论文部分内容阅读
随着我国图像处理技术的快速发展,视频监控系统的日益完善,公共安全监控体系越来越重要,人工监控已经不能满足当前市场的需求。因此,本文主要研究固定场景下的船舶和车辆的识别与跟踪方法,首先提出一种基于混合高斯背景模型和三帧差分相结合的移动目标检测方法,得到潜在目标区域,然后检测到完整的连通域,提取最小外接矩形区内的直线,形状因子以及Zernike矩特征,构建LS_SVM分类器,实现移动目标识别。获得感兴趣目标的初始位置后,利用本文融合多特征Camshift与无损卡尔曼滤波结合的目标跟踪算法,实现目标的跟踪。针对视频图像中背景存在小幅度运动干扰、存在光照突变的场景,给目标识别带来了很大的难度。本文利用经典的混合高斯背景模型在小幅度运动背景下的优势,以及帧间差分法对光照变化不敏感,提出一种混合高斯背景模型和三帧差分结合的方法,获取潜在运动区域。并进行连通域分析和合并得到最小外接矩形,对矩形内提取目标的几何特征,利用LS_SVM分类器,对个潜在区域进行分类,输出是否存在目标以及目标的位置。本文的目标识别方法平均准确率有明显改善,船舶准确率达到95.45%,车辆准确率达到了96.15%。针对现有的跟踪算法在出现同色系干扰、部分遮挡情况下,易出现跟踪失败的问题,提出了一种融合多特征的Camshift和无损卡尔曼滤波相结合的移动目标跟踪算法。首先利用前面识别到的包含目标的最小外接矩形窗作为初始目标模型,提取色调特征、边缘特征以及运动特征,并进行融合,克服了背景同色系的干扰。采用适用于非线性系统的无损卡尔曼滤波预测修正跟踪目标的位置,相比卡尔曼滤波,提高了准确性和稳定性。引入Bhattacharyya距离描述目标的跟踪情况,Camshift目标跟踪失败时能够使用无损卡尔曼滤波的结果作为最终的结果。实验表明,该算法与传统的Camshift方法和经典的Ka1man和Camshift相结合的方法对比,跟踪准确率达到98%。