【正文】 有特征信息作為跟蹤檢測值的一種方 法。 無論是剛體運動目標(biāo)還是非剛體運動目標(biāo)，基于特征匹配的方法進行目標(biāo)跟蹤時包括特征的提取和特征匹配兩個過程。使用目標(biāo)識別的方法進行跟蹤通過在每一幀的圖像中識別研究的物體來確定物體的位置來實現(xiàn)目標(biāo)的跟蹤。運動目標(biāo)的跟蹤就是在視頻圖像的每一幅圖像中確定出我們感興趣的運動目標(biāo)的位置，來實現(xiàn)目標(biāo)的跟蹤。光流約束方程對每一個像素點來說都是一個含有兩個變量的方程，而只有一個約束方程，不能同時確定光流場的兩個變量，這種不確定問題稱為孔徑問題（ Aperture Problem）。一般情況下，光流由相機運動、場景中目標(biāo)的運動或兩者的同時運動產(chǎn)生的。但隨著時間的推移，對光照和外部條件造成的場景變化比較敏感，會出現(xiàn)許多噪聲點，影響目標(biāo)檢測結(jié)果。針對這些問題有許多的改進方法，例如提出三幀差圖像法，利用三幀圖像計算出兩個差分圖像，再令對應(yīng)像素相乘。 然后對差分后圖像 Dk 使用圖像分割算法 (公式 22)進行二值化處理，即認(rèn)為當(dāng)差分圖像中某 一像素的差大于設(shè)定的閉值時，則認(rèn)為該像素是前景像素 (檢測到的目標(biāo) )，反之則認(rèn)為是背景像素 。 [10] 本章首先簡單概述了目標(biāo)檢測算法，然后詳細介紹了本文使用的自適應(yīng)背景去除算法，接著針對陰影對目標(biāo)檢測的影響，本文從色彩和光照不變性的角度，分析和討論了陰影的特性，提出了一個新的可用于陰影去除的算法，提高了陰影去除率，最后介紹了噪聲處理和區(qū)域標(biāo)記方法。 西北工業(yè)大學(xué) 本科畢業(yè)設(shè)計論文 8 第二章 運動目標(biāo)檢測 目前，已經(jīng)有許多標(biāo)準(zhǔn)的算法用于運動目標(biāo)檢測，它們具有不同的效果和復(fù)雜度。運動信息又稱為光流，基于光流估計的方法，利用了灰度的變化信息，首先，從圖像序列的灰度變化中計算速度場 ，一般需要計算灰度的一階導(dǎo)數(shù)和二階導(dǎo)數(shù)；然后利用一些約束條件從速度場中估計運動參數(shù)和物體結(jié)構(gòu)。特征的選取對整個跟蹤算法十分重要，關(guān)系到整個跟蹤系統(tǒng)的可靠性和跟蹤精度，它應(yīng)具有對目標(biāo)大小、位置、方向和照度變化不敏感的特點，如灰度局部極大值點、跟蹤。 目前，國內(nèi)外學(xué)者提出了許多不同的跟蹤算法和跟蹤系統(tǒng)，可以按照不同的劃分依據(jù)對跟蹤算法進行不同的分類：就跟蹤對象而言，可以分為車輛跟蹤、人體跟蹤或人體部分跟蹤（如跟蹤手、臉、頭和腳等身體部分）等；就跟蹤目標(biāo)個數(shù)而言，可以分為單目標(biāo)跟蹤和多目標(biāo)跟蹤；就跟蹤視角而言，可以分為單攝像機的單一視角、多攝像機的多視角和全方位視角；還可以通過攝像機類型（紅外攝像機、可見光攝像機）、攝像機狀態(tài)（運動、固定）、跟蹤空間（二維、三維）和跟蹤環(huán)境（室內(nèi)、室外）等方面來進行分類。 圖像序列中的運動目標(biāo)跟蹤，就是在各幀圖像中 檢測出各個獨立運動的目標(biāo)，或是用戶感興趣的運動區(qū)域（如人體、車輛等），并且提取目標(biāo)的位置信息，得到各個目標(biāo)的運動軌跡。 本論文就圖像的單目標(biāo)跟蹤問題，本文重點研究了幀間差分法和背景去除法等目標(biāo)檢測方法，研究了模板相關(guān)匹配跟蹤算法主要是：最小均方誤差函數(shù)(MES)，最小平均絕對差 值函數(shù) (MAD)和最大匹配像素統(tǒng)計 (MPC)的跟蹤算法。序列圖像運動目標(biāo)跟蹤是通過對傳感器拍攝到的圖像序列進行分析，計算出目標(biāo)在每幀圖像上的位置。 關(guān)鍵詞 ： 目標(biāo)跟蹤，目標(biāo)檢測 ，軌跡預(yù)測 ，模板更新 西北工業(yè)大學(xué) 本科畢業(yè)設(shè)計論文 2 ABSTRACT Target tracking, image sequence is a classic puter vision problems, it is defined as a set of image sequences, in accordance with requirements of the target model, realtime images to determine the location of the target process. It initially attracted the concern of the military has gradually been applied to televisionguided bombs, fire control systems for military preparation. Moving target tracking sensor is taken through the image sequence analysis, to calculate the target image in each frame position. It is the core of puter vision system is a bination of image processing, pattern recognition, artificial only and the results of automatic control in areas such as advanced hightech issues in the aerospace, control, biomedical and robotics fields, etc. There are widely used. Thus, it is necessary to study the tracking of moving targets. In this paper, the image of the singletarget tracking problem, research the target detection method is mainly based on interframe difference and background removal method to detect the target in preparation for target tracking. Template matching tracking algorithm is: the smallest mean square error function (MES), the smallest mean absolute difference function (MAD) and the maximum matching pixel statistics (MPC) of the tracking algorithm. In the tracking process, due to the relative camera movement with the goal, the goal of vision may occur in size, shape, gesture, such as changes in the external environment bined with the various kinds of interference, as well as over time, to track where the goals and objectives scene changes have taken place, it is possible to track the target is lost. In order to ensure the stability and tracking accuracy, the need for adaptive template image update. Since the goal of movement must be the law of the forecast track could take to improve the tracking precision, this article uses the square of the linear prediction method and prediction method. Analysis of the relevant matching algorithm to track the tracking accuracy and 西北工業(yè)大學(xué) 本科畢業(yè)設(shè)計論文 3 speed。尤其是遮擋和陰影問題，它們普遍存在于現(xiàn)實環(huán)境中，嚴(yán)重影響跟蹤算法的可靠性和適用性。 Polana 將每個行人用一個矩形框封閉起來，封閉框的質(zhì)心被選作跟蹤的特征，在跟蹤過程中，如果兩人出現(xiàn)相互遮擋的情況，只要能區(qū)分質(zhì)心的速度，就能成功地完成人體跟蹤。由于它只利用 圖像間的灰度相關(guān)性作為區(qū)域相似性的判斷依據(jù)，對幾何和灰度畸變十分敏感，光照強度變化或目標(biāo)運動姿態(tài)發(fā)生變化等都將對算法產(chǎn)生較大的影響，計算量偏大。 第二章 主要研究了幀間差分法、時間差分法和背景去除法及算法和各自的適用范圍。時間差分檢測法對于運動環(huán)境具有較強的自適應(yīng)性，但一般不能完全提取出所有相關(guān)區(qū)域的像素點，在運動實體中容易產(chǎn)生空洞現(xiàn)象。目前，研究人員已經(jīng)在這方面做了大量的研究，提出了許多方法。 [9] 一般時間間隔依賴于所監(jiān)視的物體的運動速度。在理想情況下，即背景圖像是完全靜止的，而且具有運動目標(biāo)的圖像除了運動區(qū)域的像素值發(fā)生了變化，其余屬于背景的部分保持不變。主要有基于統(tǒng)計的模型（高斯模型）和基于預(yù)測的方法（卡爾曼濾波、維納濾波等）。如果圖像中沒有運動目標(biāo)，則光流矢量在整個圖像區(qū)域是連續(xù)變化的，當(dāng)物體和圖像背景存在相對運動時，運動物體所形成的速度矢量必然和背景速度矢量不同，從而檢測出運動物體的位置。然而在實際應(yīng)用中，由于遮擋性、多光源和噪聲等原因，使得光流約束方程的灰度守恒假設(shè)條件得不到滿足，不能求解出正確的光流場；并且光流場與運動場并不一一對應(yīng)，如球體在攝像機前面繞中心軸旋轉(zhuǎn)，其明暗模式并不隨著表面運動，此時光流在任意地方都等于零，而運動場卻不為零；若球體不動，光源運動，則光流場不為零，而運動場卻等于零。 本章首先在第二節(jié)中概括介紹目標(biāo)跟蹤的幾種方法。現(xiàn)有的目標(biāo)跟蹤方法有下面三類 :基于特征匹配的跟蹤方法、基于區(qū)域匹配的跟蹤算法、基于模型匹配的跟蹤算法。除了用單一的特征來實現(xiàn)跟蹤外，還可以采用多個特 征信息綜合在一起作為跟蹤特征，來提高跟蹤的效果。該方法將人體看作由頭、軀干、四肢等身體部分所對應(yīng)的小區(qū)域塊的聯(lián)合體，通過分別跟蹤各個小區(qū)域塊最終完成對整個人體的跟蹤。目前有兩種可變性模型 :一種是自由式的可變形模型，主要滿足一些簡單的約束條件 (連續(xù)性、平滑性等 )用來跟蹤任意形狀的運動目標(biāo)。 (4) 圖像的代數(shù)特征，如圖像矩陣的奇異值分解等。同時，由于模板和每一幅待匹配圖像都有不同的灰度值，所以閉值也會很難選定。跟蹤 100 張連續(xù)的序列圖像， NC 算法 秒，及 秒每張。這樣對應(yīng)像素距離測度的圖像匹配跟蹤算法得不到絕對最佳的匹配位置 , 存在匹配誤差是必然的。如果當(dāng)前幀圖像匹配質(zhì)量很差 , 則該幀圖像數(shù)據(jù)不進人模板圖像的修正而若當(dāng)前禎圖像匹配質(zhì)量很好或比較好時 , 則該幀圖像數(shù)據(jù)進人模板圖像的修正。 線性組合法 根據(jù)目標(biāo)的短時平穩(wěn)性運動規(guī)律 和場景變化的特點，可把目標(biāo)識別模板看成一個 m 階馬爾可夫信號。 圖 41模板更新示意圖 軌跡預(yù)測 根據(jù)目標(biāo)在運動過程中具有軌跡連續(xù)性的 特點，利用目標(biāo)過去的位置信息預(yù)測當(dāng)前位置，然后在預(yù)測點周圍一定范圍內(nèi)進行匹配，這樣既能減少計算量，也能排除其它物體對跟蹤的影響，保證匹配的可靠性；另一方面，當(dāng)目標(biāo)的背景快速變化、視場內(nèi)有其它遮擋物出現(xiàn)時，會造成目標(biāo)被短暫遮擋從而短時消失，若西北工業(yè)大學(xué) 本科畢業(yè)設(shè)計論文 29 干秒后又正常復(fù)出，按照正常的跟蹤策略，跟蹤過程中就會出現(xiàn)目標(biāo)丟失而導(dǎo)致系統(tǒng)紊亂，如果采用預(yù)測跟蹤處理技術(shù)，預(yù)測出目標(biāo)在下一步可能的位置，等到目標(biāo)再次出現(xiàn)時，仍可對其進行穩(wěn)定跟蹤而不至于丟失目標(biāo)。采用加了軌跡預(yù)測的算法，可以大大減少搜索時間。 西北工業(yè)大學(xué) 本科畢業(yè)設(shè)計論文 37 參考文獻 [1] 王琳 視頻運動目標(biāo)跟蹤中有關(guān)問題的研究 西北大學(xué) 20xx 年 5 月 [2] 代凱乾 單目圖像序列的目標(biāo)跟蹤算法研究 國防科學(xué)技術(shù)大學(xué)研究生院 20xx 年 11 月 [3] 宗偉新 運動背景下運動目標(biāo)的跟蹤算法研究 西安工業(yè)大學(xué) 20xx 年 5月 [4] 趙瑤 運動目標(biāo)與跟蹤算法研究 山東大學(xué) 20xx 年 5。較單一的歸一化互相關(guān)匹配算法的跟蹤時間縮短，是因為采用軌跡預(yù)測后搜索區(qū)域變小，匹配次數(shù)減少。 設(shè)原函數(shù) f (t)在 N 個順序時刻的測量值為 f (t),(1,2,...N)，且 f (t)可以用： 01Ytaa?? （ 43） ? ?????????? aatY10*1 （ 44） 作為最佳線性逼近，可寫為 1 1 1 0 1 1( ) ( )f Y ft