1、基于視覺的運動目標分析是指對視頻中的運動目標進行檢測、識別和跟蹤,并理解與分析目標行為,它在視頻監(jiān)控、機器人技術、圖像檢索、圖像壓縮等研究領域有著重要應用。其中,運動目標檢測與跟蹤是目標行為理解與分析的基礎。因此,對基于視覺的運動目標檢測和跟蹤算法的研究具有重要意義。該文就運動目標分析系統(tǒng)中運動目標檢測與跟蹤等問題展開研究,主要研究成果如下:
　　 (1)針對當背景差分圖像呈現(xiàn)多峰特性時,閾值分割方法的目標檢測效果不理想的問題,

2、提出了一種背景差分與邊緣檢測相結合的運動目標檢測算法。首先提出一種基于改進的灰預測模型白化響應的圖像邊緣檢測算法,該算法以圖像考察點附近的若干像素點值作為建模數(shù)據(jù),通過引入調整參數(shù)p的GM(1,1,x(1))模型對原圖像進行預測處理,得到原始圖像的預測圖像,通過對預測圖像與原始圖像做差實現(xiàn)圖像的邊緣檢測。最后利用改進的邊緣檢測方法檢測目標差分圖像的邊緣,進而實現(xiàn)運動目標檢測。
　　 (2)將基于區(qū)域的方法與基于邊界的方法相結合,

3、提出了一種兩階段運動目標跟蹤算法。第一階段采用Mean Shift結合GM(1,1)預測模型來定位目標初始區(qū)域,該算法優(yōu)化了原始GM(1,1)模型的初始條件與背景值,將改進GM(1,1)預測模型的預測值作為下一幀Mean Shift算法的迭代位置,減少了Mean Shift算法的迭代次數(shù),并將多尺度圖像信息量度量方法引入到目標跟蹤中,從而實現(xiàn)跟蹤窗口的自適應變化;第二階段采用基于Mumford-Shah模型的改進水平集方法進一步演化目標

4、輪廓,從而得到更加精確的目標邊界。
　　 (3)針對傳統(tǒng)Mean Shift算法在復雜環(huán)境、動態(tài)場景及目標發(fā)生機動或存在遮擋的情況下跟蹤效果不理想的缺點,提出了一種基于改進Mean Shift與自適應預測的運動目標跟蹤算法。該算法首先利用目標的顏色和梯度兩種特征改進Mean Shift算法,然后通過監(jiān)測Bhattacharyya系數(shù)的變化切換濾波器。當目標正常運動時,利用α-β-γ濾波器預測下一幀圖像Mean Shift算法的起