和跟蹤為基礎(chǔ)，研究了基于動態(tài)圖像序列的運(yùn)動目標(biāo)分析問題。其核心內(nèi)容是從動態(tài)圖像序列中檢測出運(yùn)動目標(biāo)、并跟蹤其運(yùn)動軌跡，從而可獲得運(yùn)動目標(biāo)的位移、速度、加速度等運(yùn)動參數(shù)。 論文主要內(nèi)容如下：首先，對運(yùn)動目標(biāo)的分析方法進(jìn)行了綜述，分析了該領(lǐng)域目前的研究現(xiàn)

2、狀和未來可能的研究發(fā)展方向，為今后進(jìn)一步深入研究提供了思路與線索。 其次，引入了細(xì)胞神經(jīng)網(wǎng)絡(luò)概念，提出了細(xì)胞神經(jīng)網(wǎng)絡(luò)方法在圖像處理中的若干具體應(yīng)用，如圖像恢復(fù)、邊緣檢測等，克服了圖像噪聲干擾，獲得了較好的實驗結(jié)果。在實際的動態(tài)圖像序列中，考慮到復(fù)雜的光照強(qiáng)度變化和背景自身運(yùn)動等因素，提出了一種基于像素統(tǒng)計特性及細(xì)胞神經(jīng)網(wǎng)絡(luò)的目標(biāo)分割方法。通過建立圖像每一像素點的高斯分布模型，并根據(jù)圖像序列中的當(dāng)前幀及歷史幀信息自適應(yīng)地調(diào)整模型的

3、參數(shù)。再結(jié)合圖像的幀間信息將圖像從空間域映射到統(tǒng)計域，在統(tǒng)計域中用細(xì)胞神經(jīng)網(wǎng)絡(luò)方法對其進(jìn)行目標(biāo)分割。通過對圖像像素建立細(xì)胞近鄰模型，可以獲得魯棒的運(yùn)動目標(biāo)分割結(jié)果。此外，細(xì)胞神經(jīng)網(wǎng)絡(luò)是一種局部聯(lián)接的反饋式神經(jīng)網(wǎng)絡(luò)，它與一般的神經(jīng)網(wǎng)絡(luò)相比，具有局部聯(lián)接和動態(tài)電路性能，易于用VLSI實現(xiàn)。所以本文方法可在電路硬件實現(xiàn)上具有廣闊的應(yīng)用前景。 接著，介紹了馬爾可夫隨機(jī)場在圖像處理中的應(yīng)用，以及有關(guān)馬爾可夫隨機(jī)場模型的構(gòu)造及傳統(tǒng)求解方法。

4、針對動態(tài)圖像序列中背景成像過程因各種因素變化而存在的復(fù)雜性，提出了一種基于馬爾可夫隨機(jī)場和細(xì)胞神經(jīng)網(wǎng)絡(luò)的目標(biāo)分割方法。首先根據(jù)馬爾可夫隨機(jī)場與細(xì)胞神經(jīng)網(wǎng)絡(luò)能量函數(shù)的相似性，將馬爾可夫隨機(jī)場的最大后驗概率模型映射到細(xì)胞神經(jīng)網(wǎng)絡(luò)近鄰系統(tǒng)模型中。然后建立圖像每一像素點的鄰域系統(tǒng)模型，并且構(gòu)造相應(yīng)的能量函數(shù)。為使能量函數(shù)達(dá)到快速收斂，本文利用模擬退火算法實現(xiàn)能量函數(shù)的極小化，以提取運(yùn)動目標(biāo)。 最后，提出了基于α-β-γ濾波和卡爾曼濾波的