【正文】 實(shí)時(shí)性要求，同時(shí)由于采用假設(shè)的局限性使得光流法對(duì)噪聲特別敏感， 很容易產(chǎn)生錯(cuò)誤的結(jié)果，這些缺點(diǎn)造成光流法與實(shí)際使用之間還存在著很大的距離。 1997 年美國(guó)國(guó)防高級(jí)研究項(xiàng)目署設(shè)立了以卡內(nèi)基梅隆大學(xué)為首、麻省理工學(xué)院等高校參與的視頻監(jiān)控重大項(xiàng)目 VSAM(Visual Surveillance and Monitoring)， VSAM 的目標(biāo)是為未來(lái)城市和市場(chǎng)監(jiān)控應(yīng)用開(kāi)發(fā)一種自動(dòng)視頻理解技術(shù)，用于實(shí)現(xiàn)未來(lái)戰(zhàn)爭(zhēng)只能夠人力監(jiān)控，費(fèi)用昂貴，非常危險(xiǎn)或者人力無(wú)法實(shí)現(xiàn)等場(chǎng)合下的監(jiān)控。 國(guó)內(nèi)這方面的研究較晚。模式識(shí)別實(shí)驗(yàn)室還與英國(guó)雷丁大學(xué)、法國(guó)波爾多第三大學(xué) EGID 研究所等多所國(guó)外研究機(jī)構(gòu)就相關(guān)項(xiàng)目的研究進(jìn)行交流與合作。例如，沿街拍攝一系列的水平圖像，處理后構(gòu)成類(lèi)似清明上河圖的長(zhǎng)街景觀，可應(yīng)用于網(wǎng)上虛擬旅游、數(shù)字地圖等場(chǎng)合。主要困難之一在于實(shí)時(shí)性的要求。例如，A． Majumder 等人提出一種精心設(shè)計(jì)的攝像機(jī)組，各攝像機(jī)間保持虛擬的公共 7 投影中心，從而所有視頻幀可以通過(guò)簡(jiǎn)單算法進(jìn)行配準(zhǔn)；同時(shí)這種特制的結(jié)構(gòu)可以在一定程度上避免視差，無(wú)需額外的修正算法。在各種感覺(jué)中，視覺(jué)則是對(duì)人的智力產(chǎn)生影響的最重要的感覺(jué)，它是人的主要感覺(jué)來(lái)源，人類(lèi)接受的 80%外界信息來(lái)自視覺(jué)。讓機(jī)器像人一樣具有視覺(jué)是人類(lèi)的一個(gè)夢(mèng)想， 機(jī)器擁有視覺(jué)功能對(duì)世界產(chǎn)生的影響怎么估計(jì)大概都不為過(guò)。 計(jì)算機(jī)視覺(jué)既是工程領(lǐng)域，也是科學(xué)領(lǐng)域中的一個(gè)富有挑戰(zhàn)性的重要研究領(lǐng)域。由于它的重要性，一些先進(jìn)國(guó)家，例如美國(guó)把對(duì)計(jì)算機(jī)視覺(jué)的研究列為對(duì)經(jīng)濟(jì)和科學(xué)有廣泛影響的科學(xué)之一，并把它作為工程中的重大基本問(wèn)題，即所謂的重大挑戰(zhàn)。作為一門(mén)學(xué)科，計(jì)算機(jī)視覺(jué)開(kāi)始于60年代初，但在計(jì)算機(jī)視覺(jué)的基本研究中的許多重要進(jìn)展是在 80 年代取得的。其基本任務(wù)可簡(jiǎn)述為在視頻序列中對(duì)感興趣的目標(biāo)或?qū)ο蟮奈恢玫冗\(yùn)動(dòng)特征進(jìn)行有效的確定和估計(jì)。圖像采集通過(guò)攝像機(jī)捕獲監(jiān)視場(chǎng)景的 光學(xué)圖像，采用視頻卡和視頻檢測(cè)技術(shù)，并通過(guò) A/D轉(zhuǎn)換將視頻信號(hào)轉(zhuǎn)換成數(shù) 字圖像序列，為視頻圖像處理提供數(shù)據(jù)。而非剛 9 體是指外形能夠變化的物體，如細(xì)胞、動(dòng)物、人等，對(duì)這類(lèi)目標(biāo)一種通常的方法是采用 變形模板進(jìn)行 跟蹤；另外根據(jù)所使用的傳感器種類(lèi)的不同，可以將目標(biāo) 跟蹤 問(wèn)題分為由 CCD 攝像頭獲得的可見(jiàn)光圖像的目標(biāo)跟蹤和由紅外傳感器獲得的紅外圖像的目標(biāo)跟蹤，這兩種類(lèi)型的圖像跟蹤分別在不同的情況下使用，通常的自然環(huán)境條 件 下，白天使用可見(jiàn)光圖像進(jìn)行目標(biāo)跟蹤，而晚上則使用紅外圖像進(jìn)行目標(biāo)跟蹤，如果將二者所獲得的圖像進(jìn)行融合處理，則 _般可以得到比單一傳感器信息更多的圖像，從而極大地提高檢測(cè)和跟蹤運(yùn)動(dòng)目標(biāo)的 能力 [6]。 在此期間，主要工作如下： （ 1）系統(tǒng)學(xué)習(xí)了計(jì)算機(jī)視覺(jué)理論知識(shí)； （ 2）學(xué)習(xí)目標(biāo)跟蹤的基本理論和主要方法； （ 3） 重點(diǎn)研究了 Meanshift 算法以及粒子濾波算法，深入理解算法的理論體系； （ 4）基于（ 3）的研究，復(fù)現(xiàn)了兩種算法并在全景視頻中進(jìn)行了實(shí)驗(yàn)比對(duì)。作為本文主要內(nèi)容之一，該章對(duì)Meanshift 的算法原理做了詳細(xì) 分析 ，并通過(guò)實(shí)驗(yàn)，對(duì)算法性能做了深入分析和總結(jié)。總結(jié)了全文的主要工作及 展望 進(jìn)一步的研究方向。 Meanshift 的最初含義正如其名，就是偏移的均值向量，它最早是由 Fukunaga等人在 1975年的篇關(guān)于概率密度梯度函數(shù)的估計(jì)的文章中提出來(lái)的，在這里， Meanshift 只是一個(gè)簡(jiǎn)單的表示向量的名詞。 以下是獲得反向投影圖的代碼： image = cvCreateImage( cvGetSize(frame), 8, 3 )。 hist = cvCreateHist(1,amp。 cvSplit(HSV,Hue,0,0,0)。 cvCalcBackProject(amp。i++) for(int j=。j=+width； j++) { M10+=i*I(i,j)。 跟蹤實(shí)驗(yàn) 上面介紹了 Mean shift 跟蹤算法的理論部分，本節(jié)中將通過(guò)兩組有代表性的實(shí)驗(yàn)對(duì)跟蹤效果進(jìn)行分析。 圖 1. 2 Meanshift 跟蹤第一組 14 圖 1. 3 Meanshift 跟蹤第一組 第二組實(shí)驗(yàn)是當(dāng)被跟蹤的人已經(jīng)走過(guò)門(mén)時(shí)開(kāi)始跟蹤，可以看到跟蹤可以實(shí)時(shí)進(jìn)行并且效果良好 。 Meanshift 算法采用的是無(wú)參的概率密度估計(jì)，避開(kāi)了有參估計(jì)中存在的一些問(wèn)題，原理簡(jiǎn)單，易于實(shí)現(xiàn)。本質(zhì)上，粒子濾波是一種序貫蒙特卡洛方法，用來(lái)解決遞歸貝葉斯過(guò)濾問(wèn)題，它結(jié)合了強(qiáng)大的蒙特卡洛抽樣技術(shù)與貝葉斯推理。粒子濾波沒(méi)有特定條件的限制，當(dāng)粒子的數(shù)量足夠多時(shí)，這些粒子可以很好地逼近后驗(yàn)概率分布。在許多情況下，非線性和非高斯型在物體的運(yùn)動(dòng)和相似性建模上會(huì)得到一個(gè)難以處理的濾波分布。一個(gè)粒子集包含了被追蹤物體最有可能處于的方位。 隨后介紹了粒子濾波跟蹤算法的詳細(xì)過(guò)程 。根據(jù)貝葉斯估計(jì)理論，已知系統(tǒng)的先驗(yàn)概率分布，在獲取到新的觀測(cè)值后，可以遞推估計(jì)出系統(tǒng)狀態(tài)的后驗(yàn)概率分布 p(Xk|Z1:k)，其中 Z1:k = *Z1,Z2,…Zk+。方程式（ 23）和（ 24）表達(dá)的預(yù)測(cè)和更新步驟構(gòu)成了整個(gè)貝葉斯?fàn)顟B(tài)估計(jì)的基礎(chǔ) [8]。 于是提出了重要性采樣的方法， 其思想是： 從一個(gè)已知的并且易于采樣的分布 π (X)（稱(chēng)為重要性密度函數(shù)）中獲得粒子，如果重要性分布函數(shù)滿(mǎn)足 p(X) ∝ π (X)，通過(guò)對(duì)重要性密度函數(shù)采樣粒子點(diǎn)的加權(quán)來(lái)近似 π (X0:k|Z1:k)[9]。 2）搜索階段 掌握目標(biāo)的特征后，我們就可以放出探測(cè)粒子去獲得不同位置的顏色信息，在此根據(jù)重要性采樣原則選用在上一幀得到的目標(biāo)附近按照高斯分布播撒粒子，即靠近目標(biāo)的地方粒子密度大，遠(yuǎn)離目標(biāo)的地方粒子密度小。 4）重采樣階段 由于在播撒粒子的過(guò)程中，有些粒子的的權(quán)重很小，為了避免在這些權(quán)重小的粒子上面進(jìn)行不必要的計(jì)算需要進(jìn)行重采樣過(guò)程，也就是把權(quán)值低于閾值的粒子去掉，在權(quán)值高的粒子附近增加粒子，這樣不僅可以避免不必要的計(jì)算，而且還能更準(zhǔn)確的跟蹤目標(biāo)。同時(shí)粒子濾波算法通過(guò)多個(gè)粒子去擬合目標(biāo)的真實(shí)狀態(tài)，而且 特征模型中同時(shí)考慮了 H、 S、 V三個(gè)因素，從而當(dāng) 背景 目標(biāo)顏色相近時(shí) ，依然能夠準(zhǔn)確地跟蹤到 。 27 4 總結(jié) 及展望 目標(biāo)跟蹤是計(jì)算機(jī)視覺(jué)的核心研究課題之一，融合了圖像處理、模式識(shí)別、人工智能、自動(dòng)控制等相關(guān)領(lǐng)域的研究成果，在視頻監(jiān)控、機(jī)器人導(dǎo)航、視頻傳輸、視頻檢索、醫(yī)學(xué)圖像分析、氣象分析等許多領(lǐng)域有著廣泛的應(yīng)用，因此具有重要的理論意義和廣泛的實(shí)用價(jià)值?？梢哉f(shuō)目標(biāo)就是由顏色、紋理、結(jié)構(gòu)等各種特征組成的，然而，目前已用的目標(biāo)特征仍然無(wú)法完 成一些目標(biāo)的跟蹤任務(wù)。目前，大多算法都只能完成滿(mǎn)足一定條件的場(chǎng)景中的跟蹤任務(wù)。在合肥工業(yè)大學(xué)學(xué)習(xí)的四年里，求學(xué)過(guò)程雖說(shuō)艱苦但也不乏快樂(lè)。 能夠進(jìn)入合工大這所高等學(xué)府學(xué)習(xí)，我要感謝我的父母辛苦培育，是他們?cè)谖?很小的時(shí)候就對(duì)我諄諄教誨，是他們讓我知道了知識(shí)的重要性，沒(méi)有他們的辛勤奉獻(xiàn)就沒(méi)今日的我。在這里再次感謝余老師和李新縣學(xué)長(zhǎng)的無(wú)私幫助。 if (!image) { image = cvCreateImage( cvGetSize(frame), 8, 3 )。 Value= cvCreateImage( cvGetSize(frame), 8, 1 )。hranges,1)。 //響應(yīng)鼠標(biāo)函數(shù)的回調(diào)函數(shù) cvCopy( frame, image, 0 )。 // 設(shè)置感興趣區(qū)域 ROI cvCalcHist( amp。 cvConvertScale( histbins,histbins, 31 max_val ? 255/ max_val : 0, 0)。 //畫(huà)直方圖到圖像空間 for( i = 0。 j++。 } = +。Hue,BackProjectImage,hist)。 cvShowImage(hist,histimg)。 } //鼠標(biāo)函數(shù) void my_mouse_callback(int event,int x, int y, int flags, void *param) 32 { if (!image) return。 case CV_EVENT_LBUTTONDOWN: //開(kāi)始點(diǎn)擊選擇跟蹤物體 { track_object = 0。 //1表明開(kāi)始進(jìn)行選取 } break。amp。break。 //跟蹤打開(kāi) } break。 select_object = 0。 box = cvRect (x,y,0,0)。 = 。 //每幀之間間隔 40ms if (c == 27)break。 draw_box(image,box)。 track_object = 1。 CvScalar color = hsv2rgb(i*)。 i++ ) { if (int(cvGetReal1D(histbins,i))!=0) { Bin_Piexl[j].bin =i。 // 移除感興趣區(qū)域 ROI cvZero(histimg)。 // 得到選擇框內(nèi)的直方圖 cvGetMinMaxHistValue(hist,0,amp。 //將image圖像由 BGR模式轉(zhuǎn)換為 HSV模式 cvSplit(HSV,Hue,0,0,0)。 //直方圖圖像 cvZero(histimg)。 //分配反向投影圖空間，大小一樣，單通道 hist = cvCreateHist(1,amp。 HSV= cvCreateImage( cvGetSize(frame), 8, 3 )。 作者：賈志遠(yuǎn) 2021 年 5 月