论文部分内容阅读
近些年,随着机器人技术的快速发展,移动机器人在日常的生活中扮演着极为重要的角色,尤其在智能交通、军事安全、智慧医疗等领域有着极为广阔的应用。目前,静态背景下的运动目标检测与跟踪技术已经日益成熟;但是动态背景下的运动目标检测与跟踪算法却发展的相对缓慢,因此研究移动机器人视觉系统中的运动目标检测与跟踪算法具有极为重要的意义。论文研究了运动目标检测与跟踪技术的国内外研究现状,具体分析了动态背景下的运动目标检测与跟踪方法,选择基于运动补偿的检测算法与基于分类器的跟踪算法,主要完成以下工作:首先,论文研究了基于运动补偿的检测算法的具体步骤。为了提高运动参数估计的准确性,选择一种改进BRISK特征匹配的运动补偿算法。采用高斯滤波对图像进行处理,去除图像中的噪声点;将图像分块,利用图像熵对图像块筛选,去除图像中角点过于密集的子块,对筛选后的图像块进行BRISK特征提取;针对特征匹配中出现误匹配的问题,采用k近邻与欧氏距离进行特征匹配;为了进一步提高参数估计的准确性,利用改进PROSAC法进行特征点提纯,结合六参数仿射模型完成背景运动补偿,采用帧差法与形态学处理提取运动目标。其次,利用改进KCF的分类器的跟踪算法进行目标跟踪。采用HOG算法提取目标特征,并利用循环矩阵获取一系列的正负样本;根据采样的正负样本进行岭回归分类器训练,并通过跟踪到的目标更新分类器;针对KCF跟踪算法容易出现跟踪失败,采用BRISK特征匹配进行跟踪失败判断,并利用模板匹配法重新检测目标,采用检测后的目标重新训练KCF分类器,继续跟踪过程。最后,论文在vs2015平台和opencv计算机视觉库对改进算法进行仿真实验,采用多组动态背景下的视频序列进行测试。实验表明,改进BRISK特征的运动补偿算法提高了运动参数的精度,适合动态背景下的视频序列;改进KCF跟踪算法能够适应不断变化的视频背景,具有较好的实时性与鲁棒性。