【正文】 用到 對 高機(jī)目標(biāo) 運(yùn)動(dòng)進(jìn)行 跟蹤 [10]。前者為典型的均值漂移方法，后者可由卡曼爾濾波來證實(shí)，在下一個(gè)視頻幀里，準(zhǔn)確預(yù)測目標(biāo)移動(dòng)軌跡是節(jié)約尋找目標(biāo)時(shí)間和在搜索窗口內(nèi)匹配預(yù)測目標(biāo) 所不可缺少的一步。當(dāng)用有效的跟蹤方法通過所述濾波處理控制并重新配置流動(dòng)性高的移動(dòng)目標(biāo)。 課題研究的意義和目的 由于復(fù)雜的視頻跟蹤背景圖像對檢測有著很大的影響 ，造成人們對運(yùn)動(dòng)檢測變得十分困難 。 如今的濾波器向功率損耗少處理數(shù)據(jù)穩(wěn)定對計(jì)算機(jī)內(nèi)存空間占用率小，產(chǎn)品價(jià)格更加低廉等方向發(fā)展。人們?nèi)找嬲J(rèn)識到視頻跟蹤技術(shù)已成為科學(xué)技術(shù)研究和實(shí)際應(yīng)用中不可缺少的技術(shù)之一。 Tracking quality。在文中使用過程中還要考慮目標(biāo)所在的運(yùn)動(dòng)狀態(tài)。 編號 ： 本科畢業(yè)設(shè)計(jì)（論文） 題目：（中文） 基于低通濾波的高機(jī)動(dòng)性視頻目標(biāo)跟蹤 （英文） Enhanced Lowpass Filter Based Vide Predictive Tracking for Target withHigh Mobility 學(xué) 院 專 業(yè) 班 級 學(xué) 號 姓 名 指導(dǎo)教師 職稱 完成日期 寧波大學(xué) 信息 學(xué)院 本科畢業(yè)設(shè)計(jì)（論文） I 摘 要 【 摘要 】 在預(yù)測目標(biāo)移動(dòng)狀態(tài)過程中，應(yīng)用濾波法是常用的技術(shù)手段?；谶@種情況，則需要在級數(shù)中加入線性項(xiàng)和慣性項(xiàng)算法，這兩種算法分別代表高機(jī)性和非高機(jī)性兩種狀況。 Kalman filter。在計(jì)算機(jī)視覺研究中引起眾多研究者的極大興趣技術(shù)之一的就是視頻跟蹤技術(shù)，由 于人們對跟蹤技術(shù)不倦的探索，其主要原因在于兩個(gè)方面：在一方面 計(jì)算和存儲(chǔ)成本顯著下降，視頻速率或使所述的視頻圖像序列采集和存儲(chǔ)速率成為可能 ；在另一方 面，視頻跟蹤技術(shù)具有非常廣闊的市 場前景，這也是 研究者對其探索的主要 動(dòng)力 [2]。到了若干年后，濾波器的性能已經(jīng)大大地優(yōu)化，不同應(yīng)用型的濾波器被廣泛地開發(fā)出來，高效率性能的濾波器被人們用于各種產(chǎn)品研發(fā)。 人們?yōu)榱烁恿私饽繕?biāo)對象跟蹤相關(guān)知識，使用不同的方法對目標(biāo)進(jìn)行跟蹤并提出了一些見解。檢驗(yàn)給定視頻序列的跟蹤情況，從而達(dá)到預(yù)測跟蹤的目的 [7]。然而， 以內(nèi)核數(shù)據(jù)驅(qū)動(dòng)的跟蹤策略 為基礎(chǔ)的 如 meanshift并不具有預(yù)測能力 [9]。 卡爾曼濾波相比，低通濾波能夠顯著地改善整體的預(yù)測精確度，但是目標(biāo)突然改變運(yùn)動(dòng)方向時(shí)，低通濾波的預(yù)測能力不如卡爾曼濾波。在 本文 中通過 將低通濾波 與 kalman比較，對 其局限性 和缺點(diǎn)作出了討論 。 在 20世紀(jì)，計(jì)算機(jī)編程繁瑣且負(fù)擔(dān)重，在計(jì)算機(jī)軟件方面經(jīng)驗(yàn)豐富的美國大學(xué)計(jì)算機(jī)系的主任克斯，以減輕學(xué)生編程的負(fù)擔(dān)為目的，設(shè)計(jì)了最早的 MATLAB， 使學(xué)生們的編程過程大大簡化。同時(shí) MATLAB還可以 提供了十分豐富的數(shù)值計(jì)算函數(shù)和工具包。當(dāng)目標(biāo)處于高機(jī)動(dòng)性狀態(tài)時(shí)，根據(jù)目標(biāo)的運(yùn)動(dòng)速度變化，運(yùn)用低通濾波進(jìn)行檢測， 檢測到所給定的目標(biāo)高機(jī)動(dòng)變化根據(jù)運(yùn)動(dòng)情況則要重新配置 濾波來實(shí)現(xiàn)預(yù)測跟蹤 ，所以加入 慣性項(xiàng)可以實(shí)現(xiàn)在線設(shè)置以適應(yīng)目標(biāo)機(jī)動(dòng)性的變化情況。 三、 對目標(biāo)進(jìn)行圖像處理，用低通濾波進(jìn)行預(yù)測跟蹤 四、 分析預(yù)測跟蹤結(jié)果，并與卡爾曼濾波進(jìn)行比較，找出其中的優(yōu)缺點(diǎn)。對于低頻信號 ，則采用電感地租，電容高阻讓其通過。因此，文中設(shè)定目標(biāo)小球像素低于 45，即為低頻信號。 當(dāng)目標(biāo)速度突變可能影響預(yù)測估計(jì)的結(jié)果，比如：目標(biāo)在前一時(shí)刻的速度為 v，由于受到某因素的阻礙銳減為 0。在離散領(lǐng)域里，使用低通濾波，可參照公式（ 2），在離散域內(nèi)，可推導(dǎo)如下 2 2( ) 2 ( 1 ) ( 2 )() c k c k kck h? ? ? ??? (6) 同樣的， 2 2( 1 ) 2 ( 2 ) ( 3 )( 1 ) c k c k c kck h? ? ? ? ?? ? ? (7) 然后利用方程（ 2）將速度 V(K+1)進(jìn)行不斷的疊加計(jì)算。在這種情況下，速度沒有發(fā)生突變或僅僅有一些微小變化時(shí)，對于預(yù)估速度變化時(shí)，在 這個(gè) 過程中線性項(xiàng)起到主導(dǎo)作用 ，這基于加強(qiáng)型低通濾波算法的高機(jī)動(dòng)性視頻目標(biāo)跟蹤 些變化 在公 式（ 2） 中得以體現(xiàn) 。 圖像的處 理 由于光線，目標(biāo)運(yùn)動(dòng)遭到阻礙等影響運(yùn)動(dòng)因素的影響，在采集圖像中經(jīng)常會(huì)有噪聲的出現(xiàn)， 這些噪聲會(huì)直接影響所有的圖像分析，為了得到良好的預(yù)測結(jié)果，則 需要用二值化方法處理一下 實(shí)驗(yàn) 收集到 的圖像。因此，處理過后的圖像 占有 的計(jì)算 空間小， 能夠?qū)ζ溥M(jìn)行快速 處理，并且 還可以使用泰勒級數(shù)等進(jìn)運(yùn)算 。 圖像分析 如上圖所示，通過處理后的圖像，可以看出目標(biāo)小球清晰的運(yùn)動(dòng)軌跡，上方黑色小點(diǎn)連成的運(yùn)動(dòng)軌跡，其軌跡就是預(yù)測所要參考的真實(shí)軌跡。黑色小球在水平方向以恒定的速度穿過圖像場景，在垂直方向因重力作用自由落下。 低通濾波的預(yù)測跟 蹤 如圖（ a）顯示，圖中表示低通濾波預(yù)測跟蹤效果。圖 3顯示出，在所有的跟蹤獨(dú)立的點(diǎn)處，速度的變化也達(dá)到它位置的最高處。 對應(yīng)于圖 2（ a）和（ b）， 4（ a）和（ b） 顯示： 六個(gè) 拐彎 點(diǎn) 處的 效果比之前改善了很多 。圖（ a）和（ b）給出的預(yù)測跟蹤效果 ， 在第三撞擊點(diǎn) 周圍 ，圖（ a）基于加強(qiáng)型低通濾波算法的高機(jī)動(dòng)性視頻目標(biāo)跟蹤 顯示出了在沒有設(shè)置加權(quán) 因子低通濾波器所預(yù)測后擊球的跟蹤位置。此外，卡爾曼濾波可用于對隨機(jī)變量信號進(jìn)行預(yù)估，由于其中有一套完整的公式，卡爾曼還可以預(yù)測修正預(yù)估。這些優(yōu)點(diǎn)也使卡爾曼濾波器被廣泛應(yīng)用于實(shí)時(shí)估計(jì)和預(yù)測目標(biāo) 。 假設(shè)通過 Kalman 來建立一個(gè)隨機(jī)動(dòng)態(tài)系統(tǒng)模型，并可以由它來描述兩個(gè)方程，對這 兩種方程，也就是，預(yù)測（更新時(shí)間） 狀態(tài) 方程和校正（更新測量）測量 方程。在此， 將 當(dāng)前 預(yù)測 狀態(tài)方程再加上已經(jīng)估算好的 誤差及方差 結(jié)果 ， 來預(yù)測 下一時(shí)刻 目標(biāo)所處狀態(tài)的估計(jì)值 。 ()xSk和 ()ySk是在兩個(gè)方向的速度 。 W 和 V的協(xié)方差假定為 ? ? ? ? ? ? ? ?1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1TTTTQ ??? ??和 ? ? ? ?0 .2 0 0 0 .2TTR ??? ??，其中上標(biāo)“ T”表示矩陣轉(zhuǎn)柱 。從圖中看到方程還需進(jìn)行適當(dāng)?shù)男拚?也就是即使將新的方法摻入進(jìn)去，預(yù)測點(diǎn)得到很大的改善， 然而 預(yù)測點(diǎn)仍明顯地滯后于真實(shí)點(diǎn)。與由卡爾曼濾波器來預(yù)測相比，低通濾波預(yù)測下一刻的目標(biāo)運(yùn)動(dòng)以及預(yù)測軌跡更接近所對應(yīng)的真實(shí)運(yùn)動(dòng)軌跡。在本文中設(shè)計(jì)的低通通濾波，來改善預(yù)測跟蹤精確度，特別是預(yù)測跟蹤高速移動(dòng)的目標(biāo)。 評估實(shí)驗(yàn)中的 跟蹤質(zhì)量 ，可以用 絕對誤差 來解釋 ，其定義為 寧波大學(xué) 信息 學(xué)院 本科畢業(yè)設(shè)計(jì)（論文） 17^11 ( ) ( )N yyKM A R c k c kN???? 出于考慮，在最初的時(shí)刻，即在迭代算法和不利影響時(shí)，預(yù)測結(jié)果對初始狀態(tài)很敏感。 基于加強(qiáng)型低通濾波算法的高機(jī)動(dòng)性視頻目標(biāo)跟蹤 4 結(jié)論 實(shí)驗(yàn)的流程圖 開始 輸入原始圖像 圖像二值化處理 摻入線性和慣性項(xiàng)的低通濾波算法 檢測當(dāng)前目標(biāo)位置以及目標(biāo)運(yùn)動(dòng)狀況 下一時(shí)刻速 度是否突變？ 采用慣性項(xiàng)迭代計(jì)算預(yù)測目標(biāo)位置 采線性性項(xiàng)迭代計(jì)算預(yù)測目標(biāo)位置 預(yù)測下一時(shí)刻目標(biāo)運(yùn)動(dòng)位置 加入卡爾曼濾波共同進(jìn)行跟蹤 輸出比較結(jié)果 是 否 寧波大學(xué) 信息 學(xué)院 本科畢業(yè)設(shè)計(jì)（論文） 19 程序運(yùn)行結(jié)果 低通濾波單獨(dú)預(yù)測軌跡的殘差 兩種濾波共同預(yù)測軌跡與真實(shí)軌跡間的殘差 基于加強(qiáng)型低通濾波算法的高機(jī)動(dòng)性視頻目標(biāo)跟蹤 僅帶低通濾波的預(yù)測跟蹤 實(shí)驗(yàn)最終顯示結(jié)果圖：兩種濾波同時(shí)預(yù)測并以真實(shí)軌跡做參照的最終結(jié)果 最 終分析及結(jié)論 根據(jù)結(jié)果圖可看出，在大部分跟蹤過程來看（除幾個(gè)地面撞擊點(diǎn)外）本文設(shè)計(jì)的加強(qiáng)型的低通濾波的跟蹤效果大大優(yōu)于卡爾曼濾波， 因此，低通濾波比卡爾曼濾波 具有更好的運(yùn)動(dòng)目標(biāo) 預(yù)測能力 。小球運(yùn)動(dòng)狀態(tài)可分為兩個(gè)狀態(tài)，即線性狀態(tài)與慣性狀態(tài)。 本文加入了卡爾曼濾波對目標(biāo)小球的跟蹤， 在 程序設(shè)計(jì) 過程中 突出兩種濾波的優(yōu)缺點(diǎn)，特將低通與卡爾曼融入一體共同實(shí)現(xiàn)對運(yùn)動(dòng)小球的跟蹤。文中探究了卡爾曼濾波，在跟蹤領(lǐng)域當(dāng)中人們最常用的濾波之一。此外，該濾波器并不具有噪聲抑制功能，這一點(diǎn)跟 卡爾曼濾波 一樣?；蛟S這兩種濾波仍不滿足完美的意愿，可嘗試尋找更加優(yōu)良的濾波實(shí)現(xiàn)精確的目標(biāo)跟蹤。感謝陳老師在百忙中抽出大量時(shí)間來指導(dǎo)論文，時(shí)刻監(jiān)督論文的進(jìn)度，及時(shí)指出論文的錯(cuò)誤，確保論文的順利完成。最后，感謝各位答辯老師對我論文的評審對論文的不足之處提出寶貴的批評和意見。,39。 dt=。,[0,dt,0,1]39。 C=[[1,0]39。]。 R_act=[[r11_act,0]39。 r22_kf=。 P_post = 10*eye(4)。 X_trk_lpf=zeros(num_of_frm,4)。 MAR_y=zeros(num_of_frm,1)。 alpha2=。,int2str(i), 39。))。.bmp39。 end figure(1) clf imshow(Im) pause(tm) Imwork = double(Im)。 plot(cx(i)+c,cy(i)+r,39。) end pause(tm) cx_noise(i)=cx(i)。 end if i4 [y_hatk] = lpfilter_forCCDC11_LPF(cy_noise(i1),cy_noise(i2), 基于加強(qiáng)型低通濾波算法的高機(jī)動(dòng)性視頻目標(biāo)跟蹤 cy_noise(i3), cy_noise(i4), cy_noise(i1), cy_noise(i2), vy_noise(i1), alpha1, beta1)。 else X_prio= A*X_post(i1,:)39。 + Q。 X_post(i,:) = (X_prio + K*([cx_noise(i),cy_noise(i)]39。 [cx_noise(i),cy_noise(i)]。]。 figure(5) plot(542cy,39。) hold on plot(542X_trk_lpf(:,2),39。,39。) xlabel(39。 KFLPF predicted trajectory39。Frame39。ro39。Residual between true and LPF predicted trajectory39。 基于加強(qiáng)型低通濾波算法的高機(jī)動(dòng)性視頻目標(biāo)跟蹤 flag=0 % subtract background amp。erode39。 stats = regionprops(labeled,39。 if N 1 return end % get center and radius of the object. centroid = 。 flag = 1。 。 。 %% Learning rate tried 。 。 vyk = vyk_min_1 + A*dvyk + B*dvyk_min_1。s largest virgin forest, and known for its spring and ecological environment, Arxan is marveled at by many tourists as the purest land on earth. You cannot miss out the Autumn of Arxan. It is definitely the best with brightlycolored scenery full of emotions. Autumn in the northern part of the country es earlier than the South. A September rain followed by the footprints of Au