论文部分内容阅读
目标检测与跟踪一直是计算机视觉领域研究的重心,在无人驾驶、视频监控等领域应用广泛。由于视频中光照的变化、目标的阴影、目标之间的遮挡、目标的消失与新生等因素,让目标检测与跟踪成为具有挑战性的研究课题。本文围绕偏正态混合模型(Skew Normal Mixed Model SNMM)目标检测和马尔可夫决策过程(Markov Decision Process MDP)多目标跟踪进行研究,具体的工作如下:(1)提出了一种改进的SNMM,用以解决目标检测中光照变化导致检测失败的问题。SNMM中的位置参数和偏度参数可以很好地反映视频光照的变化。基于此,建立了含有位置参数和形状参数的光照变化检测准则。当检测到光照变化时,对视频帧进行背景差分法处理,以提高目标检测的准确率。与高斯混合模型(GMM)、SNMM和背景差分法相比,改进的SNMM目标检测算法的性能评价最高。(2)基于MDP的视频多目标跟踪模型分为4个状态,分别为活动、跟踪、丢失、非活动。状态间的转移策略的优劣决定了目标跟踪的质量和速度。为了提高目标跟踪的速度,在活动和丢失状态间提出了一种快速匹配策略的MDP(Fast_MDP)多目标跟踪算法。该算法中的策略用检测到目标的个数来判断目标的状态,用得分矩阵对目标进行匹配,实现目标的跟踪。实验结果表明Fast_MDP算法的跟踪速度有了很大的提高。(3)为了解决丢失目标再次进入跟踪状态的问题,提出基于图像特征相似度的目标匹配跟踪算法。图像特征采用HSV颜色直方图和LBP(Local Binary Pattern)直方图。根据特征间的余弦相似度和目标间的Jaccard系数建立了多特征相似度匹配准则,很好地解决了丢失的目标再次跟踪问题,实验结果验证了算法的可行性。