【正文】 ed Vide Predictive Tracking for Target withHigh Mobility摘 要【摘要】在預(yù)測(cè)目標(biāo)移動(dòng)狀態(tài)過(guò)程中，應(yīng)用濾波法是常用的技術(shù)手段。在文中使用過(guò)程中還要考慮目標(biāo)所在的運(yùn)動(dòng)狀態(tài)。 Tracking quality。人們?nèi)找嬲J(rèn)識(shí)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。如今的濾波器向功率損耗少處理數(shù)據(jù)穩(wěn)定對(duì)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。 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(duì)檢測(cè)有著很大的影響，造成人們對(duì)運(yùn)動(dòng)檢測(cè)變得十分困難。當(dāng)用有效的跟蹤方法通過(guò)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)。前者為典型的均值漂移方法，后者可由卡曼爾濾波來(lái)證實(shí)，在下一個(gè)視頻幀里，準(zhǔn)確預(yù)測(cè)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(cè)目標(biāo)所不可缺少的一步。為了改善預(yù)測(cè)的精確度，在視頻預(yù)測(cè)跟蹤目標(biāo)中，有一種新的方法：設(shè)計(jì)低通并將其運(yùn)用到對(duì)高機(jī)目標(biāo)運(yùn)動(dòng)進(jìn)行跟蹤[10]。測(cè)試后顯示：所推薦的低通濾波器比卡爾曼濾波器的預(yù)測(cè)跟蹤效果更加準(zhǔn)確，因此低通濾波器可以作為預(yù)測(cè)跟蹤的另一種選擇。它具有簡(jiǎn)單、容易使用較強(qiáng)的處理能力和很好的圖形處理能力等優(yōu)勢(shì)。MATLAB系統(tǒng)大體上是由開發(fā)環(huán)境、數(shù)學(xué)函數(shù)庫(kù)、語(yǔ)言、圖形處理系統(tǒng)和應(yīng)用程序接口五大部分組成。由于運(yùn)動(dòng)目標(biāo)具有非高機(jī)動(dòng)性和高機(jī)動(dòng)性兩種情況，因此設(shè)計(jì)出的低通濾波器分別采用線性項(xiàng)和慣性項(xiàng)方法對(duì)目標(biāo)進(jìn)行預(yù)測(cè)跟蹤。二、 低通濾波的設(shè)計(jì)，針對(duì)研究方向做一些相關(guān)的改進(jìn)。2 高機(jī)動(dòng)性目標(biāo)識(shí)別與跟蹤 低通濾波原理低通濾波器原理比較簡(jiǎn)單，其原理就是通過(guò)電容的作用阻止低頻信號(hào)讓高頻信號(hào)通過(guò)，對(duì)于高頻信號(hào)是采用電容吸收，電感阻礙的方法不讓其通過(guò)。文中的目標(biāo)圖像存在頻率的差異，選擇低頻信號(hào)的成分，除去高頻部分。 低通濾波的算法基于一階泰勒級(jí)數(shù)進(jìn)行展開，消除高階項(xiàng)，列出預(yù)測(cè)跟蹤方程，如下面的方程（1）： （1）在方程（1）中,V表示目標(biāo)運(yùn)動(dòng)速度，C為目標(biāo)在圖像中的位置；K為目標(biāo)運(yùn)動(dòng)的當(dāng)前時(shí)刻 ；為權(quán)重因數(shù)即泰勒展開項(xiàng)的系數(shù)；為二階差分，表示每一秒的二階導(dǎo)數(shù)，相當(dāng)于目標(biāo)在連續(xù)時(shí)間內(nèi)的加速度。方程（3）還可以由如下方程所示： （4）對(duì)方程（4）進(jìn)行Z變換，得到： （5）方程（5）表明：速度的變化不會(huì)立即受到當(dāng)前速度變化地影響，但是會(huì)受到低通濾波當(dāng)前速度變化地影響。在方程（2）中，兩個(gè)加權(quán)因子和體現(xiàn)了這一點(diǎn)。在這種情況中，慣性項(xiàng)則起主導(dǎo)性作用，這時(shí)就需要加大。取像素值為最小值0時(shí)，觀察到的圖像為黑色的。因此，可以通過(guò)腐蝕的方法通過(guò)消去黑點(diǎn)來(lái)除去噪聲，在本次圖像處理中，對(duì)圖像腐蝕兩次，消除了圖像上的噪聲，確保了圖像的質(zhì)量，為下一步的預(yù)測(cè)跟蹤打下了基礎(chǔ)。通過(guò)物理知識(shí)可知，在小球運(yùn)動(dòng)過(guò)程中，可對(duì)小球的速 度分解成水平向前和垂直向下。因此，為了達(dá)到預(yù)期的研究目的，必須集中精力來(lái)預(yù)測(cè)目標(biāo)球在垂直方向的運(yùn)動(dòng)軌跡，在運(yùn)算的過(guò)程中摻入由一階展開的低通濾波并用差分跌打算法計(jì)算每時(shí)刻小球的位置并將其記錄下來(lái)。圖(b)顯示，在球撞擊地面后彈起的拐點(diǎn)處，我們很容易看到：在這些拐點(diǎn)處，跟蹤殘差的最高值位于撞擊點(diǎn)的右側(cè)點(diǎn)處。在這種情況下，為了得到滿意的結(jié)果，當(dāng)== ?14時(shí)，根據(jù)跟蹤殘差的情況來(lái)重新設(shè)置和值。相比較而言，撞擊點(diǎn)（或撞擊后的點(diǎn)）速度發(fā)生顯著變化，所以慣性項(xiàng)的加權(quán)因子則可通過(guò)設(shè)置值來(lái)控制其過(guò)程來(lái)獲得預(yù)期效果。當(dāng)測(cè)到新的數(shù)據(jù)時(shí),kalman進(jìn)行更新并會(huì)自動(dòng)刪去過(guò)去所得到的舊數(shù)據(jù)，新數(shù)據(jù)可根據(jù)遞推公式算出新的估計(jì)值。由于卡爾曼濾波算法不需要保留過(guò)去任何的輸入信息此外卡爾曼對(duì)計(jì)算機(jī)消耗的內(nèi)存少，因此，卡爾曼濾波很適用于計(jì)算機(jī)對(duì)實(shí)際應(yīng)用數(shù)據(jù)進(jìn)行運(yùn)算。首先，有對(duì)其簡(jiǎn)短的介紹的濾波模型。在本文中噪聲提前腐蝕掉，因此只需考慮線性化的系統(tǒng)測(cè)量方程。 (1) (2)其中對(duì)應(yīng)的向量分配如下： 在上述向量分配中，涉及到小球的位置即和分別表示目標(biāo)球在該幀的水平坐標(biāo)和垂直中心坐標(biāo)；ΔT表示幀之間的時(shí)間間隔Δt=1/30為30 fps的幀速率。矢量和分別是過(guò)程噪音和測(cè)量噪聲，這是高斯零均值序列的關(guān)聯(lián)進(jìn)行互相正交。從該圖中，可以直接觀察到跟蹤誤差，并將誤差記錄下來(lái)。大部分的預(yù)測(cè)軌跡范圍，如下圖中顯示的三角形記號(hào)。雖然卡爾曼濾波已經(jīng)運(yùn)用于目標(biāo)預(yù)測(cè)，但它存在準(zhǔn)確性不足的缺點(diǎn)。圖6 低通濾波與卡爾曼濾波之間的預(yù)測(cè)跟蹤質(zhì)量比較圖7 低通濾波器和卡爾曼濾波的跟蹤殘差比較同時(shí)使用卡爾曼濾波和低通濾波來(lái)預(yù)測(cè)四個(gè)額外的視頻序列，并在圖7中所示。由實(shí)驗(yàn)中加強(qiáng)型低通濾波跟蹤預(yù)測(cè)與卡爾曼濾波比較的結(jié)果表明了：所提出的低通濾波器比卡爾曼濾波具有更好的目標(biāo)運(yùn)動(dòng)預(yù)測(cè)能力。對(duì)小球在彈跳過(guò)程中，利用低通濾波預(yù)測(cè)針對(duì)當(dāng)前時(shí)刻后下一時(shí)刻的小球位置，并將其位置顯示出來(lái)以達(dá)到跟蹤效果。因此，將慣性相關(guān)的算法加入到低通濾波當(dāng)中就是文中所研究的加強(qiáng)型的低通濾波。研究低通濾波突出其濾波對(duì)目標(biāo)具有良好的跟蹤效果。因此，它具有處理視頻運(yùn)動(dòng)的潛力，例如，提高了搜索窗口預(yù)測(cè)和目標(biāo)運(yùn)動(dòng)預(yù)測(cè)能力。隨著信息發(fā)展地越來(lái)越精確的程度，人們對(duì)跟蹤效果的要求變得更加苛刻，所以可查閱更多資料或與進(jìn)行多方交流，以求探討出更加完美的方法。在短暫的畢業(yè)論文期間，我要感謝幫助我的陳懇導(dǎo)師，在他身上我看到他的嚴(yán)謹(jǐn)?shù)闹螌W(xué)態(tài)度，細(xì)心指導(dǎo)學(xué)生的熱誠(chéng)之心。此外，為了對(duì)本論文中課題的深入探索，我搜索網(wǎng)上的資料并且還和網(wǎng)上朋友進(jìn)行探討，力爭(zhēng)做到對(duì)論文細(xì)致研究。39。[M,N,Dim] = size(Im1)。,[dt,0,1,0]39。Bu = [0,*g,0,g]39。,[0,0]39。r22_act=。r11_kf=。]。num_of_frm=62。 threshold_vy=11。beta1=。ball3_039。bmp39。,int2str(i), 39。))。 figure(1) hold on for c = radius: radius/20 : radius r = sqrt(abs(radius^2c^2))。g.39。 DELTA_vy(i) = cy_noise(i) 2*cy_noise(i1) + cy_noise(i2)。 end if i_init==0 X_prio= [M/2,N/2,0,0]39。 P_prio= A*P_post*A39。+R_kf)。 [cx(i),cy(i)]。 end end trk_resid_all=[cyX_prio_store(:,2)39。 trk_resid_effect=trk_resid_tmp(ii:i)。db39。True trajectory39。LPF predicted trajectory39。True trajectory amp。) axis([0 78 10 220]) xlabel(39。) hold on plot(abs(trk_resid_tmp),39。,39。 radius=0。% erode to remove small noise fore_deno = bwmorph(fore,39。 % select the largest object labeled = bwlabel(fore_deno,8)。 [N,W] = size(stats)。 cy = centroid(2)。 %% Learning rate tried 。 。 %% 。 。dvyk_min_1 = yk_min_1 2*yk_min_2 + yk_min