【正文】 目標質(zhì)心，在這一目標質(zhì)心鄰域（（c）中黃色虛矩形框，這是搜索區(qū)域）內(nèi)，利用MAD算法搜索目標模板，實現(xiàn)目標跟蹤；顯然，本文通過減小搜索區(qū)域來減少計算量，從而提高實時性和跟蹤的精度。在目標匹配時，第i個（i為目標的ID）目標搜索的起始點設(shè)置為光流法預測的第i個目標的目標質(zhì)心位置，用公式(411)表示；第i個（i為目標的ID）目標的搜索區(qū)域比第i個目標的大小略大，用公式(412)表示，其中和為設(shè)定的閾值。 (41) (42)通過大量的實驗發(fā)現(xiàn)，在一幀時間里光流法預測的目標質(zhì)心位置偏離實際的目標質(zhì)心位置最大為10個像素（比如在人跑步、高速行駛的車等情況下），通常為0至3個像素，因此，和設(shè)置為：；如果目標的運動預測可靠，則逐漸縮小閾值和，當目標丟失時，則逐漸增大閾值和。綜合上述三點，光流法和模板匹配法相結(jié)合的跟蹤方法, 即改進的目標跟蹤算法概括為：在第k幀，將目標質(zhì)心（（a）中的紅色十字架）做為特征點，利用金字塔圖像的Lucas Kanade特征點跟蹤算法對其進行跟蹤；經(jīng)Lucas Kanade光流跟蹤后，在第k+1幀，可以得到目標質(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算法搜索目標模板（（e））；（d）所示，藍色矩形框為跟蹤框，可見跟蹤結(jié)果準確；紅色十字架為光流法和模板匹配法相結(jié)合后更正的目標質(zhì)心，將這一目標質(zhì)心做為下一幀光流法跟蹤的特征點，以此類推，從而實現(xiàn)穩(wěn)定、可靠的目標跟蹤。 實驗結(jié)果與分析在VC++。實驗中，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個像素），金字塔層數(shù)L為3，迭代次數(shù)K為20次，目標模板更新時間T為1S，設(shè)定的搜索區(qū)域為4080（實驗中最大的目標模板為：2666）。 第10幀 第10幀 A B C D E F 原圖像及目標檢測結(jié)果 目標模板 。二值圖像中紅色十字架為目標質(zhì)心?？梢钥闯鲈跀z像機靜止情況下，本文設(shè)計的目標檢測算法可以準確、快速的檢測出運動目標，這為后續(xù)跟蹤提供了準確可靠的目標質(zhì)心及目標模型，克服了其他系統(tǒng)要手動圈出待跟蹤目標的缺陷。其中，圖A、B和C分別表示第55和85幀目標1模板，圖D、E和F分別表示第55和85幀目標2模板。可以看出，提取的目標模板精確、可靠。 第11幀 第43幀 第68幀 第78幀 第93幀 第107幀 改進的目標跟蹤算法跟蹤結(jié)果。圖中，紅色的方框為跟蹤框，數(shù)字“1”和“2”為目標的標號，紅色的“+”為改進的目標跟蹤算法更正的目標質(zhì)心，綠色的曲線為目標1的運動軌跡，藍色的曲線為目標2的運動軌跡；可以看出，改進的目標跟蹤算法能較好的跟蹤目標和繪制目標運動軌跡，并且1S至少可以處理15幀圖像，基本滿足了實時跟蹤的要求。單一使用金字塔圖像的Lucas ，目標1的跟蹤框在第78幀之后開始偏離目標，到達第93幀時，由于目標模糊不清、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，由于該方法全圖搜索目標模板，計算量過大，處理一幀圖像耗時約1S，實時性差。這兩個實驗更好的證明了本文改進的目標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算稀疏特征點處的光流即可跟蹤目標，因為每一個目標僅僅跟蹤其質(zhì)心，而且對圖像質(zhì)量比較低、圖像紋理不豐富的運動目標，存在跟蹤目標容易丟失且魯棒性不高缺點；MAD算法由于全圖搜索目標模板，其計算量大，實時性差，不能單獨用于目標跟蹤；針對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，實驗結(jié)果表明改進的目標跟蹤算法能實現(xiàn)各種復雜場景條件下的目標穩(wěn)定跟蹤、獲得目標運動軌跡，且具有良好的實時性和魯棒性。針對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，改進的目標跟蹤算法能較好地實現(xiàn)目標跟蹤、獲得目標運動軌跡，且具有良好的實時性和魯棒性。致 謝 時光荏苒，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，要對曾經(jīng)給予我支持和幫助的所有老師、同學、朋友和家人表示最誠摯的謝意！ 首先要感謝我的導師王健老師，向他致以最崇高的敬意。王老師嚴謹?shù)闹螌W態(tài)度、敬業(yè)務實的奮斗精神、默默無聞的奉獻精神都在潛移默化中影響著我。感謝物電系的所有老師，感謝你們在學習和工作中給予我的諸多幫助。 你們的指導和關(guān)心一直鼓勵著我前進。感謝所有和我一起奮斗和努力過的同學，感謝你們在生活和工作中給予我的幫助，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，感謝你們對我無私的付出和無盡的關(guān)心，謝謝你們多年來對我的理解、支持和幫助，祝愿你們永遠幸福健康。2012年5月 參考文獻：[1] [J]. 科技情報開發(fā)與經(jīng)濟 2010年05期.[2] 張可義,岳秀江,[J]. 制造業(yè)自動化 2007年03期.[3] 楊勉,[J].計算機應用.[4] [D]. 北京郵電大學 2009.[5] [J]. 中國安防 2007年03期.[6] [J]. 科技咨詢導報 2007年28期.[7] [D]. 北京郵電大學 2008.[8] [D]. 北京郵電大學 2009.[9] [J]. 科技信息(學術(shù)研究) 2008年36期.[10] 艾海舟,樂秀寧. 面向視覺監(jiān)視實時跟蹤的動態(tài)背景更新方法[J ].計算機圖形學報 ,2001 ,9：104106.[11] [J ].交通部上海船舶運輸科學研究所學報 ,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)代時間序列分析方法[M].哈爾濱：哈爾濱工業(yè)大學出版社，2000.[14] Chang C. and Ansari R. Kernel particle filter for visual tracking[J].IEEE Signal .,2005,12(3)：242245.[15] 嚴浙平。 [J].應用科技 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].宇航學報。2000年02期.[19] [D]. 西北工業(yè)大學,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].山東大學計算機科學與技術(shù)學院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。2009年.[27] 王亮,胡衛(wèi)明,[J]。計算機學報。2002年03期.[28] 何斌,馬天予,王運堅, C++數(shù)字圖像處理(第二版).北京人民郵電出版社,2002.