【正文】 目標(biāo)質(zhì)心，在這一目標(biāo)質(zhì)心鄰域（（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，本文通過減小搜索區(qū)域來減少計(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，其中和為設(shè)定的閾值。 (41) (42)通過大量的實(shí)驗(yàn)發(fā)現(xiàn)，在一幀時(shí)間里光流法預(yù)測的目標(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，和設(shè)置為：；如果目標(biāo)的運(yùn)動(dòng)預(yù)測可靠，則逐漸縮小閾值和，當(dāng)目標(biāo)丟失時(shí)，則逐漸增大閾值和。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（（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（（b）、（c）中的紅色十字架），在新位置的領(lǐng)域（（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（（e））；（d）所示，藍(lán)色矩形框?yàn)楦櫩颍梢姼櫧Y(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++。實(shí)驗(yàn)中，我們采用的參數(shù)是：積分窗口為1111（即公式431中的和均采用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)?080（實(shí)驗(yàn)中最大的目標(biāo)模板為：2666）。 第10幀 第10幀 A B C D E F 原圖像及目標(biāo)檢測結(jié)果 目標(biāo)模板 。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)檢測算法可以準(zhǔn)確、快速的檢測出運(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。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?，提取的目標(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 改進(jìn)的目標(biāo)跟蹤算法跟蹤結(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 ，目標(biāo)1的跟蹤框在第78幀之后開始偏離目標(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)，由于該方法全圖搜索目標(biāo)模板，計(jì)算量過大，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，可以避免上述問題，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，可以避免這兩種算法存在的問題，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。致 謝 時(shí)光荏苒，轉(zhuǎn)眼間又到了梔子花開的季節(jié)，隨著畢業(yè)日子的日益臨近，畢業(yè)論文也已收稿。值此之際，要對(duì)曾經(jīng)給予我支持和幫助的所有老師、同學(xué)、朋友和家人表示最誠摯的謝意！ 首先要感謝我的導(dǎo)師王健老師，向他致以最崇高的敬意。王老師嚴(yán)謹(jǐn)?shù)闹螌W(xué)態(tài)度、敬業(yè)務(wù)實(shí)的奮斗精神、默默無聞的奉獻(xiàn)精神都在潛移默化中影響著我。感謝物電系的所有老師，感謝你們?cè)趯W(xué)習(xí)和工作中給予我的諸多幫助。 你們的指導(dǎo)和關(guān)心一直鼓勵(lì)著我前進(jìn)。感謝所有和我一起奮斗和努力過的同學(xué)，感謝你們?cè)谏詈凸ぷ髦薪o予我的幫助，在我的人生中留下一段美好的回憶。 感謝我周圍的同學(xué)和朋友們，你們給我?guī)砹藲g樂和鼓舞，使我的生活充滿了幸福的色彩。 特別感謝我最敬愛的父母和兄弟姐妹，感謝你們對(duì)我無私的付出和無盡的關(guān)心，謝謝你們多年來對(duì)我的理解、支持和幫助，祝愿你們永遠(yuǎn)幸福健康。2012年5月 參考文獻(xiàn)：[1] [J]. 科技情報(bào)開發(fā)與經(jīng)濟(jì) 2010年05期.[2] 張可義,岳秀江,[J]. 制造業(yè)自動(dòng)化 2007年03期.[3] 楊勉,[J].計(jì)算機(jī)應(yīng)用.[4] [D]. 北京郵電大學(xué) 2009.[5] [J]. 中國安防 2007年03期.[6] [J]. 科技咨詢導(dǎo)報(bào) 2007年28期.[7] [D]. 北京郵電大學(xué) 2008.[8] [D]. 北京郵電大學(xué) 2009.[9] [J]. 科技信息(學(xué)術(shù)研究) 2008年36期.[10] 艾海舟,樂秀寧. 面向視覺監(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) ,2001 ,9：104106.[11] [J ].交通部上海船舶運(yùn)輸科學(xué)研究所學(xué)報(bào) ,2004 ,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] ——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，2000.[14] Chang C. and Ansari R. Kernel particle filter for visual tracking[J].IEEE Signal .,2005,12(3)：242245.[15] 嚴(yán)浙平。 [J].應(yīng)用科技 2008年 第10期.[16] 李軍科,張串,[J]. 電腦與信息技術(shù) 2008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。[J].宇航學(xué)報(bào)。2000年02期.[19] [D]. 西北工業(yè)大學(xué),2006,(07).[20] Zhang, tracking in a cluttered scene[J].Image and Vision Computing,1994(2)：110120.[21] 左鳳艷,高勝法,[D].山東大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院2009, 35(22) 159161.[22] ，崔之鈷，[[M].北京：電子工業(yè)出版社，1998.[23] 高峰,雷志勇,[J]。國外電子元器件。2008年10期.[24] 徐瑞鑫,[J]。光學(xué)精密工程。2002年04期.[25] . Montera, . Rogers, . Ruck, W. Dennis, . Oxley. Object trackingthrough adaptive correlation[J]. Optical Engineering,1994,33(1)：294302.[26] [D]。華東師范大學(xué)。2009年.[27] 王亮,胡衛(wèi)明,[J]。計(jì)算機(jī)學(xué)報(bào)。2002年03期.[28] 何斌,馬天予,王運(yùn)堅(jiān), C++數(shù)字圖像處理(第二版).北京人民郵電出版社,2002.