【正文】 y_hatk=(4/3)*y_hatk_min_1 (1/3)*y_hatk_min_2 + (2/3)*vyk。 。 。 radius = sqrt()。,2)。) hold off % flag = 0 if failure function [cx,cy,radius,flag]=extractobj_LF(Imwork,MX,MY,index,tm) cx = 0。) ylabel(39。Frame39。r^39。 ii=9。 C*X_prio))39。 + Bu。 cy_noise(i)=cy(i)。 [cx(i),cy(i),radius,flag]=extractobj_LF(Imwork,M,N,i,tm)。 else Im = (imread([39。 寧波大學(xué) 信息 學(xué)院 本科畢業(yè)設(shè)計(jì)（論文） 25beta2=14。 X_prio_store=zeros(num_of_frm,4)。 R_kf=[[r11_kf,0]39。 Q=1*eye(4)。]。bmp39。 在這次寫(xiě)論文的過(guò)程中，我碰到不少問(wèn)題，但是，我相信自己可以解決好這些問(wèn)題。因此，建議濾波器只能在微量噪音下的運(yùn)動(dòng)系統(tǒng)中 使用 。從跟蹤圖像的顯示，可以清晰的 觀察到它們的優(yōu)點(diǎn)，在小球高空運(yùn)動(dòng)時(shí)，低通濾波可以準(zhǔn)確地預(yù)測(cè)到小球下一時(shí)刻的位置。 寧波大學(xué) 信息 學(xué)院 本科畢業(yè)設(shè)計(jì)（論文） 21總結(jié)與展望 本文重點(diǎn)探究關(guān)于用低通濾波對(duì)進(jìn)行預(yù)測(cè)跟蹤高機(jī)動(dòng)性運(yùn)動(dòng)目標(biāo)，研究低通濾波的算法，根據(jù)預(yù)測(cè)目標(biāo)的實(shí)際情況進(jìn)行稍微地改進(jìn)低通算法，以達(dá)到該實(shí)驗(yàn)的目的。當(dāng)遇到高機(jī)動(dòng)性目標(biāo)時(shí)，通過(guò)低通濾波來(lái)控制，配置慣性項(xiàng)的加權(quán)因數(shù)來(lái)改善預(yù)測(cè)的精確度。圖 3 表示預(yù)測(cè)殘差與正確殘差，圖 4 表示預(yù)測(cè)殘差與目標(biāo)運(yùn)動(dòng) 速度的比較，從中可以發(fā)現(xiàn)到，隨著運(yùn)動(dòng)速度的增加，預(yù)測(cè)殘差也隨之增大。 u表示作用在目標(biāo)上的重力加速度和 u = 。 這兩個(gè)方程可反映目標(biāo)的客觀運(yùn)動(dòng)規(guī)律，測(cè)量方程有線性和非線性兩種情況。因此，kalman算法是 最小 化協(xié)方差中最出色的 濾波算法。 基于加強(qiáng)型低通濾波算法的高機(jī)動(dòng)性視頻目標(biāo)跟蹤 （ a）跟蹤效果 （ b）跟蹤殘差 圖 2 以線性項(xiàng)起主導(dǎo)作用的低通濾波預(yù)測(cè)跟蹤 寧波大學(xué) 信息 學(xué)院 本科畢業(yè)設(shè)計(jì)（論文） 9 （ a）跟蹤效果 （ b）跟蹤殘差 圖 3 對(duì)目標(biāo)高機(jī)動(dòng)性過(guò)程中采用以慣性為主導(dǎo)作用的低通濾波進(jìn)行預(yù)測(cè)跟蹤 在圖 2和圖 4中，比較碰撞點(diǎn)，值得一提的是：低通濾波不能準(zhǔn)確地預(yù)測(cè)每個(gè)碰撞點(diǎn)位置，這是因?yàn)榈屯V波不能預(yù)測(cè)目標(biāo)在下個(gè)時(shí)刻撞擊到地面并彈起的的情況， 簡(jiǎn)單來(lái) 說(shuō) ，在低通濾波器里 ， 重新配置的 加權(quán) 因數(shù) 從而 所得 出的 速度不會(huì)發(fā)生發(fā)散式的變化。此時(shí)加權(quán)因子 k? = k? = ，這就表示在速度沒(méi)有發(fā)生急劇的變化里， 在跟蹤過(guò)程中 低通 濾 波預(yù)測(cè)跟蹤取得良好的效果。圖中特意將小球設(shè)成黑色，這是針對(duì)淺灰色的背景，設(shè)置的優(yōu)點(diǎn)在于：通過(guò)最小誤差的處理技術(shù)進(jìn)行目 標(biāo)提取，使用給定的處理寧波大學(xué) 信息 學(xué)院 本科畢業(yè)設(shè)計(jì)（論文） 7 方法來(lái)描述出目標(biāo)小球的運(yùn)動(dòng)軌跡這種無(wú)誤差的真實(shí)位置，也就是上述所提到的真實(shí)軌跡。在本論文中 ，處理后的圖像是像素為一個(gè)取值僅為 0和 1的數(shù)組 。 由于計(jì)算過(guò)程中要考慮一階差分，與此對(duì)應(yīng)的速度： ^3 ( 1 ) 4 ( ) ( 1 )( 1 ) 2c k c k c kvk h? ? ? ??? (8) 注意，在方程（ 8）中 ,速度 V在將到來(lái)的時(shí)刻（ K+1）與在同樣將來(lái)時(shí)刻（ k+1）中的位置 C相關(guān)聯(lián) , C 上的標(biāo)記 ^表示預(yù)估，表示尚未到來(lái)的時(shí)刻，通過(guò)方程（ 8） ,可以解出 ^( 1)ck? ，得到預(yù) 測(cè)的位置為 ^ 4 1 2( 1 ) ( ) ( 1 ) ( 1 )3 3 3c k c k c k h v k? ? ? ? ? ? (9) 在上面的方 程中， h 是時(shí)間 間隔 1hk?? ? ，回到方程（ 3）， 2 ()ck? 和 2 ( 1)ck??分別用方程（ 6）和方程（ 7） 來(lái) 計(jì)算，可以得到即將到來(lái)的速度 ( 1)vk? 。但是，在目標(biāo)圖像中往往存在噪聲，如目標(biāo)圖像背景（灰色或白色）為高頻 信號(hào)，通過(guò)低通將其過(guò)濾掉。 五、 實(shí)驗(yàn) 結(jié)果 介紹相關(guān) 分析與 跟蹤過(guò)程。除 MATLAB內(nèi)部函數(shù)之外，其核心文件和工具包都是可讀可改 的，用戶可以通過(guò)修改源程序或編寫(xiě)新程序從而來(lái)構(gòu)造新的專屬工具包 ，從而很方便 地處理控制方面的一些數(shù)據(jù)。 Matlab 簡(jiǎn)介 MATLAB也叫作矩陣實(shí)驗(yàn)室，是一款由美國(guó) The MathWorks公司生產(chǎn)和銷售的商業(yè)數(shù)學(xué)軟件。相比之下，在許多跟蹤實(shí)現(xiàn)中，卡爾曼濾波 作 為預(yù)測(cè)器，這是因?yàn)榭柭A(yù)測(cè)以實(shí)現(xiàn)最終優(yōu)化狀態(tài)估計(jì)的事實(shí) ，其被稱為“先驗(yàn)狀態(tài)估計(jì)”，在校正過(guò)程中被稱為“后驗(yàn)狀態(tài)估計(jì)” 。 因此，本文的目的的是利用低通濾波來(lái)預(yù)測(cè)跟蹤目標(biāo)的運(yùn)動(dòng)狀態(tài) 。 除了在智能視頻監(jiān)視系統(tǒng)， 視頻 跟蹤技術(shù)還有非常重要的應(yīng)用，即人與計(jì)算機(jī) 的 互相交流 [3]物體運(yùn)動(dòng)地分析，對(duì) 運(yùn)動(dòng)目標(biāo)地識(shí)別，對(duì)不同移動(dòng)目標(biāo)地分類，機(jī)器人視覺(jué)導(dǎo)航，圖像壓縮 流量檢測(cè)和虛擬現(xiàn)實(shí)，并且視頻跟蹤技術(shù)在其他方面也有重要的應(yīng)用 ； 總之，研究目標(biāo)運(yùn)動(dòng)情況并對(duì)其預(yù)測(cè)跟蹤的技術(shù)對(duì)現(xiàn)實(shí)應(yīng)用發(fā)揮了巨大作用 [4] 文中所用到的濾波器是眾多可以處理信號(hào)裝置中之一，濾波器應(yīng)用范圍十分廣泛，其主要作用在于現(xiàn)代化電子設(shè)備以及不同控制系統(tǒng)，濾波器的質(zhì)量?jī)?yōu)劣影響著產(chǎn)品的品質(zhì) [5]。為了證明低通濾波的實(shí)用性，在預(yù)測(cè)中融入卡爾曼濾波共同對(duì)目標(biāo)檢測(cè)跟蹤，實(shí)驗(yàn)表明在預(yù)測(cè)軌跡跟蹤質(zhì)量中，所建議的低通濾波對(duì)預(yù)測(cè)軌跡具有很好的效果比卡爾曼濾波更加有預(yù)測(cè)能力，從而證明了它的可行性。然而，卡爾曼 濾 波 仍存在一些缺點(diǎn)：用來(lái)預(yù)測(cè)軌跡時(shí)尚缺乏精確度，為了解決這個(gè)問(wèn) 題，文中推薦另一種傳統(tǒng)濾波 —— 低通濾波。因此， 一些 研究者開(kāi)始專注于相關(guān)視頻跟蹤方面的研究 [1]。濾波 器可分為經(jīng)典和數(shù)字兩大類，文中所研究的濾波器是經(jīng)典型低通濾波器 [6]。兩種最典型的跟蹤算法是有關(guān)數(shù)據(jù)方面 的驅(qū)動(dòng)（從基底向上延伸）和有關(guān)模型方面驅(qū)動(dòng)（從最 高處向下延伸） 。作為視頻預(yù)測(cè)跟蹤，卡爾曼濾波器和低通濾波器是投入到相同實(shí)驗(yàn)室所生成的視頻中來(lái)預(yù)測(cè)給定的目標(biāo)來(lái)的運(yùn)動(dòng)軌跡。在當(dāng)今時(shí)代， MATLAB軟件作為常用計(jì)算軟件應(yīng)用在控制研究領(lǐng)域。 本文的主要內(nèi)容如下： 一、 簡(jiǎn)要介紹低通濾波的發(fā)展?fàn)顩r，以及本文主要研究目的。 本文中的低通濾波器就是利用文中所研究圖像的高低頻率的差異來(lái)實(shí)現(xiàn)預(yù)測(cè)跟蹤。所以，當(dāng)目標(biāo)速度發(fā)生突變時(shí)，可以將新增慣性項(xiàng)算法加入到原來(lái)的一階泰勒展開(kāi)式中，則改進(jìn)的表達(dá)式為： 22( 1 ) ( ) ( ) ( 1 )kkv k v k c k c k??? ? ? ? ? ? ? （ 2） 由于要考慮到目標(biāo)的慣性情況 ， 此方法再代入到以上方程等式中，更改的方程可改寫(xiě)為： 2( 1 ) ( ) ( ) [ ( ) ( 1 ) ]kkv k v k c k v k v k??? ? ? ? ? ? ? （ 3） 在方程式中， k? 表示慣性因子， k1 表示 k 的前一時(shí)刻。相反的 ，當(dāng)目標(biāo)在高機(jī)動(dòng)時(shí)，檢測(cè)到高機(jī)動(dòng)目標(biāo)的速度急劇發(fā)生變化時(shí) ，這時(shí)在方程（ 2）中 ，則需要限制線性項(xiàng)的作用或 嚴(yán)格來(lái)講，將線性項(xiàng)過(guò)濾出來(lái)，不要讓它影響了合理的結(jié)果。在圖像處 理的過(guò)程中，時(shí)常會(huì)發(fā)生噪聲的 干擾，噪聲干擾會(huì)使預(yù)測(cè)跟蹤發(fā)生錯(cuò)誤，并且在圖像中存在低頻率的小黑點(diǎn)這些黑點(diǎn)顏色與小球一致，在跟蹤的過(guò)程中會(huì)干擾濾波對(duì)小球位置的判斷。但是，在垂直的方向上，小球的運(yùn)動(dòng)軌跡容易 偏離預(yù)測(cè)的軌跡，這是因?yàn)樾∏驈?fù)雜的運(yùn)動(dòng)狀態(tài)與撞擊地面發(fā)生急劇的速度變化所造成的。當(dāng) 檢測(cè)到速度突變時(shí) ，可設(shè)置速度變化為ΔV （ k） =V（ K） ?V（ K?1） ≥50 （像素 為 ） 。 （ a）線性項(xiàng)為主導(dǎo)的 LPF （ b）慣性項(xiàng)主導(dǎo)的 LPF 圖 5 在撞擊處預(yù)測(cè)跟蹤檢測(cè) 寧波大學(xué) 信息 學(xué)院 本科畢業(yè)設(shè)計(jì)（論文） 11 3 卡爾 曼濾波預(yù)測(cè)跟蹤 卡爾曼濾波的介紹 自 60年代以來(lái)，數(shù)學(xué)家卡爾曼將狀態(tài)空間導(dǎo)入到濾波理論中，并推導(dǎo)出一系列遞推估計(jì)算法，后人將這種算法稱為卡爾曼濾波理論。 卡爾曼濾波預(yù)測(cè)原 Kalman 是線性遞推的濾波器，這就是解決常見(jiàn)的最優(yōu)估計(jì)問(wèn)題的常用方法之一。 其預(yù)估與校正的方式可由 下圖來(lái)表示： 基于加強(qiáng)型低通濾波算法的高機(jī)動(dòng)性視頻目標(biāo)跟蹤 方程（ 1）和方程（ 2）是 在 離散時(shí)間內(nèi)線性隨機(jī)微分方程執(zhí)行控制系統(tǒng)狀態(tài) X∈ ?241。通過(guò)這些就可得出現(xiàn)在的 預(yù)測(cè)跟蹤和校正的 跟蹤軌跡，然后將這些軌跡進(jìn)行比對(duì)。圖 6 記錄了卡爾曼濾波和低通濾波的總體預(yù)測(cè)跟蹤情況，其中要需要注意 6處撞擊地面的位置發(fā)生明顯誤差。 實(shí)驗(yàn) 所得出的 絕對(duì)誤差 是卡爾曼濾波 的預(yù)測(cè)跟蹤 的 結(jié)果，低通濾波器的跟蹤預(yù)測(cè) ，加入或不加入上述文 中所推薦 的加權(quán)因子（在 此稱為 “增強(qiáng)型 的低通濾波 ”） 。非線性狀態(tài)為小球撞擊地面后彈跳起來(lái)的時(shí)刻，在小球彈跳過(guò)程中可分析為：撞擊地面前時(shí)小球速度為 v，在撞擊地面后小球的速度銳減到 0，此時(shí)，低通濾波通過(guò)慣性相關(guān)的處理進(jìn)行跟蹤，其效果在上圖所展示。 所以在本文中，視頻運(yùn)動(dòng)預(yù)測(cè)中引入了低通濾波 ，并且 最終 測(cè)試結(jié)果表明 了在跟蹤預(yù)測(cè)方面低通濾波器比卡爾曼 ，具有優(yōu)良的預(yù)測(cè)能力。在大學(xué)生涯中，我學(xué)到不少的知識(shí)，感謝學(xué)習(xí)期間對(duì)我悉心指導(dǎo)的老師以及對(duì)我生活給以幫助的同學(xué)們。 Im1 = double(imread(39。,[0,1,0,0]39。,[0,0]39。]。 tm=。 alpha1=。],39。bmp39。) plot(cx(i)+c,cy(i)r,39。 end X_trk_lpf(i,2) y_hatk。*inv(C*P_prio*C39。 X_prio_store(i,:)=X_prio39。) 寧波大學(xué) 信息 學(xué)院 本科畢業(yè)設(shè)計(jì)（論文） 27 axis([0 78 150 545]) hold on plot(542X_prio_store(:,2),39。,39。b*39。Residual between true and KF predicted trajectory39。 fore = ( (Imwork(:,:,1)=45) |(Imwork(:,:,2)=45) |(Imwork(:,:,3)=45) )。)。 %% 。 B=beta。 寧波大學(xué) 信息 學(xué)院 本科畢業(yè)設(shè)計(jì)（論文） 29dvyk = yk 2*yk_min_1 + yk_min_2。s largest virgin forest, and known for its spring and ecological environment, Arxan is marveled at by many tourists as the purest land on earth. You cannot miss out the Autumn of Arxan. It is definitely the best with brightlycolored scenery full of emotions. Autumn in the northern part of the country es earlier than the South. A September rain followed by the footprints of Autumn brings more colors to the once emerald green mountain and blooming grassland. Shutterbugs flock to see for themselves the marvel of splendid colors around the mountains and waters, many of whom have travel a long distance and even camp here only to capture a moment of the nature wonder. The silver birch turns golden, while the larch is still proudly green. You will find yourself drowned in the intoxicating red of the wild fruits as well as the glamour of flowers in full blown. And your heart will be lingering on the woods as it39。 。 。 flag = 1。 stats = regionprops(labeled,39。 基于加強(qiáng)型低通濾波算法的高機(jī)動(dòng)性視頻目標(biāo)跟蹤 flag=0 % subtract background amp。ro