【導(dǎo)讀】導(dǎo)下進(jìn)行的研究工作及取得的成果。盡我所知，除文中特別加以標(biāo)注和致。含我為獲得及其它教育機(jī)構(gòu)的學(xué)位或?qū)W歷而使用過(guò)的材料。明并表示了謝意。以贏利為目的前提下，學(xué)?？梢怨颊撐牡牟糠只蛉?jī)?nèi)容。其他個(gè)人或集體已經(jīng)發(fā)表或撰寫的成果作品。對(duì)本文的研究做出重要貢獻(xiàn)。的個(gè)人和集體，均已在文中以明確方式標(biāo)明。本人完全意識(shí)到本聲明的法。律后果由本人承擔(dān)。涉密論文按學(xué)校規(guī)定處理。論文正文字?jǐn)?shù)不少于萬(wàn)字。圖表整潔，布局合理，文字注釋必須使用工程字書寫，不準(zhǔn)用徒手畫。視頻序列中運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤是實(shí)現(xiàn)視頻監(jiān)控系統(tǒng)的關(guān)鍵技術(shù)之一。動(dòng)目標(biāo)檢測(cè)和跟蹤是當(dāng)前智能視頻監(jiān)控技術(shù)努力的方向。本文研究了靜態(tài)場(chǎng)景下運(yùn)動(dòng)目。法企圖搜索目標(biāo)模板、計(jì)算量大、實(shí)時(shí)性差；針對(duì)這兩種算法在目標(biāo)跟蹤方面的不足，對(duì)其進(jìn)行了相應(yīng)的改進(jìn)和完善。質(zhì)心帶來(lái)的誤差，實(shí)現(xiàn)可靠的跟蹤。

　　

【正文】 位，將模板匹配法之后得到的目標(biāo)質(zhì)心位置做為下一幀光流法跟蹤的特征點(diǎn)，以此類推，從而實(shí)現(xiàn)目標(biāo)跟蹤。 下面以圖形的形式加予說(shuō)明。 （ a） (b) (c) (d) （ e） （ a）第 k 幀光流法跟蹤結(jié)果 （ b）第 k+1 幀光流法跟蹤結(jié)果 （ c）第 k+1 幀光流法和模板匹配法相結(jié)合 （ d）第 k+1 幀光流法和模板匹配法相結(jié)合的跟蹤結(jié)果 （ e）目標(biāo)模板 圖 光流法和模板匹配法相結(jié)合示意圖 圖 中，藍(lán)色矩形框?yàn)楦櫩颍S色虛線矩形框?yàn)樵O(shè)定的搜索區(qū)域，“人”為目標(biāo)，圖 (a)、（ b)和 (c)中的紅色十字架為光流法預(yù)測(cè)的目標(biāo)質(zhì)心，圖 （ d）中的紅色十字架為光流法和模板匹配法相結(jié)合后更正的目標(biāo)質(zhì)心。 光流法和模板匹配法所存在的問(wèn)題及本文改進(jìn)之處： 光流法之所以 跟蹤目標(biāo)容易丟失且魯棒性不高缺點(diǎn) ，是因?yàn)楣饬鞣A(yù)測(cè)的目標(biāo)質(zhì)心與實(shí)際的目標(biāo)質(zhì)心出現(xiàn)偏差，故跟蹤框偏離目標(biāo)（見(jiàn)圖 （ b） ），并且將第 k+1 幀光流法預(yù)測(cè)的目標(biāo)質(zhì)心做為下一幀光流法跟蹤的特征點(diǎn)，顯 然，在第 k+n（ n 大于等于2）幀時(shí)，跟蹤框偏離目標(biāo)必定會(huì)加大并停止跟蹤。 文 中 對(duì)光流法的改進(jìn)是：將模板匹配定位之后更正的目標(biāo)質(zhì)心（見(jiàn)圖 （ d）紅色十字架）做為下一幀光流法跟蹤的特征點(diǎn)，這樣可以避免單一光流預(yù)測(cè)目標(biāo)質(zhì)心所帶來(lái)的誤差，從而實(shí)現(xiàn)可靠的跟蹤。 基于最小絕對(duì)方差累加和的模板匹配法由于全圖搜索目標(biāo)模板對(duì)圖像利用率高，其計(jì)算量大，處理一幀圖像耗時(shí)約 1S，實(shí)時(shí)性差，不能單獨(dú)用于目標(biāo)跟蹤。 視頻序列中運(yùn)動(dòng)目標(biāo)跟蹤方法的研究 21 本文對(duì) MAD 算法的改進(jìn)是：經(jīng)光流法跟蹤之后得到的目標(biāo)質(zhì)心，在這一目標(biāo)質(zhì)心鄰域（圖 （ c）中黃色虛矩形框，這是 搜索區(qū)域）內(nèi)，利用 MAD 算法搜索目標(biāo)模板，實(shí)現(xiàn)目標(biāo)跟蹤；顯然，本文通過(guò)減小搜索區(qū)域來(lái)減少計(jì)算量，從而提高實(shí)時(shí)性和跟蹤的精度。 在目標(biāo)匹配時(shí) ，第 i 個(gè)（ i 為目標(biāo)的 ID）目標(biāo) 搜索 的起始點(diǎn)設(shè)置為光流法預(yù)測(cè)的第 i 個(gè)目標(biāo)的目標(biāo)質(zhì)心位置，用公式 (411)表示；第 i 個(gè)（ i 為目標(biāo)的 ID）目標(biāo)的 搜索區(qū)域 比第 i 個(gè)目標(biāo)的大小略大，用公式 (412)表示，其中 w? 和 h? 為設(shè)定的閾值。 S e a r c h _ O r i g i n a t e _ P o i n t [ ] . [ ] .S e a r c h _ O r i g i n a t e _ P o i n t [ ] . [ ] .i x T r a c k in g B lo b i xi y T r a c k in g B lo b i y??? ?? (41) S e a r c h A r e a [ ] . [ ] .S e a r c h A r e a [ ] . [ ] .i w T r a c k in g B lo b i w wi h T r a c k in g B lo b i h h? ? ??? ? ? ?? (42) 通過(guò)大量的實(shí)驗(yàn)發(fā)現(xiàn)，在一幀時(shí)間里光流法預(yù)測(cè)的目標(biāo)質(zhì)心位置偏離實(shí)際的目標(biāo)質(zhì)心位置最大為 10 個(gè)像素（比如在人跑步、高速行駛的車等情況下），通常為 0 至 3 個(gè)像素，因此， w? 和 h? 設(shè)置為： 0 14w?? ? 、 0 14h?? ? ； 如果目標(biāo)的運(yùn)動(dòng)預(yù)測(cè)可靠，則逐漸縮小 閾值 w? 和 h? ， 當(dāng)目標(biāo)丟失時(shí)，則逐漸增大 閾值 w? 和 h? 。 綜合上述三點(diǎn)， 光流法和模板匹配法相結(jié)合 的跟蹤方法 , 即改進(jìn)的目標(biāo)跟蹤算法概括為： 在第 k 幀，將目標(biāo)質(zhì)心（圖 （ a）中的紅色十字架）做為特征點(diǎn)，利用 金字塔圖像的 Lucas Kanade 特征 點(diǎn) 跟蹤算法 對(duì)其進(jìn)行跟蹤；經(jīng) Lucas Kanade 光流跟蹤后，在第k+1 幀，可以得到目標(biāo)質(zhì)心的新位置（圖 （ b）、（ c）中的紅色十字架），在新位置的領(lǐng)域（圖 （ c）中黃色虛線矩形框，這是搜索區(qū)域）內(nèi)，利用 MAD 算法搜索目標(biāo)模板（圖 （ e））；搜索結(jié)果如圖 （ d）所示，藍(lán)色矩形框?yàn)楦櫩颍梢?jiàn)跟蹤結(jié)果準(zhǔn)確；紅色十字架為光流法和模板匹配法相結(jié)合后更正的目標(biāo)質(zhì)心，將這一目標(biāo)質(zhì)心做為下一幀光流法跟蹤的特征點(diǎn)，以此類推，從而實(shí)現(xiàn)穩(wěn)定、可靠的目標(biāo)跟蹤。 實(shí)驗(yàn)結(jié)果與 分析 在 VC++ 環(huán)境下對(duì) 節(jié)的視頻做了改進(jìn)的目標(biāo)跟蹤算法實(shí)驗(yàn)。實(shí)驗(yàn)中，我們采用的參數(shù)是：積分窗口為 11 11（即公式 431 中的 x? 和 y? 均采用 5 個(gè)像素），金字塔層數(shù) L 為 3，迭代次數(shù) K 為 20 次，目標(biāo)模板更新時(shí)間 T 為 1S，設(shè)定的搜索區(qū)域?yàn)?40? 80（實(shí)驗(yàn)中最大的目標(biāo)模板為： 26? 66）。 視頻序列中運(yùn)動(dòng)目標(biāo)跟蹤方法的研究 22 第 10 幀 第 10 幀 A B C D E F 圖 原圖像及目標(biāo)檢測(cè)結(jié)果 圖 目標(biāo)模板 圖 為原圖像及目標(biāo)檢測(cè)結(jié)果。二值圖像中紅色十字架為目標(biāo)質(zhì)心?？梢钥闯鲈跀z像機(jī)靜止情況下，本文設(shè)計(jì)的目標(biāo)檢測(cè)算法可以準(zhǔn)確、快速的檢測(cè)出運(yùn)動(dòng)目標(biāo)，這為后續(xù)跟蹤提供了準(zhǔn)確可靠的目標(biāo)質(zhì)心及目標(biāo)模型，克服了其他系統(tǒng)要手動(dòng)圈出待跟蹤目標(biāo) 的缺陷。 圖 為目標(biāo)模板。其中，圖 A、 B 和 C 分別表示第 55 和 85 幀目標(biāo) 1 模板，圖 D、 E 和 F 分別表示第 55 和 85 幀目標(biāo) 2 模板?？梢钥闯觯崛〉哪繕?biāo)模板精確、可靠。 第 11 幀 第 43 幀 第 68 幀 第 78 幀 第 93 幀 第 107 幀 圖 改進(jìn)的目標(biāo)跟蹤算法跟蹤結(jié)果 圖 為跟蹤結(jié)果。圖中，紅色的方框?yàn)楦櫩?，?shù)字“ 1”和“ 2” 為目標(biāo)的標(biāo)號(hào)，紅色的“ +”為改進(jìn)的目標(biāo)跟蹤算法更正的目標(biāo)質(zhì)心，綠色的曲線為目標(biāo) 1 的運(yùn)動(dòng)軌跡，藍(lán)色的曲線為目標(biāo) 2 的運(yùn)動(dòng)軌跡；可以看出，改進(jìn)的目標(biāo)跟蹤算法能較好的跟蹤目標(biāo)和繪制目標(biāo)運(yùn)動(dòng)軌跡，并且 1S 至少可以處理 15 幀圖像，基本滿足了實(shí)時(shí)跟蹤的要求。 單一使用 金字塔圖像的 Lucas Kanade 特征 點(diǎn) 跟蹤算 法其跟蹤結(jié)果如圖 所示，目標(biāo) 1 的跟蹤框在第 78 幀之后開(kāi)始偏離目標(biāo)，到達(dá)第 93 幀時(shí)，由于目標(biāo)模糊不清、并且與背景較為相似，所以跟蹤框偏離加大，并停止跟蹤；而單一使用 MAD 算法跟蹤目標(biāo)，視頻序列中運(yùn)動(dòng)目標(biāo)跟蹤方法的研究 23 由于該方法全圖搜索目標(biāo)模 板，計(jì)算量過(guò)大，處理一幀圖像耗時(shí)約 1S，實(shí)時(shí)性差。這兩個(gè)實(shí)驗(yàn)更好的證明了本文改進(jìn)的目標(biāo)跟蹤算法合理性及可行性。 5. 結(jié)論 金字塔 圖像 的 Lucas Kanade 光流跟蹤算法 通過(guò)計(jì)算稀疏特征點(diǎn)處的光流即可跟蹤目標(biāo) ，因?yàn)槊恳粋€(gè)目標(biāo)僅僅跟蹤其質(zhì)心，而且對(duì) 圖像質(zhì)量比較 低、 圖像紋理 不 豐富 的運(yùn)動(dòng)目標(biāo)， 存在跟蹤目標(biāo)容易丟失且魯棒性不高缺點(diǎn) ； MAD 算法由于全圖搜索目標(biāo)模板，其計(jì)算量大，實(shí)時(shí)性差，不能單獨(dú)用于目標(biāo)跟蹤；針對(duì)上述兩種算法存在的問(wèn)題，文章將 金字塔 圖像 的 Lucas Kanade 光流法跟蹤算法和基于最小絕對(duì)方差累加和 的模板匹配法結(jié)合起來(lái)，可以避免上述問(wèn)題，實(shí)驗(yàn)結(jié)果表明改進(jìn)的目標(biāo)跟蹤算法能 實(shí)現(xiàn)各種復(fù)雜場(chǎng)景條件下的目標(biāo)穩(wěn)定跟蹤 、獲得目標(biāo)運(yùn)動(dòng)軌跡，且具有良好的實(shí)時(shí)性和魯棒性。 針對(duì)上述兩種算法在跟蹤中存在的問(wèn)題， 文 中 將 金字塔 圖像 的 Lucas Kanade 光流法跟蹤算法和模板匹配法結(jié)合起來(lái)，可以避免這兩種算法存在的問(wèn)題， 結(jié)果 表明，改進(jìn)的目標(biāo)跟蹤算法能較好地實(shí)現(xiàn)目標(biāo)跟蹤、獲得目標(biāo)運(yùn)動(dòng)軌跡，且具有良好的實(shí)時(shí)性和魯棒性。 視頻序列中運(yùn)動(dòng)目標(biāo)跟蹤方法的研究 24 參考文獻(xiàn) : [1] 樊亞琴 .淺談視頻監(jiān)控系統(tǒng)的應(yīng)用與發(fā)展 [J]. 科技情報(bào)開(kāi)發(fā)與 經(jīng)濟(jì) 2020 年 05 期 . [2] 張可義 ,岳秀江 ,韓立新 .視頻監(jiān)控系統(tǒng)工程應(yīng)用研究 [J]. 制造業(yè)自動(dòng)化 2020 年 03 期 . [3] 楊勉 ,劉發(fā)貴 .VSAM 文件向 DB2 數(shù)據(jù)庫(kù)的數(shù)據(jù)移植 [J].計(jì)算機(jī)應(yīng)用 . [4] 趙克棟 .視頻監(jiān)控系統(tǒng)設(shè)計(jì)與工程應(yīng)用 [D]. 北京郵電大學(xué) 2020. [5] 耿征 .智能化視頻分析技術(shù)探討 [J]. 中國(guó)安防 2020 年 03 期 . [6] 丁忠校 .視頻監(jiān)控系統(tǒng)的應(yīng)用現(xiàn)狀與發(fā)展綜述 [J]. 科技咨詢導(dǎo)報(bào) 2020 年 28 期 . [7] 楊偉 .基于城域網(wǎng)的治安動(dòng)態(tài)視頻監(jiān)控系統(tǒng)設(shè)計(jì)和實(shí)現(xiàn) [D]. 北京郵電大學(xué) 2020. [8] 趙克棟 .視頻監(jiān)控系統(tǒng)設(shè)計(jì)與工程應(yīng)用 [D]. 北京郵電大學(xué) 2020. [9] 張秀玲 .視頻監(jiān)控系統(tǒng)研究現(xiàn)狀與發(fā)展趨勢(shì) [J]. 科技信息 (學(xué)術(shù)研究 ) 2020 年 36 期 . [10] 艾海舟 ,樂(lè)秀寧 . 面向視覺(jué)監(jiān)視實(shí)時(shí)跟蹤的動(dòng)態(tài)背景更新方法 [J ].計(jì)算機(jī)圖形學(xué)報(bào) ,2020 ,9:104106. [11] 胡漢南 .水運(yùn)交通電視監(jiān)控圖像目標(biāo)識(shí)別技術(shù)研究 [J ].交通部上海船舶運(yùn)輸科學(xué)研究所學(xué)報(bào) ,2020 ,24 (6) :39. [12] Doucet A. Monte Carlo methods for Bayesian estimation of hidden Markov models[D],application to radiation signals. . Thesis, Univ. ParisSud, Orsay,1997. [13] 鄧自立 .最有濾波理論及其應(yīng)用 —— 現(xiàn)代時(shí)間序列分析方法 [M].哈爾濱：哈爾濱工業(yè)大學(xué)出版社， 2020. [14] Chang C. and Ansari R. Kernel particle filter for visual tracking[J].IEEE Signal .,2020,12(3):242245. [15] 嚴(yán)浙平 。 黃宇峰 .基于卡爾曼濾波的動(dòng)目標(biāo)預(yù)測(cè) [J].應(yīng)用科技 2020 年 第 10 期 . [16] 李軍科 ,張串 ,吳建軍 .基于蒙特卡洛方法的粒子濾波算法研究 [J]. 電腦與信息技術(shù) 2020 年 01期 . [17] Doucet A. Monte Carlo methods for Bayesian estimation of hidden Markov models[D],application to radiation signals. . Thesis, Univ. ParisSud, Orsay,1997. [18] 楊楊 。張?zhí)镂?.一種基于特征光流的運(yùn)動(dòng)目標(biāo)跟蹤方法 [J].宇航學(xué)報(bào) 。2020 年 02期 . [19] 萬(wàn)文靜 .基于光流的圖像目標(biāo)跟蹤方法研究 [D]. 西北工業(yè)大學(xué) ,2020,(07). [20] Zhang, tracking in a cluttered scene[J].Image and Vision Computing,1994(2):110120. [21] 左鳳艷 ,高勝法 ,韓建宇 .基于加權(quán)累積差分的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤 [D].山東大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院 2020, 35(22) 159161. [22] 著，崔之鈷，江春等譯 .數(shù)字視頻處理 [[M].北京 :電子工業(yè)出版社， 1998. [23] 高峰 ,雷志勇 ,易娟 .基于模板匹配的圖像跟蹤技術(shù) [J]。國(guó)外電子元器件 。2020 年 10 期 . [24] 徐瑞鑫 ,劉偉寧 .基于自適應(yīng)模板的實(shí)時(shí)跟蹤算法 [J]。光學(xué)精密工程 。2020 年 04期 . [25] . Montera, . Rogers, . Ruck, W. Dennis, . Oxley. Object trackingthrough adaptive correlation[J]. Optical Engineering,1994,33(1):294302. [26] 郝士新 .基于視頻的運(yùn)動(dòng)車輛檢測(cè)和跟蹤算法研究 [D]。華東師范大學(xué) 。2020 年 . [27] 王亮 ,胡衛(wèi)明 ,譚鐵牛 .人運(yùn)動(dòng)的視覺(jué)分析綜述 [J]。計(jì)算機(jī)學(xué)報(bào) 。2020 年 03 期 . [28] 何斌 ,馬天予 ,王運(yùn)堅(jiān) ,朱紅蓮 .Visual C++數(shù)字圖像處理 (第二版 ).北京人民郵電出版社 ,2020. 視頻序列中運(yùn)動(dòng)目標(biāo)跟蹤方法的研究 25 [致謝 ] 我 真誠(chéng)地 感謝一直無(wú)微不至關(guān)心我的老師們，我的同學(xué)們，我的家人，是你們的諄諄教誨 和無(wú)微不至的關(guān)懷 ，你們的悉心栽培和 無(wú)微不至 幫助，使我學(xué)會(huì)了成長(zhǎng)。學(xué)業(yè)上，學(xué)有所成；生活上，養(yǎng)成獨(dú)立思維 的 習(xí)慣。由此，我順利完成了這次的畢業(yè)論文。 首先要感謝我的母校，“剛正博愛(ài) 睿智篤行”的學(xué)風(fēng)， 使我 培養(yǎng)了不怕困難，善于思考，獨(dú)立