【正文】 方式。 2 ）基于區(qū)域的的數(shù)學形態(tài)學視頻編碼 [ 12 ] ,[ 13 ] 。該調(diào)制方案偵測到高速運動，并放緩運動估計。不符合上述條件額未覆蓋區(qū)域是虛警。 以下是實際中的屬于目標的未遮擋區(qū)域 。在這些情況下，覆蓋和為覆蓋區(qū)域并不符合遮擋和遮擋恢復。當前幀的每個塊都進行運動補償 北京理工大學本科生畢業(yè)設(shè)計（論文） 國外文獻翻譯 7 )]([ 00 NkiMVNkiR ?? 以找出坐落在 kobjP 中的部分塊。這種調(diào)制方案能在視頻序列中的運動較慢的情況下很好的節(jié)約資源。 1 ）塊分類：令視頻序列的第 k 幀為 I（ x,y,k），并且（ x,y）表示一個像素點。因此，需要自檢測操作以去除一些小的區(qū)域。遮擋和遮擋恢復技術(shù)已經(jīng)被發(fā)展成為能夠應(yīng)用在其它的基于區(qū)域的技術(shù)上以提高跟蹤精度。依靠光流估計對節(jié)點信息進行采樣，跟蹤節(jié)點設(shè)置 [ 8 ] 。該跟蹤算法在計算方式上要優(yōu)于現(xiàn)存的基于區(qū)域的目標跟蹤方法。首先，從幀差中估計未遮擋區(qū)域?！吧咝胃印?[ 10 ]是一種采用帶參量的光滑曲線（運動輪廓）來跟蹤視頻目標邊界的方法。第四節(jié)包含實驗結(jié)果證明了這一方法的有效性。為了找出這些區(qū)域，我們計算在分割圖中所有區(qū)域的運動矢量。本文提出的計算塊尺寸的方法依據(jù)塊的位置。在所提出的方法中，跟蹤是每三幀執(zhí)行一次。讓 0NkiMV? 來描述計算出的運動向量，得到區(qū)域（塊） ),( 00 NkyxIR Nki ??? 。二元性原理可以被應(yīng)用于構(gòu)建遮擋 檢測算法。 2 ）區(qū)域分類：如前所述， 未遮擋區(qū)域不符合實際中的 遮擋恢復 s 。 B）相似性測試：以下的相似性測試是針對所有未覆蓋區(qū)域：令 iobjMV代表未 覆蓋區(qū)域 thj 中的前向運動矢量， iobjMV代表目標 thi 的運動集群的中心。對于跳幀的目標輪廓可以內(nèi)插。給出了一張不同的方法的計算時間表。我們正在進一步研究這個問題。因為目標掩膜被修改以照顧遮擋和遮擋恢復 ，目標可 以準確地被跟蹤一個較長的時間，而不需要重新初始化 /重新分割。 Richardson, IBM, Jones Day, Latham amp。 V. 討論 在這篇文章中，我們提出了一個簡單的跟蹤算法，避免了除開初始幀中的目標部分的圖像分割。因此與基于區(qū)域的方法比較，被跟蹤目標的邊界不是很準確。 北京理工大學本科生畢業(yè)設(shè)計（論文） 國外文獻翻譯 11 圖 .8 遮擋和遮擋恢復的檢測 圖 .9 帶有遮擋 /遮擋恢復檢測的人體跟蹤 圖 .7 遮擋恢復的檢測和融合 圖 .8 說明了遮擋檢測算法的效果。 A. 視頻序列 在序列（工人）中，目標運動不是始終如一的，因此當觀察到有意義的運動時跟蹤會放緩。這些區(qū)域中的被覆蓋部分應(yīng)為運動矢量不準確而被移除，因此可能在聚類的時候?qū)е洛e誤。在此二元性的基礎(chǔ)上，執(zhí)行遮擋恢復檢測的算法可以被公式化，做些合適的修改就可以用來檢測遮擋。對于落后的運動，第 0Nk? 幀使用第 k 幀重構(gòu) .。 該仿射模型中的轉(zhuǎn)換要素反映了目標的運動過程。位于邊界的塊被標記為不確定的塊，它們會在估計步驟的下一環(huán)節(jié)被處理。如果將要被跟蹤的目標類別是知道的，同樣可以采用自動初始化。k+N0)幀間進行運動回歸估計 是否高速運動 北京理工大學本科生畢業(yè)設(shè)計（論文） 國外文獻翻譯 4 出目標區(qū)域信息。在這些著作中，對與遮擋恢復的檢測并沒有做出最夠的重視。 多種技術(shù)手段已經(jīng)被運用在提取視頻場景中的有意義的目標。 北京理工大學本科生畢業(yè)設(shè)計（論文） 國外文獻翻譯 1 基于自適應(yīng)模板匹配的快速目標跟蹤 Karthik Hariharakrishnan and Dan Schonfeld, Senior Member, IEEE 摘要 我們提出一個目標跟蹤快速算法 用運動矢量數(shù)據(jù)來預(yù)測目標物體輪廓。該視頻追蹤程序運用到了視頻壓縮，視頻檢索，交互視頻，場景組成等等。迄今為止提出的遮擋檢測的方法多集中在解決因為遮擋物體而出現(xiàn)的目標的部分藏匿 [ 1 ],[5], [ 14 ] 。k+N0 )的運動均值 用戶自定義掩膜 (第 k=k0 幀 ) 計算并更新目標掩膜 k=k+N0 合并（移除）屬于（不屬于）目標的區(qū)域 遮擋及遮擋恢復檢測 在 (kamp。目標也可以在圖形界面中的手工初始化。 運動估計已經(jīng)被運用在 Y,U,V 空間。最小二乘算法用來提取運動模型參數(shù)。如果前向運動估計為 0Nkk ?? ）并且第 k 幀以第 0Nk? 幀重建，離群像素與第 0Nk? 幀中將被覆蓋的 區(qū)域相符。 這種檢測 遮擋恢復 (遮擋 )的算法能找出這種運動相似性 。 0_Nk objnewP?中的運動矢量用如 下所述的 K均值算法 [4]群集。 依據(jù)該算法編寫的程序 并沒有 全部 得到優(yōu)化 ，改進后應(yīng)能獲取更佳的效果 。該算法同樣被用在實時視頻。在目標跟蹤的像素準確度要求不十分嚴格的情況下，跟蹤算法主要是被設(shè)計應(yīng)用在基于對象的視頻編碼。但在其它很多視頻中，利用第二節(jié)中所提到的瑣碎的初始化算法效果并 不好。 REFERENCES [1] Y. Altunbasak and A. M. Tekalp, “遮擋 adaptive, contentbased mesh design and forward tracking,” IEEE Trans. Image Process., vol. 6, no. 9, pp. 1270–1280, Sep. 1997. [2] A. A. Amini, T. , and R. C. Jain, “Using dynamic programming for solving variational problems in vision,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 12, no. 9, pp. 855–867, Sep. 1990. [3] M. J. Black and A. Jepson, “Eigentracking: robust matching and tracking of articulated objects using a viewbased representation,” Int. J. Comput. Vis., vol. 26, no. 1, pp. 63–84, 1998. [4] B. Ev