【文章內容簡介】 當前狀態(tài)，甚至能估計將來的狀態(tài)，即使并不知道模型的確切性質。 卡爾曼濾波器是一個對動態(tài)系統(tǒng)的狀態(tài)序列進行線性最小方差估計的算法，具有計算量小，可實時計算的特點，通常被用來對跟蹤目標運動狀態(tài)進行預測，可以減少搜索區(qū)域的大小，提高跟蹤的實時性以及準確性。均值漂移算法作為一種高效的匹配算法，已經被成功運用的目標跟蹤領域。該算法利用梯度優(yōu)化實現快速目標定位，能夠對非剛體目標實時跟蹤，對目標的變形、旋轉等有較好的適用性，但是當周圍場景存在干擾時，僅使用均值漂移算法容易造成目標丟失。在跟蹤目標被嚴重遮擋或干擾時，均值漂移算法無法跟蹤目標時，卡爾曼濾波能夠較好的預測目標的速度和位置。 卡爾曼濾波器是一個最優(yōu)化自回歸數據處理算法。它的廣泛應用已經超過30年，包括機器人導航，控制，傳感器數據融合甚至在軍事方面的雷達系統(tǒng)以及導彈追蹤等等。近年來更被應用于計算機圖像處理，例如頭臉識別，圖像分割，圖像邊緣檢測等等。 基于特征的目標跟蹤算法 基于特征的目標跟蹤方法是指根據目標的一些有用特征信息利用某種匹配算法在序列圖像中尋找目標，進而跟蹤運動目標[37,38]。該算法的實現通常分為三步：第一步，根據目標檢測結果抽取目標的顯著特征，如拐角、邊界、有明顯標記的區(qū)域、顏色等。第二步，在連續(xù)幀圖像上尋找特征點的對應關系，也稱為特征匹配。第三步，根據某種相似性度量方法，確定在當前幀中目標的最佳位置。區(qū)域特征是最常用的匹配特征之一。區(qū)域特征包括目標區(qū)域信息、邊緣信息、灰度分布信息、紋理特征等，由于包含了大量的目標信息，因此能在一定程度上排除背景干擾，但也導致計算量很大?；趨^(qū)域特征匹配的跟蹤算法非常適合于室外的目標跟蹤，其最典型的算法是模板相關匹配算法。顏色，直方圖以及最小外接矩形框也是最常用的跟蹤特征。3 基于幀間差分法運動目標檢測的研究 幀間差分法運動目標檢測流程利用幀間差分法實現運動目標檢測是根據比較相鄰圖像之間的變化來實現的[39]。方法簡單明了，主要利用視頻序列中連續(xù)的兩幀或幾幀圖像的差異來進行目標檢測和提取。 幀間差分法基本流程，接著將兩幀圖像進行差分得到差分圖像。其次對差分后的圖像進行二值化以及形態(tài)學濾波處理得到了二值化圖像。最后經過連通性檢測并對二值化圖像進行判別進而達到了運動目標檢測的目的。 幀間差分法運動目標檢測過程及原理 RGB圖像轉換為灰度圖像RGB圖像也稱為真彩圖像，分別用紅、綠、藍三個色度值為一組，代表每個像素的顏色。這些色度值直接存在圖像數組中，而不使用調色板。RGB圖像是24位圖像，其中紅、綠、藍分量分別占用8位，因而圖像理論上可以包含224種不同的顏色?；叶葓D像是包含灰度級（亮度）的圖像。在matlab中，灰度圖像是由一個uintuint16或一個雙精度類型的數組來描述?；叶葓D像保存在一個矩陣中，矩陣中的每一個元素代表一個像素點。元素的數值代表一定范圍內的灰度，通常0代表黑色，255代表白色。由于灰度圖像存儲時不使用調色板，因而matlab將使用一個默認的系統(tǒng)調色板來顯示圖像。在運用幀間差分法檢測運動目標的過程中需要將真彩圖像轉換為灰度圖像。彩色圖像每個像素點在RGB空間中是一個三維矢量，每個分量分別代表紅、綠、藍三種顏色的灰度。最簡單的將彩色圖像轉換成灰度圖像的方法是將這三個分量取平均值。但是這種方法和人眼視覺感知不符。人眼感知紅、綠、藍三種顏色的權重是不一樣的。JPEG圖像壓縮格式采用的是YUV空間，YUV空間是RGB空間的線性變換。轉換公式是： （）R、G、B分別表示紅、綠、藍三種顏色分量的灰度值。Y分量表示圖像的亮度，這是符合人眼對顏色感知的。我們就以Y分量作為圖像像素的灰度。將彩色像素轉換為灰度像素的公式為： （）遍歷彩色圖像的每一個像素矢量，設矢量的紅、綠、藍三色分量值為R、G、B，++， 彩色圖像則轉換為灰度圖像。 圖像差分處理差分是面向像素級的變化像素檢測，可以分為連續(xù)幀間差分和背景差分。連續(xù)幀間差分處理是將連續(xù)兩幀進行比較，從中提取出運動目標的信息，見公式（）。 （）如公式（）所示，將連續(xù)兩幀圖像做減法，便得到了差分后的圖像，從而提取出運動目標。公式（）中是第幀圖像，是背景圖像，第幀圖像與背景圖像的差即為差分后的圖像。 差分圖像二值化運動目標的視頻序列圖像進行差分后，要對差分圖像進行二值化處理，逐點檢測判斷背景與運動目標，這是基于像素級的檢測。傳統(tǒng)的二值億方法是設定固定的閾值T，當差分值小于閾值T時，將其判為背景像素，反之則為目標像素，見公式（）。 （）如公式（）所示，我們認為當差分圖像中某一像素值的差大于某一給定的閾值T時，該像素為目標像素，即認為該像素可能為目標上的一點，反之則認為是背景像素圖。閾值的大小是由經驗值確定的，在不同的環(huán)境條件下，閾值不是固定的，所以簡單的給定閱值的方法是不可取的。人們將分割的方法引入差分圖像的二值化處理問題中，希望通過分割算法能夠自動選取合適的閩值將差分圖像分成目標與背景兩類。如kim等采用自適應閾值分割法[40]。它首先假定差分圖像的直方圖是三個加權單峰高斯模型混合而成，那么差分圖像的混合概率密度函數為：（）公式（）中，為差值數量，為單高斯模型的均值，為均值的標準差。這樣閾值問題變成了尋找和劃分三個高斯模型。由于是差分圖像，∈[255，255]，閾值出現在兩個模型的交叉點上或者說是兩峰之間的谷底。由于對稱性，=，=。公式（）所示的求閾值的方法很有效，但是這種方法需要建立高斯模型，為了找出使均方誤差最小的，需要遍歷地對于每一個求取三組，以及最小均方誤差e，計算量非常大，不利于實時檢測。 本文中采用最大類間方差分割法，這是一種比較簡單，使用范圍較廣，受到普遍歡迎的閾值選取算法[41,42]。最大類間方差分割法是由Ostu在最小二乘法原理的基礎上推導得出的。首先，如果圖像的灰度級范圍是0，1，2，…，L1，設灰度級i的像素點個數為，圖像的像素點的總數為,則第i級灰度級的出現概率就被定義為： （其中） （）在最大類間方差分割方法中，閾值t把圖像的像素分為和兩類（分別代表目標與背景）。那么，和類出現概率及均值分別為： （） （） （） （）其中，和類的方差為： （） （）類間方差為： （）類內方差為： （）總體方差為： （）引入關于t的等價判決準則函數： （）最優(yōu)閾值通過等價判決準則的最大值得到： （）從推導中可以看出，在這個最優(yōu)閾值下，公式（）達到最大值時，公式（）的分子——類內方差最大，分母——類間方差最小。也就是，通過這個閾值的設定將圖像分割成的運動目標和背景兩類像素。盡管最大類間方差分割法同樣是遍歷地求取方法，為了找到使公式（）達到最大值，對所有的t都要進行運算，但是這種方法比自適應閱值分割法計算量要小得多。 它有以下的優(yōu)點： 它將差分圖像取絕對值，那么所需要遍歷的值的范圍縮小一半。 它將差分值分成兩類，每次求兩類的均值和方差，比起三高斯模型求三組均值和方差，計算量減小三分之一。 自適應閾值分割法存在誤判，所找的使均方誤差最小的口，與模型的谷底不對應，而最大類間方差分割法總能夠找到t使類間方差達到最大值從而將差分值合理地分成了兩類（背景與運動目標）。 形態(tài)學濾波 二值化以后的圖像為往往會含有許多孤立的點、孤立的小區(qū)域、小間隙和孔洞，為了解決閾值分割后的差分圖像可能會存在這些的問題，我們使用了數學形態(tài)學圖像濾波處理[43]。 形態(tài)學一般指生物學中研究動物和植物結構的一個分支，后來人們用數學形態(tài)學表示以形態(tài)為基礎對圖像進行分析的數學工具。數學形態(tài)學的基本思想是用具有一定形態(tài)的結構元素去量度和提取圖像中的對應形狀以達到對圖像分析和識別的目的。該技術一般以二值圖像為處理對象，但也可以用在某些灰度圖像的應用中?；镜男螒B(tài)學運算是腐蝕和膨脹，腐蝕（Erosion）是消除目標圖像中的無用點（或孤立噪聲點）的一個過程， 其結果使得剩下的目標比處理前少了一些像素。一般意義的腐蝕定義是：用來腐蝕記為定義為： （）如公式（）所示腐蝕過程可以描述如下：平移（x，y）后仍在集合中的結構元素參考點的集合。換句話說，用來腐蝕得到的集合是完全包括在集合中時的參考點位置的集合。膨脹（Dilation）是腐蝕運算的對偶運算（逆運算），它是將與目標接觸的所有點合并到該目標的過程，過程的結果是使目標的面積增加了相應數量的像素。膨脹在填補分割后目標中的孔洞很有用。用來膨脹記為定義為： （） 膨脹過程可以描述如下：用來膨脹X得到的集合雪的位移與集合至少有一個非零元素相交時結構元素的參考點位置的集合。先腐蝕后膨脹的過程稱為開運算（Opening）。它具有消除細小目標、在纖細點處分離目標、平滑大的邊界，而不明顯改變其面積的作用。開運算的定義為： （）先膨脹后腐蝕的過程稱為閉運算（Closing）。它具有填充目標內部細小孔洞、連接鄰近目標，在不明顯改變面積的情況下平滑其邊界的作用，閉運算的定義為： （）通常情況下，對差分圖像使用閾值分割二值化時，所得到的二值化圖像中目標區(qū)域的邊界往往不是平滑的，目標區(qū)域具有一定的因錯判而產生的孔洞，背景區(qū)域上有一些因錯判而產生的粒狀噪聲。連續(xù)的開和閉運算可以顯著的改善這種情況，得到期望的效果，但這里要說明的是，選擇合理的膨脹/腐蝕，或開/閉運算的組合對處理效果有很大的影響。 此外，在形態(tài)學算子中還有許多變形算子，它們可以完成一些其他的處理，如收縮（Shrinking）、細化（Thinning）、骨架（Skeletonization）、剪枝（Pruning）和粗化（Thickening）等。 連通性檢測 在使用形態(tài)學濾波處理完圖像后，一些小的干擾區(qū)域已經被除去，小的間隙被連接上，小的孔洞被填充上，但是仍然會有相對較大的孔洞存在于檢測目標內部。因此，我們使用連通性檢測的方法進行處理，來去除檢測到的運動目標內部的孔洞。 在一個像素集合內，如果集合內的每一個像素與集合內其它像素連通，則稱該集合為一個連通成分。在一幅圖像中找出連通成分是機器視覺中最常見的運算之一。最常見的連通成分標記算法是遞歸算法和序貫算法。 二值圖像連通成分標記的遞歸算法過程如下： 掃描圖像，找到沒有標記的目標像素點，給他分配一個新的標記L； 遞歸分配標記L給目標像素點的鄰點； 如果不存在沒標記的點，則停止： 返回第1步。 這種算法的效率低，尤其是對于二值圖像中存在多個目標，需要重復的對圖像反復的掃描。而序貫算法通常只對圖像處理兩次，要比遞歸算法在處理速度快很多。二值圖像連通成分標記的序貫算法過程如下： 從左至右、從上到下掃描圖像； 如果像素點為目標像素點： 如果上面點和左面點有一個標記，則復制這個標記； 如果兩點有相同的標記，則復制這個標記； 如果兩點有不同的標記，則復制上點的標記且將兩個標記輸入等價表中作為等價標記； 否則給這一個像素點分配一新的標記，并將這一標記輸入等價表。 如果圖像還存在未掃描的點，返回2； 在等價表的每一等價集中找到最低的標記；掃描圖像，用等價表中的最低標記取代每一標記。本文中采用的方法是，首先對形態(tài)學濾波處理后的圈像采用序貫算法找出所有連通輪廓（包括運動目標的外部輪廓和內部孔洞的輪廓），其次對這些輪廓進行判斷，將包含在外輪廓內部的小輪廓去除掉。這樣目標圖像內部就被填充的完整，將有利于后序的目標定位以及目標跟蹤。 4 基于最小外接矩形框目標跟蹤 目標跟蹤流程 運動目標跟蹤技術通常有兩種思想：通過目標識別來進行跟蹤和通過運動目標檢測來進行跟蹤。使用目標識別的方法進行跟蹤通過在每一幀的圖像中識別研究的目標來確定目標的位置來實現目標的跟蹤。這種方法包含了目標識別和目標匹配兩部分。而使用運動目標檢測的方法來發(fā)現并確定運動目標的位置進行跟蹤，這種方法不考慮目標的形狀、尺寸，可以檢測任何目標。本文結合了運動目標檢測結果來進行目標跟蹤。因此，在運動目標跟蹤的流程當中運動目標檢測的部分尤為重要。它關系到運動目標的得到，也就關系到能否實現跟蹤。基于特征的跟蹤方法是一種比較常見的目標跟蹤算法，它是根據運動目標的一些有用特征值，并利用運動目標檢測結果來實現目標跟蹤。 運動目標跟蹤過程 ： 運動目標跟蹤流程，在運動目標跟蹤的過程圖中，前半部分是運動目標檢測的流程圖。通過運動目標檢測，可以提取出運動目標的輪廓。然后用最小外接矩形框標出運動目標，跟蹤最小外接矩形框從而達到了運動目標跟蹤的目的。 運動目標跟蹤過程分析本文運動目標跟蹤算法是基于運動目標檢測的基礎之上的，因