基于特征点的运动目标跟踪技术研究

运动目标跟踪技术是计算机视觉领域中的一个研究热点,目前该技术在军事、民用等领域中都得到了广泛的应用,但运动目标跟踪技术仍存在如抗外界遮挡能力有限、跟踪稳定性不高等问题。一直以来,研究一种鲁棒性好、抗干扰能力强、跟踪精度高的运动目标跟踪方法是众多研究人员奋斗的目标。 首先,本文研究了基于特征点的运动目标跟踪算法原理和方法,包括各种特征点提取算法和基于最优估计的KLT匹配算法。由于SIFT算法则能够得到稳定性比较好、抗噪能力比较强的特征点,因此本文提出了基于SIFT算法和KLT匹配算法相结合的运动目标跟踪算法,为减少耗时,本文对SIFT算法进行了优化处理,针对直接根据特征点分布确定运动目标位置准确程度不高问题,本文提出利用基于主动轮廓模型的Greedy算法实现对运动目标准确定位。实验结果表明：和KLT算法相比,本文算法的稳定性得到了提高,确定的运动目标位置更加准确。 其次,本文深入研究运动目标的稳定跟踪问题。首先,本文提出了特征点更新准则实现对特征点的及时更新,解决了特征点随着目标姿态大幅度旋转而逐渐减少问题；其次,本文提出了基于颜色直方图Bhattacharyya系数的目标遮挡发生判断条件和动态模板库建立准则,动态模板库的建立为运动目标重新识别提供了丰富的模板信息；最后,针对目标受到遮挡后其运动轨迹难以预测问题,本文将提出一种新的跟踪策略,通过不断扩大搜索区域,将运动目标的运动、灰度以及颜色等多个特征融合来实现对运动目标的重新识别。实验表明：和卡尔曼滤波算法相比,本文算法对运动目标是否作线性运动没有要求,因此本文算法具有更为广阔的应用前景。 最后,本文还研究了Horn-Schunck微分光流检测算法实现对运动区域的自动检测,同时研究了ISODATA算法实现对运动区域的聚类,为得到相对完整的运动目标区域,本文中又结合了基于主动轮廓模型的Greedy算法来对聚类得到的运动区域进行轮廓提取。此外,本文还根据实验室的实际条件搭建了一套运动目标跟踪系统。最终实验结果表明：本文提出的运动目标自动检测方法能够得到相对完整的运动目标区域。