【正文】 擾主要有目標(biāo)的形狀變化、攝像機(jī)及目標(biāo)的運(yùn)動(dòng)和目標(biāo)所處的復(fù)雜背景等（李培華，2010）。對(duì)于目標(biāo)的二維跟蹤，從不同角度考慮可以按照多種方法進(jìn)行分類(lèi)。基于 Mean Shift的目標(biāo)跟蹤方法采用概率密度函數(shù)之間的相似性函數(shù)度量目標(biāo)和候選目標(biāo)之間的相似性，通過(guò)梯度下降算法推導(dǎo)出 Mean Shift 迭代方程從而實(shí)現(xiàn)目標(biāo)跟蹤?；谔卣鞯母櫡椒ㄍǔ０ㄌ卣魈崛∨c特征匹配兩個(gè)部分。而其難點(diǎn)在于，如果目標(biāo)遭受遮擋或者旋轉(zhuǎn)等情況，則運(yùn)動(dòng)目標(biāo)中的部分區(qū)域會(huì)消失，一些新區(qū)域也會(huì)出現(xiàn)，因此需要提取新情況下的目標(biāo)特征用以更新。另一類(lèi)是從灰度圖中直接提取角點(diǎn)的方法。由 Hu 提出的三階以下矩具備旋轉(zhuǎn)、縮放、平移（Rotation Scaling and Translation, RST）不變性的特點(diǎn)。利用紋理特征進(jìn)行圖像分割可以取得良好的效果，但是對(duì)于本身具備不同紋理的目標(biāo)，就需要對(duì)各個(gè)部分建立紋理特征。同利用其他特征的方法相比，基于模型的跟蹤方法能更充分利用目標(biāo)的特性，在復(fù)雜環(huán)境下具有顯著的優(yōu)勢(shì)。應(yīng)用 Adaboost 算法，首先需要對(duì)大量目標(biāo)圖片和背景圖片標(biāo)記后作為正負(fù)18樣本，經(jīng)過(guò)訓(xùn)練后得到目標(biāo)的模型，用于后續(xù)識(shí)別和跟蹤。Denzler et al(1995)與 Dubuisson et al(1995)利用該模型來(lái)檢測(cè)和跟蹤目標(biāo)。主動(dòng)輪廓模型分為兩類(lèi)：參數(shù)化主動(dòng)輪廓和短程線(xiàn)主動(dòng)輪廓。本章首先介紹了圖像處理相關(guān)的基礎(chǔ)知識(shí)，包括顏色空間、圖像預(yù)處理和形態(tài)學(xué)方法等；然后重點(diǎn)介紹了包括相鄰幀差、背景差分、光流法和邊緣檢測(cè)等的運(yùn)動(dòng)檢測(cè)方法，以及基于特征、基于模型、和基于主動(dòng)輪廓等的運(yùn)動(dòng)跟蹤方法。右子圖中，可以比較清晰地得到運(yùn)動(dòng)物體的輪廓。在差分圖像中，有很多“雪花”般的噪聲，這些是由于圖像局部的干擾造成的。此外，在場(chǎng)景中由于多個(gè)運(yùn)動(dòng)目標(biāo)的速度不一致也給時(shí)間間隔的選取帶來(lái)很大麻煩。前面已經(jīng)討論過(guò)相關(guān)問(wèn)題，因此，本文假設(shè)背景處于理想情況下進(jìn)行背景差分算法的研究。同時(shí)，使用背景差分算法檢測(cè)出的運(yùn)動(dòng)物體輪廓，比幀間差分法的檢測(cè)結(jié)果更清晰。前面提到的相關(guān)算法中，閾值的選取都是采用的靜態(tài)固定閾值。閾值法可以分為全局閾值法和局部閾值法兩種[9]?；静襟E如下：(1)選擇一個(gè)T的初始估計(jì)值(2)用T分割圖像。T=1/2(μ2+μ1)(5)重復(fù)步驟(2)到(4)，直到逐次迭代所得到的T值之差小于預(yù)先定義的參數(shù)。對(duì)車(chē)輛檢測(cè)進(jìn)行仿真時(shí)，由于車(chē)輛與背景面積相差較大，選用的初值就是最大灰度和最小灰度和的一半。數(shù)學(xué)形態(tài)學(xué)的主要用途是獲取物體拓?fù)浜徒Y(jié)構(gòu)信息。數(shù)字形態(tài)學(xué)在本文所涉及到的圖像處理中，主要作用包括利用形態(tài)學(xué)的基本運(yùn)算，對(duì)圖像進(jìn)行觀(guān)察和處理，從而達(dá)到改善圖像質(zhì)量的目的。(1)結(jié)構(gòu)元素結(jié)構(gòu)元素被形象的稱(chēng)為刷子或探針，是膨脹和腐蝕操作中最基本的組成部分。結(jié)構(gòu)元素的原點(diǎn)指定了圖像中需要處理的像素范圍，結(jié)構(gòu)元素?cái)?shù)值為1的點(diǎn)決定結(jié)構(gòu)元素的領(lǐng)域像素在腐蝕或膨脹操作是需要參與計(jì)算。膨脹操作會(huì)使物體的邊界向外擴(kuò)張，如果物體內(nèi)部存在小空洞的話(huà)，經(jīng)過(guò)膨脹操作這些洞將被補(bǔ)上，因而不再是邊界了。這里對(duì)每個(gè)結(jié)構(gòu)元素矩陣B指定一個(gè)原點(diǎn)origin?！　「g運(yùn)算X被B膨脹的定義為[10]： 這個(gè)公式表示用B膨脹X的過(guò)程是，相對(duì)B做關(guān)于中心像素的映射，在將其映射平移x，這里X與B映像的交集不為空集。圖33對(duì)各幀的腐蝕和膨脹(3)開(kāi)啟和閉合開(kāi)啟就是相對(duì)圖像進(jìn)行腐蝕，然后膨脹其結(jié)果。使用結(jié)構(gòu)元素B對(duì)集合X進(jìn)行開(kāi)啟操作，表示為，定義為 ： 使用結(jié)構(gòu)元素B對(duì)集合X進(jìn)行閉合操作，表示為，定義為[11]: 四、實(shí)驗(yàn)結(jié)果及分析本文著重研究了利用背景減法進(jìn)行目標(biāo)檢測(cè)在Matlab中的實(shí)現(xiàn)方法?？蓮囊韵聨讉€(gè)方面進(jìn)行未來(lái)的工作：561）小型化的 HOG 行人檢測(cè)方法有待提高。在提高檢測(cè)效率的前提下，有效降低 HOG 特征向量維數(shù)，減少計(jì)算量從而加快檢測(cè)速度，將是進(jìn)一步的研究重點(diǎn)。本文經(jīng)過(guò)如圖29所示的流程能夠達(dá)到如圖210所示的效果:圖41檢測(cè)過(guò)程結(jié)束語(yǔ)本文提出了一種新的動(dòng)態(tài)背景下的行人跟蹤算法，并且實(shí)現(xiàn)了一般靜態(tài)背景條件下的行人檢測(cè)與跟蹤。開(kāi)啟一般使對(duì)象的輪廓變得光滑，斷開(kāi)狹窄的間斷和消除細(xì)的突出物?？梢钥闯?，它包括X的所有范圍，就象X膨脹了一圈似的[12]。圖26顯示了實(shí)際上的腐蝕運(yùn)算，左邊是被處理的圖象X(二值圖象，針對(duì)的是黑點(diǎn))，中間是結(jié)構(gòu)元素B，那個(gè)標(biāo)有origin的點(diǎn)是中心點(diǎn)，即當(dāng)前處理元素的位置，右邊是腐蝕后的結(jié)果。通常設(shè)Ｘ為圖像矩陣，Ｂ為結(jié)構(gòu)元素矩陣，數(shù)學(xué)形態(tài)學(xué)運(yùn)算時(shí)，用Ｂ對(duì)Ｘ進(jìn)行操作。腐蝕操作會(huì)去掉物體的邊緣點(diǎn)，細(xì)小物體所有的點(diǎn)都會(huì)被認(rèn)為是邊緣點(diǎn)，因此會(huì)整個(gè)被刪去。本文使用33的結(jié)構(gòu)元素，經(jīng)開(kāi)運(yùn)算處理后，可提取出移動(dòng)物體。用這些算子及其組合來(lái)進(jìn)行圖像形狀和結(jié)構(gòu)的分析及處理，包括圖像分割、特征提取、邊界檢測(cè)、圖像濾波、圖像增強(qiáng)與恢復(fù)等方面的工作。其基本思想是：利用一個(gè)成為結(jié)構(gòu)元素的“探針”收集圖像信息?！⌒螒B(tài)學(xué)濾波由于刮風(fēng)、氣流等原因，背景中部分物體小幅度晃動(dòng)；光線(xiàn)的變化等不確定因素，會(huì)使得視頻圖像產(chǎn)生大量噪聲，當(dāng)差值圖像二值化后，仍然有很多無(wú)用的噪聲斑點(diǎn)。如果對(duì)象與背景所占的面積不相近時(shí)，則其中一個(gè)像素組合會(huì)在直方圖中占主要地位，平均灰度值就不是好的初始選擇。(3)對(duì)區(qū)域G1和G2中的所有像素計(jì)算平均灰度值μ1和μ2。如果在每個(gè)子塊中可以找到最佳閾值，就稱(chēng)這樣的的閾值確定方法為局部閾值法。所以，研究人員提出了許多閾值的選取方法?！￠撝档倪x取Surendra算法提取背景及目標(biāo)提取都需對(duì)圖像二值化。實(shí)驗(yàn)結(jié)果表明：背景差分算法也可以有效地檢測(cè)出運(yùn)動(dòng)目標(biāo)。但是背景差分算法也有其天然的缺陷，隨著時(shí)間的推移，場(chǎng)景的光線(xiàn)、樹(shù)葉的遮擋、或者運(yùn)動(dòng)物體滯留都會(huì)很大程度的破壞已經(jīng)建立好的背景圖像。使用幀間差分法，需要考慮如何選擇合理的時(shí)間間隔，這一般取決于運(yùn)動(dòng)目標(biāo)的速度。但是幀差法表示的是相鄰兩幀同位置的變化量，因此很有可能將比較大的運(yùn)動(dòng)目標(biāo)，或者運(yùn)動(dòng)目標(biāo)內(nèi)部顏色差異不大的像素判斷錯(cuò)誤，在實(shí)體內(nèi)部產(chǎn)生拉伸、空洞現(xiàn)象[8]。XXX三、設(shè)計(jì)內(nèi)容基于幀間差分的運(yùn)動(dòng)檢測(cè)即幀差法，它根據(jù)相鄰幀或隔幀圖像間亮度變化的大小來(lái)檢測(cè)運(yùn)動(dòng)目標(biāo)，幀間差分公式如下：　　　　　　　Di(x,y)=Ii(x,y)－Ii1(x,y) Ii(x,y)，Ii1(x,y)為前后兩幀圖像，幀差分運(yùn)動(dòng)檢測(cè)只針對(duì)前景區(qū)域進(jìn)行，運(yùn)動(dòng)檢測(cè)公式如下，其中T為門(mén)限值。而短程線(xiàn)主動(dòng)輪廓能夠自動(dòng)處理曲線(xiàn)運(yùn)動(dòng)中的結(jié)構(gòu)變化，而不需要外界條件控制，在多個(gè)非剛性運(yùn)動(dòng)目標(biāo)的跟蹤中表現(xiàn)更好。輪廓線(xiàn)在內(nèi)部力、外部力和約束力的共同作用下，自動(dòng)地向目標(biāo)輪廓移動(dòng)，滿(mǎn)足能量最小要求的曲線(xiàn)就是最終得到的目標(biāo)輪廓。Adaboost 算法在不同訓(xùn)練集上分別訓(xùn)練得到若干弱分類(lèi)器，將這些弱分類(lèi)器根據(jù)錯(cuò)誤率分配權(quán)重，經(jīng)過(guò)若干次迭代后進(jìn)行組合得到最終的強(qiáng)分類(lèi)器。這種方法比較適宜對(duì)具有線(xiàn)外表的物品進(jìn)行跟蹤，因?yàn)檫@類(lèi)物品容易建立線(xiàn)框模型。 基于模型的跟蹤方法基于模型的跟蹤方法正受到越來(lái)越多的關(guān)注，其研究進(jìn)展也不斷深入。但是不變矩需要對(duì)所有像素點(diǎn)灰度值用于計(jì)算，對(duì)應(yīng)運(yùn)算量太大，難以滿(mǎn)足實(shí)時(shí)跟蹤的要求。在檢測(cè)到新圖像中的角點(diǎn)后，將其同原有角點(diǎn)按照一定方法進(jìn)行匹配，再按照匹配策略刪除誤配對(duì)角點(diǎn)就得到了最后的匹配結(jié)果。大體上角點(diǎn)檢測(cè)方法可分為兩類(lèi)：一類(lèi)是基于輪廓邊界的方法。常見(jiàn)的特征匹配方法有角點(diǎn)匹配，不變矩匹配，紋理匹配等。目標(biāo)跟蹤算法的分類(lèi)方法眾多，難以盡數(shù)列舉，所以本文僅介紹如下幾種常用方法。根據(jù)數(shù)學(xué)工具的不同，大致可以分為基于理論的目標(biāo)跟蹤方法、基于均值漂移（Mean Shift）的目標(biāo)跟蹤方法和基于偏微分方程的目標(biāo)跟蹤方法。前者一般需要多攝像機(jī)以獲得目標(biāo)在三維世界中的姿態(tài)，而后者致力于單目攝像機(jī)對(duì)圖像平面中的目標(biāo)進(jìn)行跟蹤。在視覺(jué)跟蹤中，跟蹤的目標(biāo)是圖像中提取的目標(biāo)特征，如果在每一幀圖像中特征的位置或形狀都能被準(zhǔn)確確定，則物體能被很好地跟蹤。常用到的邊緣檢測(cè)方法有 Robert 算子、Sobel 算子、Laplace 算子等。光流法能夠獨(dú)立檢測(cè)運(yùn)動(dòng)目標(biāo)，而不需要場(chǎng)景的預(yù)設(shè)信息，并且能夠檢測(cè)動(dòng)態(tài)場(chǎng)景下的運(yùn)動(dòng)情況。（1）基于梯度的方法梯度可以用于光流計(jì)算，由于其更為簡(jiǎn)單的計(jì)算過(guò)程和相對(duì)較好的實(shí)驗(yàn)結(jié)果，這類(lèi)方法得到了廣泛的應(yīng)用。物體運(yùn)動(dòng)時(shí)其表面像素點(diǎn)的亮度也隨之運(yùn)動(dòng)，在視頻圖像中表現(xiàn)為光流，對(duì)應(yīng)圖像中產(chǎn)生的瞬時(shí)速度場(chǎng)就是光流場(chǎng)。每一種背景像素的值都可以通過(guò)多個(gè)高斯分布的加權(quán)和來(lái)描述。一般認(rèn)為，背景至少可以在 50%的時(shí)間