【正文】 Xc=Xc+12。 C=zeros(m24,n62)。,num,suffix)。 frame_number = 200。 figure(2) surfl(X,Y,C)。)。 K(i,Yc+40)=255。) [p,q]=size(C)。 C=zeros(m24,n62)。 for i=1:m for j=1:n10 sum=sum+I(i,j)。 I=double(imread([filepath filename]))。D:\images_seq\image200s\39。 for i=12:12 for j=25:37 J(i+13,j+26)=K(Xc+i,Yc+j)。0039。D:\images_seq\image200s\39。 End figure(1)。 x=x+i*I(i,j)。 I=mat2gray(I)。 y=y+j*I(i,j)。 title(39。,suffix)。具體實(shí)現(xiàn)如下： filepath = 39。)。00139。由于本次設(shè)計(jì)所涉及的圖像的目標(biāo)與背景所在的灰度值位于兩個(gè)不同的灰度區(qū)域，因而可以采用雙峰之間的低谷作為閾值點(diǎn)。 最小平均絕對差準(zhǔn)則定義如下： ( , )1( , ) | ( , ) ( , ) |x y WM A D x y J x y I x x y ymn ?? ? ? ? ? ? ? ??。 基于匹配跟蹤算法的描述 總體算法設(shè)計(jì)流程如下： 匹配模板的確定方法 匹配模板圖像可以通過所獲取的視頻幀圖像序列中的某一幀而獲得。 分割閾值確定算法 本次設(shè)計(jì)我們所讀取的目標(biāo)跟蹤序列，其背景與目標(biāo)的灰度基本保持不變。而對于非剛體目標(biāo)的跟蹤主要有基于輪廓跟蹤法 ,其中包括主動輪廓(Snakes) 模型和測量輪廓模型 ,前者是基于輪廓內(nèi)目標(biāo)能量最小 ,而后者是基于輪廓的幾何測量最小。 前者在跟蹤過程中波門的大小始終不變 。一個(gè)芯片就能夠包括一個(gè)視覺產(chǎn)品的全部電學(xué)功能，成本大幅度下降。 MOS 電容器能夠存儲電荷。 2020年，美國中央佛羅里達(dá)大學(xué)計(jì)算機(jī)視覺實(shí)驗(yàn)室開發(fā)出了基于 MATLAB 的 COCOA 系統(tǒng)，用于無人機(jī)低空航拍視頻圖像的目標(biāo)檢測與跟蹤處理。在跟蹤算法上，具體研究了基于對比度的矩心跟蹤法和基于最小絕對差準(zhǔn)則的相關(guān)匹配跟蹤法。對 視頻(或圖像序列 )跟蹤中涉及的關(guān)鍵技術(shù)，如圖像預(yù)處理、閾值分割、圖像匹配及位置測量等有更進(jìn)一步的理解。 崔智社 。尤其在軍事上，已被成功用于武器的成像制導(dǎo)、軍事偵察和監(jiān)視方面。 CCD 是一種金屬氧化物半導(dǎo)體（ MOS）集成電路器件。其工作原理基于電荷存儲原理，即 pn 結(jié)反向充電，然后在光照條件下放大，放電速度隨光照強(qiáng)度的不同而不同。 基于對比度的目標(biāo)跟蹤方法又稱波門跟蹤方法 ,該方法適用于目標(biāo)和背景具有明顯對比度目標(biāo)跟蹤。 (3) 基于特征的目標(biāo)跟蹤方法。 3 原理描述 基于對比度的矩心跟蹤算法描述 總體算法設(shè)計(jì)流程如下： 二值化圖像閾值分割算法 二值化圖像閾值分割是利用同一區(qū)域具有某種共同的灰度特性進(jìn)行圖像的分割，其 基本原理就是選取一個(gè)適當(dāng)?shù)幕叶乳撝?，然后將圖像中的每個(gè)像素和它進(jìn)行比較，將灰度值超過閾值的點(diǎn)和低于閾值的點(diǎn)分別指定一個(gè)灰度值，就可以得到分割后的二值圖像，此時(shí)目標(biāo)與背景已得到了分割，形成了最后的二值化圖像。 矩心的定義為： 1 ( , )cx f x y xdxdyM?? ?? 1 ( , )cy f x y ydxdyM?? ?? ( , )M f x y dxdy?? ?? 式中， cx 、 cy 是目標(biāo)矩心坐標(biāo)； ( , )f xy 是圖像函數(shù)（即圖像上 x 、 y 處像素點(diǎn)的灰度），積分區(qū)域 ?為整個(gè)目標(biāo)圖像。 匹配準(zhǔn)則的確定 比 較經(jīng)典的跟蹤匹配準(zhǔn)則有：最大互相關(guān)準(zhǔn)則、最小均方差準(zhǔn)則、最小平均絕對差準(zhǔn)則、最大匹配像素?cái)?shù)量準(zhǔn)則等。 比較以上幾種匹配算法可知：最大互相關(guān)準(zhǔn)則和最小均方差準(zhǔn)則由于涉及到平方的運(yùn)算，因而運(yùn)算復(fù)雜度比較高，在實(shí)時(shí)性要求比較高的目標(biāo)跟蹤系統(tǒng)中對硬件的要求很苛刻，否則目標(biāo)跟蹤將會失效。 suffix=39。 imshow(I)。) 由以上結(jié)果可以看出，目標(biāo)背景較暗，且其灰度分布主要處在 40 附近左右；而背景圖像較亮，其背景圖像的灰階數(shù)主要出于 220 附近左右，中間的灰度值沒有像素?cái)?shù)與之對應(yīng)。.bmp39。 else I(i,j)=255。 y=0。 視頻跟蹤最小系統(tǒng)設(shè)計(jì) 15 end j=Yc。 x=0。 I(i,Yc+40)=255。)。.bmp39。 elseif(k=199) filename =strcat(prefix,num,suffix)。分割所得的匹配模板圖像 39。 filename =strcat(prefix,39。 end end end sum=0。 J=zeros(25,63)。 imshow(C)。 end end end Xc=Xc+12。 imshow(K)。 x=(q/21):1:(q/2)。 序列圖像目標(biāo)的跟蹤 以上我們通過模板匹配法得到了單幀圖像的目標(biāo)跟蹤圖像，下面我們可以在原來的基礎(chǔ)上添加序列圖像讀取的算法，并對每幅圖像如上節(jié)所示的圖像預(yù)處理和匹配跟蹤，最后將所有的幀圖像連續(xù)播放，從而達(dá)到了目標(biāo)圖像的視頻跟蹤。 figure(1) for k =1:200 %: frame_number num=num2str(k)。 end I=double(imread([filepath filename]))。 for i=1:p for j=1:q if C(i,j)Cmin Cmin=C(i,j)。 K1(Xc+10,j)=255。實(shí)際利用此算法在跟蹤目標(biāo)時(shí)，其中有若干幀圖像的目標(biāo)在跟蹤過程中出現(xiàn)了偏離，因此此種算法依然有待進(jìn)一步改進(jìn)。此種算法具有簡單、快速和實(shí)時(shí)性高的特點(diǎn)。 7 總結(jié)與心得體會 本次課程設(shè)計(jì)通過最小視頻跟蹤系統(tǒng)的構(gòu)建以及兩種目標(biāo)跟蹤算法的探討，我對目標(biāo)跟蹤系統(tǒng)有了一個(gè)整體的認(rèn)識，更重要的是我學(xué)會了如何利用光電圖像處理的基本理論和基本原理對待處理的圖像進(jìn)行處理，包括閾值分割、圖像直方圖分布、圖像二值化、圖像去噪等一系列圖像預(yù)處理的基本運(yùn)用。 圖象序列中機(jī)動目標(biāo)的形心跟蹤， 航空學(xué)報(bào) ,2020， 22(4):312316 [2] 張然 ,呂高杰 ,張國華 . 光電目標(biāo)圖像自動跟蹤技術(shù)研究 [J]， 電光與控制 , 2020,15(9)： 6568 [3] 李季 ,王春平 ,朱元昌 . 電視跟蹤系統(tǒng)視景仿真方法研究 [J]， 計(jì)算機(jī)仿真 , 2020,20(8)： 8587 [4] 方水平 , 電視跟蹤 系統(tǒng)仿真 , 北京工業(yè)職業(yè)技術(shù)學(xué)院學(xué)報(bào)， 2020,7(2):3540 [5] 光電圖像處理及應(yīng)用，電子科技大學(xué)出版社 附錄 1 基于對比度矩心波門跟蹤的完整程序設(shè)計(jì) clc。 suffix=39。,num,suffix)。 y=0。 end for j=(30+Yc):(40+Yc) I(Xc10,j)=255。 end 2 基于最小絕對差準(zhǔn)則的目標(biāo)模板匹配跟蹤的完整程序設(shè)計(jì) clc。 filename =strcat(prefix,39。 視頻跟蹤最小系統(tǒng)設(shè)計(jì) 31 end end end sum=0。 J=zeros(25,63)。039。 end end end 視頻跟蹤最小系統(tǒng)設(shè)計(jì) 32 end C=(Cmin(min(C)))/(max(max(C))min(min(C)))*255。 for i=(10+Xc):(10+Xc) %添加波門 K1(i,Yc30)=255。 num2str(k)])。 end for j=(30+Yc):(40+Yc) K1(Xc10,j)=255。%最小絕對差準(zhǔn)則計(jì)算得到的跟蹤中心 Cmin=C(1,1)。 elseif(k=199) filename =strcat(prefix,num,suffix)。 end end frame_number = 200。 y=0。,suffix)。 filepath = 39。 end I=mat2gray(I)。 x=x+i*I(i,j)。 end I=double(imread([filepath filename]))。 figure, for k = 200 %: frame_number num=num2str(k)。 close all。 在這里，我要感謝我的光電圖像授課老師彭真明老師，彭老師治學(xué)嚴(yán)謹(jǐn)、授課認(rèn)真、對待學(xué)生的每個(gè)課程環(huán)節(jié)都一絲不茍，堪稱學(xué)生的良師益友。除此之外，該算法受圖像成像過程中引入的噪聲的影響比較大，在環(huán)境較為惡劣的情況下將會失去對目標(biāo)的有效跟蹤。利用最小絕對差準(zhǔn)則的匹配算法可以有效的屏蔽視頻成像過程中引入的噪聲對目標(biāo)跟蹤的準(zhǔn)確度。 imshow(K1)。 Yc=j。 K1=I。0039。D:\images_seq\image200s\39。 [X,Y]=meshgrid(x,y)。模板匹配跟蹤目標(biāo)圖像顯示 39。 for i=(10+Xc):(10+Xc) %添加波門 K(i,Yc30)=255。最小絕對差相關(guān)匹配圖 39。 end end [m,n]=size(I)。 y=0。,suffix)。具體實(shí)現(xiàn)如下： filepath = 39。 視頻跟蹤最小系統(tǒng)設(shè)計(jì) 17 基于匹配跟蹤算法的具體實(shí)現(xiàn) 目標(biāo)模板圖 像的獲取 為了達(dá)到匹配跟蹤的目的，則必須先預(yù)存好一個(gè)目標(biāo)匹配模板，下面是基于形心位置法獲得的目標(biāo)圖像模板，基本思想是在知道圖像的尺寸的前提下，通過視頻圖像序列中的某一幀圖像圖像進(jìn)行二值化分割目標(biāo)和背景，以便確定目標(biāo)的形心，再根據(jù)形心位置在原始圖像中分割出目標(biāo)圖像，具體實(shí)現(xiàn)及代碼如下： J=zeros(25,63)。 if(k=9)