【正文】 洪 .基于空間直方圖的多目標(biāo)粒子濾波跟蹤 [J].光電工程 ,2021,37(1):6569,: 30 附錄 while(1) { frame = cvQueryFrame(capture)。 //分配反向投影圖空間，大小一樣，單通道 hist = cvCreateHist(1,amp。 //將image圖像由 BGR模式轉(zhuǎn)換為 HSV模式 cvSplit(HSV,Hue,0,0,0)。 // 移除感興趣區(qū)域 ROI cvZero(histimg)。 CvScalar color = hsv2rgb(i*)。 draw_box(image,box)。 = 。 select_object = 0。break。 //1表明開(kāi)始進(jìn)行選取 } break。 } //鼠標(biāo)函數(shù) void my_mouse_callback(int event,int x, int y, int flags, void *param) 32 { if (!image) return。Hue,BackProjectImage,hist)。 j++。 cvConvertScale( histbins,histbins, 31 max_val ? 255/ max_val : 0, 0)。 //響應(yīng)鼠標(biāo)函數(shù)的回調(diào)函數(shù) cvCopy( frame, image, 0 )。 Value= cvCreateImage( cvGetSize(frame), 8, 1 )。在這里再次感謝余老師和李新縣學(xué)長(zhǎng)的無(wú)私幫助。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)?？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)。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 。 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。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]。 隨后介紹了粒子濾波跟蹤算法的詳細(xì)過(guò)程 。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。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。 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 。j=+width； j++) { M10+=i*I(i,j)。 cvCalcBackProject(amp。 hist = cvCreateHist(1,amp。 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。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)。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]。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)。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)。讓機(jī)器像人一樣具有視覺(jué)是人類的一個(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)。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。例如，沿街拍攝一系列的水平圖像，處理后構(gòu)成類似清明上河圖的長(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。 國(guó)內(nèi)這方面的研究較晚。但是， 即使在現(xiàn)階段，光流法所需的運(yùn)算量對(duì)計(jì)算機(jī)而言也是很大的，很難滿足實(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。據(jù)統(tǒng)計(jì)，普通人所感受的外界信息 80％以上來(lái)自視覺(jué)。車輛的實(shí)時(shí)檢測(cè)與跟蹤技術(shù)是智能交通系統(tǒng)的重要技術(shù)之一，計(jì)算機(jī)在不需要人的干預(yù)，或者只需要很少人干預(yù)的情況下，通過(guò)對(duì)攝像機(jī)拍錄的視頻序列進(jìn)行分析，實(shí)現(xiàn)車輛檢測(cè)與跟蹤，并在此基礎(chǔ)上分析和判斷車輛的行為，對(duì)車輛的行為給出語(yǔ)義描述，做到了既能完成日常管理，又能在發(fā)生異常情況時(shí)及時(shí)做出反應(yīng)，從而提供了一種更加先進(jìn)和可行的監(jiān)控方案。在計(jì)算機(jī)自動(dòng)監(jiān)控系統(tǒng)中，監(jiān)控系統(tǒng)首先需要對(duì)圖像進(jìn)行去噪的預(yù)處理，接著使用合適的檢測(cè)算法確定目標(biāo)，然后通過(guò) 適當(dāng)?shù)母櫵惴ㄔ跀z像機(jī)視野內(nèi)跟蹤這個(gè)確定的目標(biāo)，同時(shí) 也進(jìn)行警戒 報(bào)警以及保存證據(jù)等一系列操作。 Meanshift。 畢業(yè)設(shè)計(jì) 院系名稱 計(jì)算機(jī)與信息學(xué)院 2021 年 05 月 28 日設(shè)計(jì)題目 基于全景視頻中兩種跟蹤算法的實(shí)現(xiàn) 目 錄 摘要： .............................................................. 1 Abstract： .......................................................... 2 1 緒 論 ........................................................... 3 課題研究背景及意義 ............................................ 3 國(guó)內(nèi)外研究現(xiàn)狀 ................................................ 5 概述 .......................................................... 7 計(jì)算機(jī)視覺(jué)研究 ............................................ 7 目標(biāo)跟蹤技術(shù)簡(jiǎn)述 .......................................... 8 文章內(nèi)容及安排 ................................................ 9 2 Meanshift 算法的實(shí)現(xiàn)與分析 ...................................... 10 Meanshift 算法概述 ........................................... 10 Meanshift 算法具體實(shí)現(xiàn) ....................................... 10 跟蹤實(shí)驗(yàn) ..................................................... 13 本章小結(jié) ..................................................... 16 3 粒子濾波算法的實(shí)現(xiàn)與分析 ........................................ 17 引言 ......................................................... 17 貝葉斯?fàn)顟B(tài)估計(jì) ............................................... 18 粒子濾波具體實(shí)現(xiàn) ............................................. 18 實(shí)驗(yàn) ......................................................... 21 兩種跟蹤算法的跟蹤比較 ....................................... 25 本章小結(jié) ..................................................... 26 4 總結(jié)及展望 ...................................................... 27 致謝 ............................................................... 28 [參考文獻(xiàn) ]......................................................... 29 附錄 ............................................................... 30 1 基于全景視頻中兩種跟蹤算法的實(shí)現(xiàn) 摘要 ： 目標(biāo)跟蹤是計(jì)算機(jī)視覺(jué)研究中的經(jīng)典問(wèn)題，是指計(jì)算機(jī)或其他設(shè)備根據(jù)某種算法對(duì)目標(biāo)進(jìn)行跟蹤和定位，并根據(jù)目標(biāo)的位置和動(dòng)向采取相應(yīng)的策略。 關(guān)鍵詞 ： 目標(biāo)跟蹤， Meanshift，粒子濾波 2 Two tracking algorithms’achievement based on panoramic video Abstra