基于全局最小化活动轮廓多目标检测跟踪.docVIP

基于全局最小化活动轮廓多目标检测跟踪 　　摘 要:为了在噪声干扰以及目标和背景颜色相近情况下实现多目标跟踪,提出一种基于快速全局最小化的活动轮廓模型的目标检测跟踪算法。该算法结合了基于边缘的活动轮廓模型和基于区域的活动轮廓模型,对能量泛函进行全局最小化来检测目标活动轮廓,用卡尔曼滤波预测目标下一帧的特征信息,然后用改进的最近邻法进行多目标跟踪。对图像序列的实验结果表明该算法能有效地对运动背景下多目标进行跟踪。 　　关键词:活动轮廓; 全局最小化; 多目标跟踪; 最近邻法 　　中图法分类号:TP391 　　文献标志码:A 　　 　　文章编号:1001-3695(2010)02-0794-04 　　doi:10.3969/j.issn.1001-3695.2010.02.111 　　 　　Multiple objects detecting and tracking based on 　　global minimization of active contour model 　　 　　TU Qiu, XU Yi-ping, ZHOU Man-li 　　 　　(Dept. of Electronics Information Engineering, Huazhong University of Science Technology, Wuhan 430074, China ) 　　 　　Abstract:This paper proposeded a multiple objects detecting and tracking algorithm, which was based on the fast global minimization of active contour model. The algorithm combined edge-based active contours model and region-based active contours into the framework of global minimization the energy functional to detect the objects contours.Predicted the features’ information of the objects using the Kalman filter. Then tracked the multiple objects by using the improved nearest neighbor method. Experimental results demonstrate the efficiency of the proposed approach. 　　Key words:active contour; global minimization; multiple objects tracking; nearest neighbor method 　　 　　0引言?? 　　运动背景环境下运动目标的检测和跟踪一直是计算机视觉研究中的难点和热点。在目标检测中,光流法[1]是一种常用方法,该方法通过计算光流场并对光流场进行分割来检测和提取目标,但该方法抗噪性能差。基于均值偏移算法[2](mean shift)的运动目标跟踪是在基于颜色直方图的基础上利用无参估计优化方法来定位目标,适用于任意场景下的目标跟踪,但是该方法通常须结合其他运动目标检测算法,或人为初始化目标位置,并且不能提取目标的轮廓。基于活动轮廓的目标跟踪首先通过活动轮廓模型将图像进行分割,然后通过对分割的图像区域进行特征提取并与目标进行特征匹配来实现跟踪。该方法能够提取跟踪目标的轮廓,并在目标存在形变的情形下也可以有效提取目标轮廓,完成目标跟踪。活动轮廓由于具有很强的数学理论性以及有成熟的数值实现方案,目前成为计算机视觉中一个研究热点。?? 　　活动轮廓最初由Kass等人[3]于1988年提出,目前已广泛应用于计算机视觉的各个研究和应用领域,包括边缘提取、图像分割和运动目标跟踪等。活动轮廓模型一般可分为两类:?? 　　a)参数活动轮廓。该算法使用参数显式表示轮廓曲线,曲线只能描述一个连通区域,因此只适用于单目标检测,并且目标轮廓的提取依赖于初始化轮廓,要求初始化轮廓必须接近目标实际边界。基于参数活动轮廓模型,Isard等人[4]提出B-样条表示活动轮廓曲线的CONDENSATION 算法。由于采用参数化的活动轮廓,不可避免地对初始化轮廓要求靠近目标的边缘,无法处理目标的拓扑变化。?? 　　b)几何活动轮廓。一般采用水平集方法实现目标轮廓提取,由于其运动方程不包含与曲线