【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(xué) 本科畢業(yè)設(shè)計(jì)論文 3 speed。其實(shí)質(zhì)是通過對傳感器獲取的圖像序列進(jìn)行分析，得到目標(biāo)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(shí)環(huán)境中，嚴(yán)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(shí)現(xiàn)目標(biāo)跟蹤，沒有必要跟蹤整個目標(biāo)區(qū)域，只要跟蹤目標(biāo)的某些顯著特征，就可以實(shí)現(xiàn)對整個運(yùn)動目標(biāo)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(dú)立而準(zhǔn)確地初始化邊界，而這在實(shí)際應(yīng)用中往往很難實(shí)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(qiáng)度變化或目標(biāo)運(yùn)動姿態(tài)發(fā)生變化等都將對算法產(chǎn)生較大的影響，計(jì)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(zhǔn)確的反映出運(yùn)動邊緣處的運(yùn)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(yùn)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(shí)間差分法和背景去除法及算法和各自的適用范圍。在實(shí)際應(yīng)用中，運(yùn)動目標(biāo)的提取通常不是采用單一的檢測算法，而是對某一算法進(jìn)行改進(jìn)或是綜合運(yùn)用幾種算法以求達(dá)到更好的效果。時(shí)間差分檢測法對于運(yùn)動環(huán)境具有較強(qiáng)的自適應(yīng)性，但一般不能完全提取出所有相關(guān)區(qū)域的像素點(diǎn)，在運(yùn)動實(shí)體中容易產(chǎn)生空洞現(xiàn)象。 檢測算法及概述 運(yùn)動目標(biāo)檢測就是對包含運(yùn)動信息的圖像序 列進(jìn)行適當(dāng)?shù)靥幚?，從而去除靜止的背景，檢測出運(yùn)動目標(biāo)及其攜帶的運(yùn)動信息，并對這些運(yùn)動信息進(jìn)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(shí)間間隔依賴于所監(jiān)視的物體的運(yùn)動速度。這種方法檢測運(yùn)動目標(biāo)仍然存在不完整問題 Lipton 等利用兩幀差分法從實(shí)際視頻圖像中檢測出運(yùn)動目標(biāo)，進(jìn)而用于目標(biāo)的分類與跟蹤；一個改進(jìn)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(yīng)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(xué) 本科畢業(yè)設(shè)計(jì)論文 11 幀間差分法其主要優(yōu)點(diǎn)是：算法實(shí)現(xiàn)簡單、復(fù)雜度低、實(shí)時(shí)性高，由于相鄰幀的時(shí)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(shí)間差分法對動態(tài)環(huán)境有較好的適應(yīng)性。在理想情況下，即背景圖像是完全靜止的，而且具有運(yùn)動目標(biāo)的圖像除了運(yùn)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(shí)際應(yīng)用中，場景中的背景很復(fù)雜，存在各種各樣的干擾，而且背景隨著時(shí)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(hù)。主要有基于統(tǒng)計(jì)的模型（高斯模型）和基于預(yù)測的方法（卡爾曼濾波、維納濾波等）。當(dāng)場景中有獨(dú)立的運(yùn)動目標(biāo)時(shí)，通過光流分析可以確定運(yùn)動目標(biāo)的數(shù)目、運(yùn)動速度、目標(biāo)距離和目標(biāo)的表面結(jié)構(gòu)。如果圖像中沒有運(yùn)動目標(biāo)，則光流矢量在整個圖像區(qū)域是連續(xù)變化的，當(dāng)物體和圖像背景存在相對運(yùn)動時(shí)，運(yùn)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(yùn)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(jì)算圖像中某點(diǎn)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(shí)際應(yīng)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(yùn)動場并不一一對應(yīng)，如球體在攝像機(jī)前面繞中心軸旋轉(zhuǎn)，其明暗模式并不隨著表面運(yùn)動，此時(shí)光流在任意地方都等于零，而運(yùn)動場卻不為零；若球體不動，光源運(yùn)動，則光流場不為零，而運(yùn)動場卻等于零。在機(jī)器視覺研究領(lǐng)域里，隨著技術(shù)不斷發(fā)展，自動目標(biāo)跟蹤 (ATR)越來越受到研究者的重視，具有廣闊的應(yīng)用前景。 本章首先在第二節(jié)中概括介紹目標(biāo)跟蹤的幾種方法。這種方法包含了目標(biāo)識別和目標(biāo)匹配兩部分。現(xiàn)有的目標(biāo)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(dāng)?shù)母櫶卣鳎⑶以谙乱粠瑘D像中提取特征 。除了用單一的特征來實(shí)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(yīng)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(shí)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(biāo)匹配起來達(dá)到跟蹤目標(biāo)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(yùn)動目標(biāo)。所提取的目標(biāo)特征必須在環(huán)境變化、目標(biāo)自身變化或者運(yùn)動改變時(shí)，仍然能夠?qū)⑦\(yùn)動目標(biāo)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(shí)，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?yàn)楫?dāng)圖像中像素點(diǎn)相關(guān)時(shí)，兩副圖像的相關(guān)性實(shí)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(yīng)更新模板圖像。這樣對應(yīng)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(jìn)行合理的更新和修 正是圖像匹配跟蹤的關(guān)鍵。如果當(dāng)前幀圖像匹配質(zhì)量很差 , 則該幀圖像數(shù)據(jù)不進(jìn)人模板圖像的修正而若當(dāng)前禎圖像匹配質(zhì)量很好或比較好時(shí) , 則該幀圖像數(shù)據(jù)進(jìn)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(biāo)的小范圍畸變，以及目標(biāo)邊緣被部分遮擋的情況。 線性組合法 根據(jù)目標(biāo)的短時(shí)平穩(wěn)性運(yùn)動規(guī)律 和場景變化的特點(diǎn)，可把目標(biāo)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(biāo)識別模板匹配最好的目標(biāo)圖像區(qū)域 。 圖 41模板更新示意圖 軌跡預(yù)測 根據(jù)目標(biāo)在運(yùn)動過程中具有軌跡連續(xù)性的 特點(diǎn)，利用目標(biāo)過去的位置信息預(yù)測當(dāng)前位置，然后在預(yù)測點(diǎn)周圍一定范圍內(nèi)進(jìn)行匹配，這樣既能減少計(jì)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(dāng)目標(biāo)的背景快速變化、視場內(nèi)有其它遮擋物出現(xiàn)時(shí)，會造成目標(biāo)被短暫遮擋從而短時(shí)消失，若西北工業(yè)大學(xué) 本科畢業(yè)設(shè)計(jì)論文 29 干秒后又正常復(fù)出，按照正常的跟蹤策略，跟蹤過程中就會出現(xiàn)目標(biāo)丟失而導(dǎo)致系統(tǒng)紊亂，如果采用預(yù)測跟蹤處理技術(shù)，預(yù)測出目標(biāo)在下一步可能的位置，等到目標(biāo)再次出現(xiàn)時(shí)，仍可對其進(jìn)行穩(wěn)定跟蹤而不至于丟失目標(biāo)。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(yù)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(xué) 本科畢業(yè)設(shè)計(jì)論文 30 2( ) ( 1)f f kt ??， 3( ) ( )f f kt ? ，對于 k+1 幀而言，相當(dāng)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(diǎn)線性預(yù)測的公式，當(dāng) N 取不同的整數(shù)值時(shí)可構(gòu)成不同的預(yù)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