【正文】 as a set of image sequences, in accordance with requirements of the target model, realtime images to determine the location of the target process. It initially attracted the concern of the military has gradually been applied to televisionguided bombs, fire control systems for military preparation. Moving target tracking sensor is taken through the image sequence analysis, to calculate the target image in each frame position. It is the core of puter vision system is a bination of image processing, pattern recognition, artificial only and the results of automatic control in areas such as advanced hightech issues in the aerospace, control, biomedical and robotics fields, etc. There are widely used. Thus, it is necessary to study the tracking of moving targets. In this paper, the image of the singletarget tracking problem, research the target detection method is mainly based on interframe difference and background removal method to detect the target in preparation for target tracking. Template matching tracking algorithm is: the smallest mean square error function (MES), the smallest mean absolute difference function (MAD) and the maximum matching pixel statistics (MPC) of the tracking algorithm. In the tracking process, due to the relative camera movement with the goal, the goal of vision may occur in size, shape, gesture, such as changes in the external environment bined with the various kinds of interference, as well as over time, to track where the goals and objectives scene changes have taken place, it is possible to track the target is lost. In order to ensure the stability and tracking accuracy, the need for adaptive template image update. Since the goal of movement must be the law of the forecast track could take to improve the tracking precision, this article uses the square of the linear prediction method and prediction method. Analysis of the relevant matching algorithm to track the tracking accuracy and 西北工業(yè)大學 本科畢業(yè)設(shè)計論文 3 speed。其實質(zhì)是通過對傳感器獲取的圖像序列進行分析，得到目標在每幀圖像中的位置、速度及加速度等特征參數(shù)。尤其是遮擋和陰影問題，它們普遍存在于現(xiàn)實環(huán)境中，嚴重影響跟蹤算法的可靠性和適用性。 [2] 針對不同的研究對象 有不同的跟蹤算法，主要有以下幾種跟蹤算法： 1) 基于特征的跟蹤 為了實現(xiàn)目標跟蹤，沒有必要跟蹤整個目標區(qū)域，只要跟蹤目標的某些顯著特征，就可以實現(xiàn)對整個運動目標的跟蹤。 Polana 將每個行人用一個矩形框封閉起來，封閉框的質(zhì)心被選作跟蹤的特征，在跟蹤過程中，如果兩人出現(xiàn)相互遮擋的情況，只要能區(qū)分質(zhì)心的速度，就能成功地完成人體跟蹤。其不足是要求獨立而準確地初始化邊界，而這在實際應用中往往很難實現(xiàn)。由于它只利用 圖像間的灰度相關(guān)性作為區(qū)域相似性的判斷依據(jù)，對幾何和灰度畸變十分敏感，光照強度變化或目標運動姿態(tài)發(fā)生變化等都將對算法產(chǎn)生較大的影響，計算量偏大。光流方法又分局部光流法和全局光流法，局部光流法能夠準確的反映出運動邊緣處的運動信息，但是對于圖像中的弱紋理區(qū)域不敏感；全局光流法能夠得到每個像素處的光流，但是對于運動邊界處的光流變化不敏感。 第二章 主要研究了幀間差分法、時間差分法和背景去除法及算法和各自的適用范圍。在實際應用中，運動目標的提取通常不是采用單一的檢測算法，而是對某一算法進行改進或是綜合運用幾種算法以求達到更好的效果。時間差分檢測法對于運動環(huán)境具有較強的自適應性，但一般不能完全提取出所有相關(guān)區(qū)域的像素點，在運動實體中容易產(chǎn)生空洞現(xiàn)象。 檢測算法及概述 運動目標檢測就是對包含運動信息的圖像序 列進行適當?shù)靥幚?，從而去除靜止的背景，檢測出運動目標及其攜帶的運動信息，并對這些運動信息進行整合，得到關(guān)鍵參數(shù)，為視覺系統(tǒng)的后續(xù)階段提供可靠的數(shù)據(jù)源。目前，研究人員已經(jīng)在這方面做了大量的研究，提出了許多方法。 ????????TyxF or e g r oundTyxB ac k gr ou ndyx DDRkkk ),(1 ),(0),(39。 [9] 一般時間間隔依賴于所監(jiān)視的物體的運動速度。這種方法檢測運動目標仍然存在不完整問題 Lipton 等利用兩幀差分法從實際視頻圖像中檢測出運動目標，進而用于目標的分類與跟蹤；一個改進的方法是利用三幀差分來代替兩幀差分，如 VSAM 使用一種自適應背景減除與三幀差分相結(jié)合的混合算法；為了提高差分法的性能，Jain 提出了累積圖像差分法 . 西北工業(yè)大學 本科畢業(yè)設(shè)計論文 11 幀間差分法其主要優(yōu)點是：算法實現(xiàn)簡單、復雜度低、實時性高，由于相鄰幀的時間間隔較短，對場景光照的變化不太敏感， 受陰影的影響也不是很大，時間差分法對動態(tài)環(huán)境有較好的適應性。在理想情況下，即背景圖像是完全靜止的，而且具有運動目標的圖像除了運動區(qū)域的像素值發(fā)生了變化，其余屬于背景的部分保持不變。 在實際應用中，場景中的背景很復雜，存在各種各樣的干擾，而且背景隨著時間不斷變化，所以適用于整個圖像序列的理想背景是不存在的，因此使用背景去除法的主要困難在于背景模型的 建立和維護。主要有基于統(tǒng)計的模型（高斯模型）和基于預測的方法（卡爾曼濾波、維納濾波等）。當場景中有獨立的運動目標時，通過光流分析可以確定運動目標的數(shù)目、運動速度、目標距離和目標的表面結(jié)構(gòu)。如果圖像中沒有運動目標，則光流矢量在整個圖像區(qū)域是連續(xù)變化的，當物體和圖像背景存在相對運動時，運動物體所形成的速度矢量必然和背景速度矢量不同，從而檢測出運動物體的位置。由于孔徑問題的存在，使得僅通過光流約束方程而不用其他信息是無法計算圖像中某點的光流，為此人們提出了各種方法來克服這一問題。然而在實際應用中，由于遮擋性、多光源和噪聲等原因，使得光流約束方程的灰度守恒假設(shè)條件得不到滿足，不能求解出正確的光流場；并且光流場與運動場并不一一對應，如球體在攝像機前面繞中心軸旋轉(zhuǎn)，其明暗模式并不隨著表面運動，此時光流在任意地方都等于零，而運動場卻不為零；若球體不動，光源運動，則光流場不為零，而運動場卻等于零。在機器視覺研究領(lǐng)域里，隨著技術(shù)不斷發(fā)展，自動目標跟蹤 (ATR)越來越受到研究者的重視，具有廣闊的應用前景。 本章首先在第二節(jié)中概括介紹目標跟蹤的幾種方法。這種方法包含了目標識別和目標匹配兩部分?，F(xiàn)有的目標跟蹤方法有下面三類 :基于特征匹配的跟蹤方法、基于區(qū)域匹配的跟蹤算法、基于模型匹配的跟蹤算法。在特征提取中要選擇適當?shù)母櫶卣?，并且在下一幀圖像中提取特征 。除了用單一的特征來實現(xiàn)跟蹤外，還可以采用多個特 征信息綜合在一起作為跟蹤特征，來提高跟蹤的效果。在連續(xù)的圖像中有多種區(qū)域信息，例如顏色特征、紋理特征等等。該方法將人體看作由頭、軀干、四肢等身體部分所對應的小區(qū)域塊的聯(lián)合體，通過分別跟蹤各個小區(qū)域塊最終完成對整個人體的跟蹤。 Jgrea 等人提出的區(qū)域跟蹤算法不僅利用了分割結(jié)果來給跟蹤提供信息，同時也能利用跟蹤所提供的信息改善分割效果，把連續(xù)幀的目標匹配起來達到跟蹤目標的目的。目前有兩種可變性模型 :一種是自由式的可變形模型，主要滿足一些簡單的約束條件 (連續(xù)性、平滑性等 )用來跟蹤任意形狀的運動目標。所提取的目標特征必須在環(huán)境變化、目標自身變化或者運動改變時，仍然能夠?qū)⑦\動目標描述出來。 (4) 圖像的代數(shù)特征，如圖像矩陣的奇異值分解等。利用圖像的邊緣特征搜索匹配算法等。同時，由于模板和每一幅待匹配圖像都有不同的灰度值，所以閉值也會很難選定。為了克服這個問題，可以對待匹配圖像和模板作邊緣處理，這么做是因為當圖像中像素點相關(guān)時，兩副圖像的相關(guān)性實際是集中在它們的邊緣信息上的。跟蹤 100 張連續(xù)的序列圖像， NC 算法 秒，及 秒每張。這一過程就是不斷地根據(jù)模板圖像與搜索場景圖像的相關(guān)結(jié)果來自適應更新模板圖像。這樣對應像素距離測度的圖像匹配跟蹤算法得不到絕對最佳的匹配位置 , 存在匹配誤差是必然的。因此對模板圖像進行合理的更新和修 正是圖像匹配跟蹤的關(guān)鍵。如果當前幀圖像匹配質(zhì)量很差 , 則該幀圖像數(shù)據(jù)不進人模板圖像的修正而若當前禎圖像匹配質(zhì)量很好或比較好時 , 則該幀圖像數(shù)據(jù)進人模板圖像的修正。經(jīng)過中心位置加權(quán)的匹配能提高相關(guān)峰的陡峭度，較好地克服目標的小范圍畸變，以及目標邊緣被部分遮擋的情況。 線性組合法 根據(jù)目標的短時平穩(wěn)性運動規(guī)律 和場景變化的特點，可把目標識別模板看成一個 m 階馬爾可夫信號。 最佳模板替換法 這里所說的最佳模板是指在一定幀間隔范圍內(nèi)，與目標識別模板匹配最好的目標圖像區(qū)域 。 圖 41模板更新示意圖 軌跡預測 根據(jù)目標在運動過程中具有軌跡連續(xù)性的 特點，利用目標過去的位置信息預測當前位置，然后在預測點周圍一定范圍內(nèi)進行匹配，這樣既能減少計算量，也能排除其它物體對跟蹤的影響，保證匹配的可靠性；另一方面，當目標的背景快速變化、視場內(nèi)有其它遮擋物出現(xiàn)時，會造成目標被短暫遮擋從而短時消失，若西北工業(yè)大學 本科畢業(yè)設(shè)計論文 29 干秒后又正常復出，按照正常的跟蹤策略，跟蹤過程中就會出現(xiàn)目標丟失而導致系統(tǒng)紊亂，如果采用預測跟蹤處理技術(shù)，預測出目標在下一步可能的位置，等到目標再次出現(xiàn)時，仍可對其進行穩(wěn)定跟蹤而不至于丟失目標。如用 k 2,k1 以及 k 幀的位置去求取 k+1 幀的位置，即用過去三幀的位置（ N=3 的情況）預測下一幀的位置 ， 按 上述 的 表示 方 法 有 1 1t? ， 2 2t? ， 3 3t? 以及 1( ) ( 2)f f kt ??，西北工業(yè)大學 本科畢業(yè)設(shè)計論文 30 2( ) ( 1)f f kt ??， 3( ) ( )f f kt ? ，對于 k+1 幀而言，相當于 t=4 的情況，故求取k+1 幀的位置為： ^0 1 1 0 1( ( 1 ) / ) 4kkkf a a t a a?? ? ? ? ? （ 49） 將上述 it 及 ()ift 的值分別代入（ 4－ 5）和（ 4－ 6）可求出 0a ， 1a 的值，然后將 其代入（ 47）式可得： ^ 1( ( 1 ) / ) [ 4 ( ) ( 1 ) 2 ( 2) ]3k k f k f k f kf ? ? ? ? ? ? （ 410） 上式就是三點線性預測的公式，當 N 取不同的整數(shù)值時可構(gòu)成不同的預測器，如下表所示： N 的取值 ^ (( 1)/ )kkf ? 2 2 ( ) ( 1) _f k f k?? 3 1 [ 4 ( ) ( 1 ) 2 ( 2 ) ]3 f k f k f k? ? ? ? 4 1 [ 2 ( ) ( 1 ) ( 3 ) ]2 f k f k f k? ? ? ? 5 1 [ 8 ( ) 5 ( 1 ) 2 ( 2 ) ( 3 ) ( 4 ) ]10