視頻圖像處理中的關(guān)鍵技術(shù)研究.pdf

1、基于圖像序列中運動目標檢測、匹配、跟蹤與識別是計算機視覺領(lǐng)域一個新興的方向和備受關(guān)注的前沿課題，它結(jié)合了機器視覺、計算機科學、圖像工程、模式識別、人工智能等先進技術(shù)，廣泛地應(yīng)用于人機交互、智能監(jiān)控、機器視覺導航、工業(yè)機器人等各個方面。視頻圖像的智能信息一體化分析和理解是機器視覺領(lǐng)域研究的熱點。主要包括感興趣目標的檢測、目標匹配、目標跟蹤以及目標識別等關(guān)鍵技術(shù)。雖然已有眾多研究人員開展了大量相關(guān)的研究工作，取得了較多的實驗性成果，然而這些

2、技術(shù)距離實用化還有待深入研究。本文對圖像序列中的運動目標檢測、目標匹配、目標跟蹤以及目標的特征建模進行了研究，通過實驗論證了算法的有效性和可行性，具體研究內(nèi)容如下：
　　（1）針對現(xiàn)有圖像融合算法中現(xiàn)有方法的不足，以及融合指標不能很好的反映融合圖像的質(zhì)量，提出了一種基于非下采樣輪廓波變換的優(yōu)化圖像融合方法，充分利用非下采樣輪廓波變換的多尺度，多方向分解以及平移不變性特性，分析現(xiàn)有客觀融合指標不能很好的反映融合圖像的質(zhì)量，建立了一種

3、新的融合評價指標，利用多項式模型來擬合融合指標與非下采樣輪廓波變換分解的層數(shù)關(guān)系，來指導融合，提高融合圖像的質(zhì)量，為后續(xù)的運動目標檢測打下基礎(chǔ)。
　?。?）針對傳統(tǒng)的運動目標檢測算法容易受到復(fù)雜背景和噪聲干擾影響，檢測運動目標區(qū)域不完整，造成漏檢與誤檢，研究VIBE算法，提出了一種改進的VIBE運動目標檢測的方法。針對其前景檢測以及背景更新的不足，對其進行了改進，然后采用Meanshift聚類算法對改進的運動目標檢測提取的前景背景

4、信息，包括顏色，紋理，梯度進行聚類，構(gòu)建S/T網(wǎng)絡(luò)模型，基于圖割的方法，利用最大流最小割來優(yōu)化提取的前景，從而實現(xiàn)準確的運動目標提取。改進的算法對于室內(nèi)和室外場景比原始的VIBE算法的結(jié)果更加準確，有利于后續(xù)的目標匹配，跟蹤和識別。
　　（3）針對研究視角變化和重復(fù)紋理特征點匹配問題，提出了一種魯棒的抵抗視角變化的方法-DelTri。首先針對原始SIFT匹配方法的不足，采用雙邊濾波進行圖像預(yù)處理，更好的保存圖像的邊緣，擴大尺度空間

5、極值點檢測的范圍，減少關(guān)鍵點的個數(shù)，加快關(guān)鍵點檢測的速度，使用Sobel算子計算高斯模型的圖像的梯度和方向，增強SIFT描述子的區(qū)分性，K-means聚類初始匹配的角度和尺度，去除誤匹配，提高匹配的精度，然后采用Delaunay三角剖分的方法，利用其剖分的唯一性，對初始匹配點集合構(gòu)建三角網(wǎng)，找到匹配的三角形，從而實現(xiàn)魯棒的匹配。
　?。?）針對復(fù)雜背景，光照變化，部分遮擋情況下的運動目標跟蹤問題，提出基于交互多模模型粒子濾波的多特

6、征自適應(yīng)融合的目標跟蹤算法。該算法采用多模粒子濾波，多模是指多個特征，用了去除背景顯著特征干擾的校正背景加權(quán)直方圖，對噪聲不敏感而且具有良好分類精度的完備局部模式，描述局部形狀和表觀的方向梯度直方圖，這三種特征來建模目標的特征表示，利用交互多模模型能夠自適應(yīng)調(diào)整模型的概率，在粒子濾波框架內(nèi)進行自適應(yīng)融合跟蹤。多特征融合提高了跟蹤算法對于復(fù)雜背景，部分遮擋的魯棒性。
　　（5）針對運動目標識別，以人體運動目標為模板，提出基于時空關(guān)鍵

7、點描述子和運動模板的目標識別算法。首先對人體目標區(qū)域采用改進VIBE算法進行運動目標檢測，得到的感興趣區(qū)域(ROI)序列，計算相應(yīng)的運動能量圖像和運動歷史圖像。時空關(guān)鍵點的檢測采用3DHarris檢測器，關(guān)鍵點描述子采用3DSIFT，全局特征用Hu矩不變量來表示，進行局部特征和全局特征融合。訓練分類器的模型采用支持向量機，碼書構(gòu)建采用詞袋模型。
　?。?）針對視頻圖像處理中的運動目標檢測、目標匹配、目標跟蹤和目標識別等關(guān)鍵技術(shù)存在