（可直接使用）目标检测、目标跟踪报告.pptVIP

基于码本模型的运动目标检测方法 原码本算法对RGB空间的视频序列，已具有较好的检测效果，有一些不足之处： 视频采集设备，如网络摄像机、DV和图像采集卡等采集的视频序列大多是YUV格式的，如果要在RGB空间做运动检测，则需要进行从YUV空间到RGB空间的转换，而该转换运算为浮点型运算，运算量大； 原算法在RGB空间进行阴影处理时，需要做浮点型运算，进一步加大了运算量。 基于改进码本的车辆检测实现 对原算法进行改进，直接在YUV空间做运动检测及阴影处理，省去了大量的浮点型运算，提高了算法的效率。 检测步骤： （1）初始码本的建立 （2）前景运动目标检测 （3） 阴影和高亮问题的解决 （4）目标检测过程的码本实时更新 车辆跟踪方法的实现 基于Kalman 滤波的车辆跟踪 通过运动估计和目标匹配两个模块实现对车辆的跟踪。 利用前一帧获得的参数作为Kalman滤波的状态变量，当前帧获得的参数作为观测值，通过Kalman滤波推导获得估计值。 以估计值为中心进行目标匹配，如果能匹配上则认为是当前运动目标，如果匹配不上则认为出现了遮挡，使用Kalman对其位置进行预测。 算法步骤 Step1 背景模型训练，得到表示初始背景模型的码本。 Step2 输入像素点和码本做比较判断，得到可能的前景像素点，同时更新码本。 Step3 去除可能前景像素点中阴影和高亮区域，得到真实的前景点，同时更新码本。 Step4 去噪，连通区域分析，根据检测出的运动目标的长宽消除非车辆目标，将运动车辆分割出来。 Step5 使用卡尔曼滤波器预测车辆在下一帧中的可能位置。 Step6 在预测区域周围对各个车辆进行匹配跟踪。转Step2，进行下一轮跟踪。 夜晚车辆检测结果 普通路面检测结果 （a）序列某一帧 （b）混合高斯模型检测结果 （c）Bayes 决策检测结果 （d）本方法检测结果 高速公路检测结果 （a）序列某一帧 （b）混合高斯模型检测结果 （c）Bayes 决策检测结果 （d）本方法检测结果 跟踪结果 （a）序列第168帧跟踪结果（b）序列第182帧跟踪结果 （c）目标质心在x方向的坐标 （d）目标质心在y方向的坐标 跟踪结果与粒子滤波方法比较 （a）粒子滤波第40帧 （b）粒子滤波第60帧 （c）粒子滤波第88帧 （d）粒子滤波第100帧 跟踪结果与经典CamShift方法比较 （a）CamShift第40帧（b）CamShift第60帧 （c）CamShift第88帧 （d）CamShift第100帧 跟踪结果比较 （a）本文方法第40帧 （b）本文方法第60帧 （c）本文方法第88帧 （d）本文方法第100帧 车辆检测与跟踪 包括以下两方面内容： 基于码本更新的检测与跟踪方法 基于轮廓匹配的检测与跟踪方法 背景 传统视频检测车流量统计主要采用车辆检测和跟踪技术相结合的方法，算法复杂且容易受到外界干扰影响， 本文建立若干车辆遮挡模型，利用分层轮廓匹配法将运动目标与车辆遮挡模型进行轮廓匹配识别出遮挡车辆。为了提取运动目标完整外部轮廓，提出一种基于连通域的两轮扫描法来标记各个运动车辆，并利用YUV彩色空间对阴影进行检测和抑制，提高车流量统计精度。 一、基于连通域的两轮扫描法 通过背景减法得到运动区域后，各个运动目标可以认为是一个独立的连通域，本文采用基于连通域的两轮扫描法标记这些连通域，从而实现目标分割。 基于连通域的两轮扫描法 一、第一轮扫描 初步标记各个连通域。针对背景减法所得到的二值化图，按照从上向下，从左至右的顺序扫描各像素点，判断当前扫描点像素值是否为255,如果像素值为255，说明该点是运动像素点，接着判断该点邻近像素点是否已被标记以决定当前像素点标记值 ，当遇到第一个已被标记的邻近像素点，就将该像素点的标记值作为当前扫描像素点的标记值，若邻近像素点都未标记，说明该像素点可能属于一个新的目标块，赋予该像素点新的标记值。 基于连通域的两轮扫描法 二、第二轮扫描 第一轮扫描后可能存在同一连通域的像素点被标记成不同目标的情况，第二轮扫描将同一连通域内不同标记值的目标合并为一个目标。判断每个像素点标记值是否为0，如果为0，说明当前扫描点为背景像素点，则不予处理。反之进一步查询当前扫描点邻近像