基于MPM-MAP框架的運動目標分割與跟蹤.pdf

1、運動目標分割與跟蹤在軍事、氣象、地質、商業(yè)傳媒等很多領域都有著廣泛的應用，是模式識別、圖像處理、計算機視覺等領域的重要課題。本文首先對運動目標分割與跟蹤的研究現(xiàn)狀進行了分析與總結，介紹了該領域現(xiàn)有的研究方法，取得的成就以及存在的問題。 本文采用最大后驗邊緣概率(MPM—MAP)算法實現(xiàn)運動目標分割，MPM—MAP算法是在最大后驗概率(MAP)圖像分割算法的基礎上發(fā)展而來的。這類算法既能估計運動參數(shù)，又能分割出運動目標，具有結果準

2、確，適應廣泛的特點。MPM—MAP算法在形式上明確了通過兩步估計運動參數(shù)和運動目標所對應的區(qū)域(支持區(qū))；采用二值標記場表示支持區(qū)，從而使計算簡化。該算法比MAP算法和期望最大化(EM)算法更靈活，速度更快。 本文從MAP運動分割算法入手，詳細介紹了MPM—MAP算法的理論框架，還分析了MPM—MAP算法與MAP算法及EM算法的區(qū)別。在此基礎上本文對該框架中的數(shù)據(jù)平滑算法——基于馬爾可夫隨機場(MRF)模型的算法進行了改進。改進

3、后的算法利用MPM—MAP算法中的二值標記表示法，統(tǒng)一更新圖像標記場數(shù)據(jù)，通過均值濾波器實現(xiàn)MRF能量函數(shù)的計算，在保持算法平滑效果的同時提高了MRF算法的運行速度。 傳統(tǒng)的MPM—MAP算法雖然運行速度比相近的MAP算法和EM算法有較大提高，但仍存在一些缺點。如缺乏有效的運動目標數(shù)和初始運動參數(shù)的估計方法；常采用的估計運動參數(shù)的最優(yōu)化方法依賴于初值，對目標函數(shù)要求可導等。MRF平滑方法雖然效果很好，但用于迭代過程中時，即使是快

4、速算法仍然運行時間較長。 針對以上缺點，本文提出了以下改進方法。本文改變了MPM—MAP算法中數(shù)據(jù)平滑項的定義，定義平滑項為運動目標備選像素的密度，選擇備選像素密度最大的矩形區(qū)域為運動支持區(qū)。采用區(qū)域收縮算法實現(xiàn)圖像平滑、去除噪聲，該算法不僅可以消除噪聲，還可以對運動目標定位并計算運動目標的特征矩形。區(qū)域收縮算法相對MRF算法具有運行速度快的優(yōu)勢。除可以用于支持區(qū)估計結果上，區(qū)域收縮算法也可以用于差分二值圖像，本文采用連通區(qū)域包

5、圍盒與區(qū)域收縮算法相結合的方法估計初始支持區(qū)，將傳統(tǒng)算法先假設運動參數(shù)再估計運動支持區(qū)的順序改為先估計支持區(qū)后估計運動參數(shù)，提高了初始參數(shù)估計的準確性。 本文選擇運動模型為6參數(shù)仿射模型。在區(qū)域收縮算法的基礎上，本文提出一種基于矩形區(qū)域主軸的軸仿射模型。該模型通過矩形區(qū)域的兩個主軸估計仿射運動參數(shù)，其優(yōu)點主要有以下幾點。一是在不影響運動參數(shù)估計準確性的前提下提高了運動估計的速度；二是使仿射運動參數(shù)具有明確的幾何意義，容易確定一個

6、初始參數(shù)的范圍，使參數(shù)估計的最優(yōu)化算法除傳統(tǒng)的基于梯度的方法及隨機最優(yōu)化方法外，可以使用搜索類的算法。本文選擇一種較新的取值有界的最優(yōu)化算法—DIRECT算法實現(xiàn)運動參數(shù)的估計。該算法不要求目標函數(shù)可導，也不用假設初值。所以，軸仿射運動模型與DIRECT算法的結合提高了參數(shù)估計的準確性、穩(wěn)定性和魯棒性。 本文對上述算法與模型進行了詳細介紹。最后，本文將上述算法應用于運動目標跟蹤。本文的跟蹤算法采用矩形表示法，基于區(qū)域收縮的MPM