基于轮廓的运动目标检测与跟踪.docxVIP

基于轮廓的运动目标的识别与跟踪摘要——我们提出了一种快速和强大的方法来对移动物体进行检测和跟踪。我们的方法是通过对梯度的光流和边缘检测器的线性计算，研究人员都知道基于梯度的光流和边缘能很好的匹配准确速度的计算，没有太多的重视去用这个特色创建目标的识别与跟踪系统，在我们的方法里，边缘提取通过光流和边缘检测器恢复成轮廓，与前一帧的背景轮廓相减，用主动轮廓线跟踪法得到物体的轮廓。探测到的目标被跟踪，同时每个被跟踪的对象有用于处理遮挡和干扰的情况。在户外场景的实验结果表明我们的方法具有快速性和鲁棒性。我们方法的计算时间是使用900 MHz的处理器基础上达到了0.089秒/帧。一、系统介绍移动目标的检测和跟踪技术被广泛地用作计算机视觉应用中的底层任务，如视频监控，机器人，验证系统，手势识别的用户界面，以及MPEG4图像压缩的预处理。底层的任务软件开发尤其重要，因为它影响所有更高级别的各种应用程序的性能。运动目标检测是计算机视觉领域的一个重要研究问题。有两种方法:基于区域和基于边缘。在没有使用任何模型运动检测的情况下，最流行的基于区域的方法是背景减法和光流法。背景减法检测移动物体通过从图像中减去估计的背景模型。这种方法适用于对光照变化敏感并在背景中有微小运动的物体，如树的叶子。许多技术已被提出用来解决此问题。混合高斯函数是一种流行的并且前景很好的技术来估计背景的光照变化和微小运动。然而背景减法的一个共同的问题是，它需要很长的时间用于评估背景模型。它通常需要几秒钟进行背景模型估计，因为背景的光照变化和微小运动的速度是很慢的。光流也有一个由光照变化引起的问题，因为它的近似约束方程基本上会忽略光照变化的时间。在基于边缘方法的情况下，很多都是使用基于边缘的光流[6]，[7]，[8]，水平集[9] ,和移动轮廓跟踪，像主动轮廓线跟踪法[10]，气球式[11]，和测地线的移动轮廓[12]，在[6]中,检测移动目标边缘的方法已经被提出了，这些像素的零点通过先前强度的卷积来进行计算,再加上探测移动边缘高斯函数对时间的二阶微分。作者理论和实验表明这种方法受光照变换的影响不大，然而当图像不是很平滑时该方法的结果是不准确的，因为它计算速度没有使用空间邻里像素信息。在 [13]中, 用于计算密集点的差距分布图的颜色分割和非参数方法被用于主动轮廓线跟踪。用于颜色分割的参数需要被调谐到照明的条件。测地线活动轮廓和水平集被用在[14]，但是这些技术对于实时应用的预算过于昂贵。在本文中，我们提出的检测和跟踪移动目标的方法，其中包括非刚性对象。我们的方法是具有鲁棒性的，因为我们使用基于边缘的特点，其对光照变化不敏感。该方法也很快速，因为基于边缘检测的面积比基于区域检测的面积要小。本文的结构如下：在第二部分，我们给出了基于梯度的光流和边缘检测法的移动目标检测的细节，第三部分描述了通过恢复并检测线路段的轮廓提取的方法。第四部分讲述了运动目标的跟踪与检测。第五部分和第六部分分别给出了实验结果和结论。二、光流对于2D图像运动的光流场的计算中，有下列的近似方法：这里的是图像强度的时空函数。时刻和的强度被假定保持相同，即认为没有发生光照变化。等式（1）可用泰勒级数展开，省去高次项幂如下表示：这里的是梯度，是临时衍生出的，是图像的速度。然而，一个线性约束方程不足以确定二维速度。这个问题被称为孔径问题。许多方法被提出来添加其他约束条件,Barronet评估了其中的几个，他们展示的Lucas和Kanade所提出的定量方法是最可靠的。此方法是基于空间局部区域的最小化加权法的平方误差函数，在一个区域中的所有像素都应该有相同的速度，而误差函数的方程可写为：这里R是一个空间局部区域，是该区域的各像素的正权重 ，为计算出（3）式的最小误差值，先计算出，然后可得所估计的速度为：这里假设M是可逆的，Horn 和Schunk为了简化光流问题对全部区域进行预平滑处理。尽管这种方法在文献[15]中被提出相对于其他技术很可靠，但当光照变化时（1）中的估计值是有问题的。Simoncelliet 计算了（2）式的不确定性，按比例的依照（5）式中的M进行非线性递减，即空间梯度的幅值。我们的方法是基于使用具有很强梯度大小的特点，这些特征被提取通过Canny算子的边缘检测[18]，边缘被阈值速度的大小屏蔽来消除背景边缘的微小运动，即：曼哈顿幅度是用于简化计算，揭露边缘在后期阶段将用于恢复线和提取对象的轮廓。三、轮廓提取我们用于提取运动物体轮廓的方法在下面的章节讲解里包含了4个步骤：线恢复，基于轮廓的背景减法，集群和活动轮廓。轮廓恢复和基于轮廓的背景减法边缘有时会被错误地屏蔽了依照（6）式，因为利用局部区域计算光流，这种方法引起两种类型的判断失误：没有额外的信息来解决（2）式中存在的的问题（比如光圈问题）。移动边缘被错误地