| 【中文题名】 | 人体运动目标跟踪的研究 |
| 【英文题名】 | The Research of Tracking of Human Motion |
| 【学科专业】 | 信号与信息处理 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-7-23 |
| 【中关键词】 | 背景模型,运动物体检测,人体识别,运动跟踪,卡尔曼滤波器, |
| 【英关键词】 | background model,motion object detection,human recognition,human motion tracking,Kalman filter, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>计算技术、计算机技术>计算机的应用>信息处理(信息加工)>模式识别与装置 |
| 【论文摘要】 |
本文通过研究YUV空间中背景模型及前景检测的特点,提出了递推形式的背景模型构造算法,利用背景差分的方法,把运动目标检测出来,并利用人体在运动时具有的独特形体特征,以及根据场景的先验知识,构造了准确高效的人体识别算法,并使用组合的方法来防止卡尔曼滤波器的发散问题,在长序列图像中能够准确地跟踪人体的运动状态。本文构建的自动人体运动目标跟踪系统,对从一台固定的摄像机采集的视频序列图像进行处理与分析,能够检测和跟踪人体的运动。通过室外实际采集的几个视频序列进行检验,本文的算法能够正确地检测并且跟踪人体的运动,所以本文提出的算法具有很强的实用性。 |
| 【论文题纲】 |
|
中文摘要 |
3 |
|
英文摘要 |
3-6 |
|
第一章 引言 |
6-11 |
|
1.1 选题背景及其意义 |
6-7 |
|
1.2 国内外研究动态 |
7-10 |
|
1.3 本文主要研究内容 |
10-11 |
|
第二章 构建背景模型 |
11-23 |
|
2.1 图像预处理 |
11-14 |
|
2.1.1 邻域均值滤波 |
11 |
|
2.1.2 中值滤波 |
11-12 |
|
2.1.3 维纳滤波 |
12-13 |
|
2.1.4 滤波实验对比 |
13-14 |
|
2.2 运动目标检测的基本方法 |
14-18 |
|
2.2.1 光流计算法 |
15-16 |
|
2.2.2 帧间差分法 |
16-17 |
|
2.2.3 背景减除法 |
17-18 |
|
2.3 背景模型的建立 |
18-20 |
|
2.3.1 背景模型的概念 |
18 |
|
2.3.2 传统背景模型的建立 |
18-19 |
|
2.3.3 本文中背景模型的建立 |
19-20 |
|
2.4 色彩空间的选取 |
20-21 |
|
2.5 实验结果与分析 |
21 |
|
2.6 小结 |
21-23 |
|
第三章 运动目标检测 |
23-30 |
|
3.1 背景差分处理 |
23-24 |
|
3.2 数学形态学处理 |
24-26 |
|
3.2.1 膨胀 |
24-25 |
|
3.2.2 腐蚀 |
25-26 |
|
3.2.3 开运算和闭运算 |
26 |
|
3.3 检测所遇问题的处理 |
26-27 |
|
3.3.1 影子的消除 |
26-27 |
|
3.3.2 噪声的消除 |
27 |
|
3.3.3 空洞的填充 |
27 |
|
3.4 背景模型的更新 |
27-28 |
|
3.5 小结 |
28-30 |
|
第四章 目标分割与人体识别 |
30-34 |
|
4.1 连通区域检测 |
30-31 |
|
4.2 人体区域识别 |
31-32 |
|
4.3 实验结果与分析 |
32-33 |
|
4.4 小结 |
33-34 |
|
第五章 人体运动目标的跟踪 |
34-51 |
|
5.1 人体运动状态估计 |
34 |
|
5.2 卡尔曼滤波理论 |
34-44 |
|
5.2.1 滤波理论基础 |
34-35 |
|
5.2.2 卡尔曼滤波器的特点 |
35-36 |
|
5.2.3 离散型卡尔曼滤波 |
36-37 |
|
5.2.4 卡尔曼滤波发散的原因和抑制 |
37-44 |
|
5.2.4.1 衰减记忆法滤波 |
38-39 |
|
5.2.4.2 平方根滤波 |
39-43 |
|
5.2.4.3 联合使用平方根滤波和衰减记忆滤波 |
43-44 |
|
5.3 卡尔曼滤波在人体运动跟踪中的应用 |
44-47 |
|
5.4 实验结果与分析 |
47-49 |
|
5.5 小结 |
49-51 |
|
第六章 讨论与总结 |
51-53 |
|
参考文献 |
53-56 |
|
致谢 |
56-57 |
|
在学期间发表的学术论文和参加科研情况 |
57 |
|
| 【DOI】 | LunWen.ID:2.2008.367879 |
