【正文】 8, 3 )。在畢業(yè)設(shè)計(jì)的過(guò)程中遇到過(guò)很多障礙，在余老師 以及李新縣學(xué)長(zhǎng) 的耐心幫助下，這些障礙都被一一解決。所以，盡可能地使一種算法有更廣的的應(yīng)用范圍，也應(yīng)該是以后研究中考慮的一個(gè)方面。最后在本章中總結(jié)本文主要內(nèi)容，并提出下一步的研究?jī)?nèi)容。 算法流程圖如下： 20 開(kāi)始讀取視頻每幀都存入圖像數(shù)組是否是第一幀通過(guò)矩形框選取跟蹤區(qū)域通過(guò)計(jì)算相似度得到粒子權(quán)值并歸一化通過(guò) H 、 S 、 V 分量值作出直方圖把圖像從 RGB 空間轉(zhuǎn)換為 HSV 空間初始化粒子 ， 按照高斯分布在目標(biāo)附近散播粒子通過(guò)粒子的加權(quán)平均獲得目標(biāo)位置通過(guò)二階自回歸模型獲得新粒子根據(jù)粒子權(quán)重進(jìn)行重要性重采樣是否有新的一幀結(jié)束否是是 否圖 1. 8 粒子濾波跟蹤算法流程圖 21 實(shí)驗(yàn) 上面介紹了粒子濾波跟蹤算法的理論部分及具體步驟下面同樣通過(guò)兩組實(shí)驗(yàn)對(duì)比 來(lái)測(cè)試算法的跟蹤性能。 利用序列重要性采樣原理，樣本的權(quán)重遞歸估計(jì)可定義為 19 Wki = Wk?1i p(Zk|Xki )p(Xki |Xk?1i )π (Xki |Xk?1i ,Zk) （ 25） 則 K 時(shí)刻的后驗(yàn)概率密度函數(shù)可近似為： p(Xk|Z1:k) ≈ ∑ Wkiδ (Xk ? Xki )Ni=1 （ 26） 其中 δ 是德?tīng)査瘮?shù) [10]。目標(biāo)狀態(tài)分布的后驗(yàn)概率 p(Xk|Z1:k)則通過(guò)預(yù)測(cè)和更新兩步遞推得到： 狀態(tài)預(yù)測(cè) ： p(Xk|Z1:k?1) = ∫p(Xk|Xk?1)p(Xk?1|Z1:k?1)dXk?1 (23) 狀態(tài)跟新 ： p(Xk|Z1:k) = p(Zk|Xk)p(Xk|Z1:k?1)p(Zk|Z1:k?1) (24) 其中， p(Xk?1|Z1:k?1)為 k1時(shí)刻的濾波分布，即 k 時(shí)刻的先驗(yàn)概率分布，是已知的。 由于粒子濾波算法是基于貝葉斯推理的狀態(tài)估計(jì)，因此，本章首先介紹貝葉斯?fàn)顟B(tài)推論的基本原理。從概念上講，一個(gè)粒子濾波算法包含一個(gè)被監(jiān)視系統(tǒng)的狀態(tài)的概率分布。首先，算法對(duì)目標(biāo)和背景的可分離性過(guò)于依賴，相似干擾物的存在成了一些序列中跟蹤失敗的一個(gè)主要原因；其次，算法要求相鄰幀中跟蹤區(qū)域有所重疊，因此對(duì)目標(biāo)運(yùn)動(dòng)速度有所限制。運(yùn)行環(huán)境為 WIN7+VS2021，計(jì)算機(jī)配置是 Intel（ R） Core（ TM） i33110M CPU， ，內(nèi)存 6GB。i=+height。Hue, hist, 0, 0 )。 HSV= cvCreateImage( cvGetSize(frame), 8, 3 )。其在聚類 、 圖像平滑 、 圖像分割和跟蹤方面得到了比較廣泛的應(yīng)用 。主要介紹了課題的 背景和 研究意義，分析了國(guó)內(nèi)外跟蹤技術(shù)的研究現(xiàn)狀，簡(jiǎn)單介紹了計(jì)算機(jī)視覺(jué)和目標(biāo)跟蹤，最后給出了本文的主要工作和章節(jié)安排。數(shù)據(jù)通信則是完成視頻圖像數(shù)據(jù)的傳輸和控制以及反饋信號(hào)的通信。計(jì)算機(jī)視覺(jué)與人類視覺(jué)密切相關(guān)，對(duì)人類視覺(jué)有一個(gè)正確的認(rèn)識(shí)將對(duì)計(jì)算機(jī)視覺(jué)的研究非常有益。其中包括計(jì)算機(jī)科學(xué)和工程、信號(hào)處理、物理學(xué)、應(yīng)用數(shù)學(xué)和統(tǒng)計(jì)學(xué)，神經(jīng)生理學(xué)和認(rèn)知科學(xué)等。因此視覺(jué)是思維的一種最基本的工具。而針對(duì)靜態(tài)全景圖像質(zhì)量的改進(jìn)算法也由于計(jì)算量太大無(wú)法用于處理視頻幀。 基于計(jì)算機(jī)視覺(jué)、計(jì)算機(jī)圖形學(xué)和圖像處理的全景技術(shù)興起于上世紀(jì)九十年代，最早是指單視點(diǎn)全景圖像，由一臺(tái)相機(jī)嚴(yán)格圍 繞光心旋轉(zhuǎn)所拍攝的圖像拼接而成。 美國(guó)國(guó)際商用機(jī)器公司 (IBM)與美國(guó)馬里蘭大學(xué)聯(lián)合開(kāi)發(fā)的 w4 (what， where，when， who)系統(tǒng)，主要用于對(duì)人體目標(biāo)的檢測(cè)和跟蹤，監(jiān)視目標(biāo)的活動(dòng)。二十世紀(jì)80年代以前，由于計(jì)算機(jī)技術(shù)的限制，對(duì)圖像的處理與分析主要以靜態(tài)圖像為主，在動(dòng)態(tài)圖像序列的分析中，對(duì)運(yùn)動(dòng)目標(biāo)的跟蹤帶有很強(qiáng)的靜態(tài)圖像分析的特點(diǎn)。而目標(biāo)跟蹤處于整個(gè)計(jì)算機(jī)視覺(jué)系統(tǒng)的底層，是各種后續(xù)高級(jí)處理如：目 標(biāo)分類、行為理解等的基礎(chǔ)，因而目標(biāo)跟蹤具有非常重要的研究?jī)r(jià)值 [3]。 4 智能交通系統(tǒng)是目前世界各國(guó)交通運(yùn)輸領(lǐng)域競(jìng)相研究和開(kāi)發(fā)的熱點(diǎn)。主要應(yīng)用如下 ： 在當(dāng)前階段，作為公共安全領(lǐng)域下的一種關(guān)鍵技術(shù)，電視監(jiān)控系統(tǒng)已經(jīng)得到了較為廣泛的推廣。 本文選用 相同 視頻分別對(duì)兩種算法的跟蹤性能進(jìn)行了理論分析和實(shí)驗(yàn)比對(duì)，發(fā)現(xiàn) Meanshift 算法實(shí)時(shí)性較好，但是在復(fù)雜場(chǎng)景中容易丟失目標(biāo)，而粒子濾波算法在初始選擇框比較大時(shí) 實(shí)時(shí)性較差，但是 在復(fù)雜背景下跟蹤效果較好，對(duì)背景變化不敏感 。近些年來(lái)，目標(biāo)跟蹤被廣泛應(yīng)用于視頻監(jiān)控、視頻編碼以及軍事工程等各種領(lǐng)域。 Particle Filter 3 1 緒 論 課題研究背景及意義 目標(biāo)跟蹤就是利用圖像處理、模式識(shí)別的方法發(fā)現(xiàn)視頻序列中與指定目標(biāo)圖像最相似的部分 。在此監(jiān)控系統(tǒng)中，關(guān)鍵問(wèn)題就是運(yùn)動(dòng)目標(biāo)的檢測(cè)以及跟蹤算法的選擇，這個(gè)問(wèn)題是保證整個(gè)系統(tǒng)正常運(yùn)行的前提 [2]。 目 前鍵盤(pán)和鼠標(biāo)是我們和計(jì)算機(jī)交互的接口方式，我們希望有更簡(jiǎn)潔的、智能化和人性化的人機(jī)交互方式。普通人雙眼正常有效視角大約為水平 90 度、垂直 70 度，而全景技術(shù)則可以同時(shí)顯示比人眼視角范圍大得多的場(chǎng)景，因此，能提供更豐富的信息及感官刺激，具有普通視圖所無(wú)法比擬的研究和應(yīng)用價(jià)值。從二十世紀(jì) 80年代之后，還出現(xiàn)了其他眾多的目標(biāo)跟蹤算法。為推動(dòng)我國(guó)在此國(guó)際前沿方向的研究，共同探討目 6 標(biāo)足艮蹤技術(shù)的發(fā)展動(dòng)態(tài)與趨勢(shì)，促進(jìn)我國(guó)科研人員在此領(lǐng)域的交流與合作，在中國(guó)科學(xué)院自動(dòng)化研究所、國(guó)家 863 計(jì)劃 計(jì)算機(jī)軟硬件技術(shù)主題、中國(guó)圖形圖像協(xié)會(huì)、國(guó)家自然科學(xué)基金委員會(huì)和中國(guó)自動(dòng)化協(xié)會(huì)的支持下，中科院自動(dòng)化研究所模式識(shí)別國(guó)家重點(diǎn)實(shí)驗(yàn)室已分別于 2021 年 5月和 2021 年 12月在北京承辦了兩屆“全國(guó)智能視頻監(jiān)控學(xué)術(shù)會(huì)議 ，來(lái)自全國(guó)各地高校、研究所、企事業(yè)單位的研究人員、專家學(xué)者們參加了學(xué)術(shù)會(huì)議，期間報(bào)告人和與會(huì)人員之間就目標(biāo)跟蹤領(lǐng)域中的理論、算法和應(yīng)用實(shí)例等一系列問(wèn)題做了 廣泛 而深入的探討 [5]。然而，這類技術(shù)都是針對(duì)靜態(tài)全景圖像的，算法復(fù)雜度較高，無(wú)法實(shí)現(xiàn)實(shí)時(shí)處理；并且由于是連續(xù)拍攝，處理前所有原始圖像已按序排好，即拼接時(shí)無(wú)需考慮圖像的相對(duì)位置；同時(shí)，由于相機(jī)的運(yùn)動(dòng)軌跡簡(jiǎn)單，不同圖像間一般僅存在平移關(guān)系，故較容易進(jìn)行配準(zhǔn)。但從另一個(gè)角度看，這類技術(shù)極大地依賴于特制硬件結(jié)構(gòu)，因此不易推廣普及?，F(xiàn)實(shí)世界中的物體都是三維的，而人眼所獲得的景物圖像是二維的，人類的視覺(jué)系統(tǒng)能從二維圖像中獲得三維信息，從而感知三維世界。計(jì)算機(jī)視覺(jué)的挑戰(zhàn)是要為計(jì)算機(jī)和機(jī)器人開(kāi)發(fā)具有與人類水平相當(dāng)?shù)囊曈X(jué)能力。 目標(biāo)跟蹤是一個(gè)應(yīng)用前景非常廣泛的技術(shù)。 文章內(nèi)容及安排 目標(biāo)跟蹤算法是當(dāng)前研究的熱點(diǎn)和難點(diǎn)。 第三章 粒子濾波 跟蹤算法的 實(shí)現(xiàn)與分析 。后來(lái)，如果說(shuō)起Meanshift 算法，一般它指代的是一個(gè)迭代的步驟，即先算出當(dāng)前點(diǎn)的偏移均值，移動(dòng)該點(diǎn)到其偏移均值，然后以此為新的起始點(diǎn)，繼續(xù)移動(dòng)，直到滿足一定的條件結(jié)束 [6]。hdims,CV_HIST_ARRAY,amp。Hue,BackProjectImage,hist)。 M01+=j*I(i,j)。 圖 1. 4 Meanshift 跟蹤第二組 15 圖 1. 5 Meanshift 跟蹤第二組 圖 1. 6 Meanshift 跟蹤第二組 16 圖 1. 7 Meanshift 跟蹤第二組 兩個(gè)實(shí)驗(yàn)表明， 當(dāng)目標(biāo)與背景顏色相似時(shí)容易跟蹤失敗。它放寬了卡爾曼濾波的線性高斯約束，提供了一個(gè)易于處理非線性非高斯問(wèn)題的解決方案。粒子濾波采用將這個(gè)分布重新表示為一組加權(quán)值，或稱為粒子的方法克服了這個(gè)困難。 本章 最后通過(guò)實(shí)驗(yàn)分析了粒子濾波算法跟蹤效果 并與 Meanshift 算法的跟蹤效果進(jìn)行了比對(duì) 。 粒子濾波 具體實(shí)現(xiàn) 設(shè) X0:k = *X0,X1,…Xk+表示到 k時(shí)刻為止的所有狀態(tài)， {Wk1,Wk2,…Wkn}表示 k時(shí)刻粒子集 {Xk1,Xk2,…Xkn}的歸一化權(quán)值，即 ∑ WkiNi=1 = 1， N為粒子數(shù)。每個(gè)粒子都計(jì)算所在區(qū)域的顏色特征，根據(jù) H、 S、 V值作出的直方圖 ，同時(shí)與目標(biāo)的直方圖進(jìn)行相似度比較，這里采用巴氏系數(shù)，得出相似度后還要進(jìn)行歸一化，然后把這個(gè)相似度作為權(quán)值賦給各個(gè)粒子。 兩種跟蹤算法的跟蹤比較 通過(guò) Meanshift 跟蹤算法以及粒子濾波算法在全景視頻中的跟蹤對(duì)比，我們可以很明顯的發(fā)現(xiàn)兩種算法各自的優(yōu)缺點(diǎn)，下面以表格形式直觀說(shuō)明 ： 表 兩種算法優(yōu)缺點(diǎn)比較 優(yōu)點(diǎn) 缺點(diǎn) Meanshift 算法 由于只取 HSV空間中 H分量畫(huà)直方圖并反向投影，然后對(duì)該概率密度圖像進(jìn)行迭代跟蹤，計(jì)算量不大，實(shí)時(shí)性較好 由于目標(biāo)特征單一，在背景顏色相似時(shí)可能出現(xiàn)誤跟現(xiàn)象，同時(shí)當(dāng)跟蹤誤差累積到一定程度時(shí)可能導(dǎo)致目標(biāo)跟蹤失敗 26 粒子濾波算法 通過(guò) H、 S、 V三個(gè)分量作出直方圖，通過(guò)各粒子的相似度賦予權(quán)值，最后用各粒子的加權(quán)平均來(lái)表示目標(biāo)位置，跟蹤效果穩(wěn)定且不易被背景影響 每個(gè)粒子都要計(jì)算各自區(qū)域的直方圖，當(dāng)初始區(qū)域較大或者粒子數(shù)目變多時(shí)，由于計(jì)算量加大可導(dǎo)致跟蹤實(shí)時(shí)性收到影響。所以，在以后的研究中，希望能有更多更優(yōu)的特征選擇。雖然工大的老師教授我們知識(shí)的時(shí)間不是很長(zhǎng)，但是他們將我領(lǐng)進(jìn)了計(jì)算機(jī)科學(xué)的殿堂，他們教學(xué)嚴(yán)謹(jǐn)認(rèn)真負(fù)責(zé)給我留下了深刻印象。 最后感謝計(jì)算機(jī)科學(xué)與技 術(shù) 104 班所有同學(xué)，是你們陪伴著我度過(guò)了大學(xué)歲月，是你們讓我的大學(xué)生活豐富多彩。 BackProjectImage = cvCreateImage( cvGetSize(frame), 8, 1 )。 cvCvtColor(image,HSV,CV_BGR2HSV)。 // 直方圖縮放到 0~255 cvResetImageROI( Hue )。 } double val = ( cvGetReal1D(histbins,i)*histimgheight/255)。 box = mean_shift(box,BackProjectImage)。 switch (event) { case CV_EVENT_MOUSEMOVE: { if (select_object) { = 。 case CV_EVENT_LBUTTONUP: { draw_box(image,box)。 } }