(完整word版)【matlab代做】基于MATLAB的GMM和KDE核估计得目标跟踪仿真.doc

第一章 课题背景和研究意义 近年来，视频监控系统在各行业得到了广泛应用，生活中有小区、超市等的 安全监控，银行系统有柜台监控， 交通方面有违章监控等。 这些监控系统是由一 个或多个摄像机以及与 之相连的一套电视监视器组成的，它们的用途主要是对场 景的记录和保存，当异常情况， 比 如盗窃行为发生后，保安人员才通过记录的结 果察看发生的事情，但往往为时已晚。 视觉监视是指在一个繁忙环境中对人和车辆等进行实时的观察， 并给出对它们行为和动作的描述。这一技术包括了运动目标的检测、跟踪、目标分类和行为理解等方面，涉及到计算机视觉、模式识别和人工智能领域的许多核心课题，是一个具有挑战性的困难问题。 近年来随着集成电路和计算机技术的迅猛发展，视觉监视系统所要求的硬件设备成本大大降低，因此它获得了日益广泛的研究与应用。许多关于视觉监视的大规模研究项目已经在美国、欧洲和日本展开，同时它也成为许多国际学术会议关注的重要主题。运动目标检测与 跟踪处于整个视觉监视系统的最底层， 是各种后续高级处理如目标分类、 行为理解等的基础。运动目标检测系指从视频流中实时提取目标，一般是确定目标所在区域和颜色特征等。目标 检测的结果是一种“静态”目标——前景目标，由一些静态特征所描述。运动目标跟踪则指对目标进行连续的跟踪以确定其运动轨迹。我们通过为静止背景建模来检测前景点。具体的背景模型以 Stauffer 等提出的自适应混合高斯模型为蓝本，并对其作了部分改进以更好地处理实际背景发生变化的情形。算法中采用一种可靠的连通区域检测算法完成前景目标的分割。目标跟踪时则通过匹配目标的位置、大小、形状和颜色等特征，建立运动目标与前景目标间的对应关系。算法中考虑了跟踪中多个目标相互遮挡的问题，分析了几种可能结果并分别加以处理。我们还为运动目标引入了可靠性度量以使目标跟踪过程更加稳定和可靠。 在实际应用中，不包括运动物体的纯背景图像通常无法得到。而且， 由于场景光照变化、摄像机抖动等因素，背景不可能完全静止。因此，背景减法的难点主要不在于减运算，而在 于背景动态模型的维护与更新，即如何从获得的包含运动物体的视频序列中提取出背景。现有的以高斯分布为代表的单模态背景模型通常不能很好地描述室外场景，而混合高斯分布的多模态参数模型由于需要事先假定背景分布模型及需要进行模型参数估计和优化，也不适用 于密度分布未知的计算机视觉等应用系统。本文根据核密度估计理论，提出了 — 种基于多样性采样原理的背景核密度估计模型。通过多样性原理提取的样本保留了训练图像序列中的重 要信息，在背景的动态维护中不再需要保存和使用训练序列的全部数据。另外，由于非参数模型不需要假设背景的分布形式，可应用于更普遍的情形。 第 1 页 共 17 页 第二章 GMM 和 KDE 介绍 2.1 GMM 简介 GMM是一种利用一定数量的小高斯函数混合逼近某变量的概率密度函数的方法，是在概 率估计中常用的参数化模型，今年被广泛应用于模式识别领域。 一有限的 GMM的描述非常简单，即由高新分布函数的任何凸组合形成一混合模型。对于 n 维实空间的随机变量 x，利用 GMM可以近似的表示其概率密度函数： k p(x) hm N (x | um , m ) m 1 k 其中， hm 0 ，且 hm=1; N ( x |um , m ) 是均值为 um ，协方差维 m ；k 为高斯混合项个数。 m=1 2.1.1 高斯模型原理 高斯分布，也称为正态分布。是伟大的数学家高斯（ Gauss）与 1809 年在研究误差理论时推导出来的。对于随机变量 x，其概率密度为： ( x u ) 2 p(x,u, ) 1 e 2 2 2 其中 μ 为高斯分布的期望， σ 为高斯分布的方差。如果一组数据符合高斯分布，那么 这种数据中的大多数会集中在以 μ 为中心的 -2 σ 到 2 σ 范围内的这段区间里。 在实际中，尤其是对于室外的场景，由于各种噪声的干扰，其背景变化是比较大的，会 出现树枝摇动，光线变化等不同情况。因此用一个高斯分布就不能来完全描述实际的背景情况。这种情况下就需要采用多个高斯模型来描述动态的背景，为不同的状态建立不同的高斯模型。将 k 定义为建立的高斯模型的数目，那么当前观测点的像素值的概率密度为： k p(xt ) wi ,t p(xi,t , ui,t 1,k , i ,t 1,k ) i 1 在采集的视频图像中是包含彩色分量的，使用协方差的方法来进行计算，这种方法计算 量大但效果提升不高，不适合实时性的要求。因此，本算法中直接简化了这一过程，将彩色 图像转为灰度图的方法来进行高斯混合建模。根据场景的复杂程度，高斯模型的数量 k 可以 取值为 3~7 个， k 值越大，其能表征的场景就越复杂，但相