【正文】 懇請閱讀此篇論文的老師、同學，多予指正，不勝感激！。這除了自身努力外，與各位老師、同學和朋友的關心、支持和鼓勵是分不開的?；厥准韧?，自己一生最寶貴的時光能于這樣的校園之中，能在眾多學富五車、才華橫溢的老師們的熏陶下度過，實是榮幸之極。通過這一階段的努力，我的畢業(yè)論文《基于模板匹配的目標跟蹤》終于完成了，這意味著大學生活即將結束。父母不僅在經(jīng)濟上承受了巨大的負擔，在心里上更有思子之情的煎熬與望子成龍的期待。這就對研究者們來說提出了更高層次的要求。但也正是這樣的難題才促使這項技術在不斷向前發(fā)展。基于模板匹配的目標跟蹤，仍然存在兩個難點需要通過軟、硬件的不斷升級來解決：精度和實時性。第二 ：旋轉之后雖然可以得到匹配結果，但是旋轉以后的到正確的坐標位置，需要進行變換，但是這個變換也是一個行對來說比較復雜的一個過程。 操作界面介紹以及實驗結果分析：（MFC框架窗口) ：可以選擇三種背景：圖像，錄像以及攝像頭實時錄像：（以視頻為例分析實驗結果）：然后選擇保存跟蹤過程的方式與路徑: ，點擊按鈕starttract，開始載入視頻文件： intitialize按鈕進行初始化，確定初始跟蹤的幀并選定初始模板：，跟蹤分為兩種：第一：不更新；第二：更新； ：Camera：Video:下面是兩組跟蹤圖片結果：第一組：使用旋轉角度匹配第二組:不使用旋轉角度匹配很明顯不使用旋轉角度的匹配的時候，跟蹤對象的部分信息在跟蹤過程中會有部分的丟失，而且會有屬于背景圖像中的其他干擾信息插入，增大了工作量同時也降低了準確性。第二步：在第一步所獲得的位置周圍，對預先設計的若干個角度進行搜索匹配，把相似度最大的角度作為最終的角度。為原始坐標，為旋轉之后的坐標，和是原始模板的長和寬，對應的和則為旋轉之后的圖的長和寬，參考圖旋轉后與原來的參考圖像的坐標存在以下關系：（逆時針旋轉為例）（1）當 （2）當 （3）當 （4）當 如果參考圖與實時圖之間只存在旋轉和平移，參考圖坐標與實時圖坐標就有如下的關系： 上式中β是旋轉角度，和是橫向位移和縱向位移，則是縮放因子。 角度匹配通過構造由不同的旋轉角度的模板構成一個集合，再將集合中的成員分別與目標圖象進行匹配，總有一種情況符合實時情況，從這些匹配數(shù)據(jù)中選擇匹配程度的最好位置作為匹配結果。分母的右邊可以通過積分直方圖來加速。如果我們嚴格按照相關系數(shù)公式來進行匹配，在一幀600*800的圖像中尋找一個30*30的目標大概需要幾秒的時間，還遠遠達不到實時性的要求。在第一次誤差最小點的鄰域內，即在對角點為的矩形內，進行搜索匹配，得到最后結果。是模板的長和寬。由于數(shù)據(jù)量的大幅度減少，匹配速度就會得到顯著提高。第一次是粗略匹配。一方面我們將一次匹配的過程改成了兩次匹配。 本小節(jié)我們主要針對上面提到的兩個缺陷進行改進。經(jīng)過若干幀之后，黃色的目標發(fā)生了一定程度的旋轉，如果此時我們仍然使用不帶旋轉角度的小矩形去描述它將會產(chǎn)生很多錯誤的信息：一部分不見包含進來了，同時一部分目標信息處于小矩形框的外面了。也就是說當目標旋轉的時候，我們仍然使用矩形框來描述目標，這樣會帶來很大的誤差，甚至導致目標跟蹤失敗。 描述目標常用的兩種方式 目標角度旋轉示例另一方面，在目標跟蹤算法中，我們一般用矩形或者橢圓來描述目標。上面的分析表面：采用相關系數(shù)來度量相似度進行模板匹配的精度最高，但是它的計算量相對于其他兩種度量方法也相應的更大。而平方差度量的計算量相對來說小，但是匹配的準確度低了一些。傳統(tǒng)模板匹配算法主要運用三種函數(shù)：相關匹配度量、平方差度量和相關系數(shù)度量。 模板匹配跟蹤算法缺陷當識別的設計靜態(tài)的物體的時候模板匹配會具有比較高的匹配精度。很多時候還是需要通過對算法進行優(yōu)化，從而提高實時性。當外界條件固定時，比較算法實時性的優(yōu)劣。很多的實際運用中，在算法性能無法再有提升的時候，管理者們都是通過提升機器的硬件來提高匹配精度的。（3） 匹配精度是算法應該要著重考慮到的一個方面。 （1） 可靠性是指被搜索圖像的目標區(qū)域被遮擋，或目標出現(xiàn)部分缺失的情況下，算法能否找到所要尋找目標的相應能力。通常情況下，目標占模板比例為30%到50%是最好的。另一方面決定模板大小與否往往與經(jīng)驗密切相關，緊帖著目標輪廓的模板和包含了太多的背景的模板所得到的效果往往不是很好，前者是因為模板過小，對于目標的變化會太過于敏感，從而會導致很容易丟失目標。將余弦定理用向量的形式表達即為： 即： 上式中分子是兩向量的內積，分母是兩向量的模相乘。相關系數(shù)作為一種數(shù)學距離可以衡量兩個向量之間的相似程度。那么搜索范圍就是： 對比模板和子圖的相似性來完成模板匹配。模板覆蓋于被搜索圖的那塊區(qū)域叫做子圖。如果在整個過程中目標模板都保持跟蹤時很容易丟失。 模板匹配目標跟蹤基本過程其次，對于后面的每幀圖像，首先采用模板匹配算法找到目標在當前幀的位置（搜索圖像中相似度最大的位置），然后利用匹配到的信息更新目標模板。采用模板匹配來跟蹤目標，就是把要跟蹤的目標（模板）保存好，然后在每一幀來臨的時候，在整個圖像（搜索圖像）中尋找與這個目標最相似的位置。在此，我們主要聚焦下比較簡單的目標跟蹤算法——模板匹配目標跟蹤算法。第四章 基于模板匹配的目標跟蹤目標跟蹤是計算機視覺領域的一個重要分支。 本章對模板匹配的概念和基本流程進行了簡要的闡述。之后，會在不同方向上重新開始進行計算。這種方法特別定義出了如下的公式： 所以，當1，2，…且p ≤ M , ≤N時，誤差會在一個較小且連續(xù)地增加的窗口區(qū)域中進行計算。但是這個方法的劣勢在于，當小的對象做模板時候，因為二次抽樣，對象可能會在最低分辨率的圖像上消失；還有，該方法也不能保證會找到屬于全局的最佳匹配。從計算度這個方面來說，分層搜索這個方法的效果是非常明顯的。結果值就是最大值，與此同時處理過程就此結束。相對于 這個點來說最大值就位于點()。原因是二次抽樣的時候這個區(qū)域的邊界8個像素并沒有包含于2級圖像。步驟3：用參考模塊在1級圖像中的88圖像做完最大值搜索，搜索區(qū)域的大小是[l，1][1，1]矩形， 為其中心。步驟2：目標是在2級圖像的參考模塊的44的低通圖像之中搜索到最大值，所測試得到的2級低通圖像其搜索的區(qū)域的大小是[][]這個矩形，()為其中心。再通過低通過濾以及二次抽樣，就有了2級圖像。經(jīng)過了低通濾波以及二次采樣，有了1級圖像。結果計算次數(shù)減少到了MN (8k+1)，比窮盡搜索的計算量小?？梢缘贸鲞@8個點的間距為l。我們設在(4，0)這點處有最大交叉相關值，然后把這個點作為即為[2，2][2，2]這個矩形的中心．計算其邊界的對應的8個點的相關性。這8個點之間的間隔是=4個像素，也就是和k= （取整運算）。圖a顯示的是對數(shù)搜索，當p的數(shù)值為7的情況下的矩形的搜索區(qū)域范圍為，那么，我們就設該矩形中心的點的坐標為(0，0)。優(yōu)化搜索策略，有兩種方法，第一，減少需要進行搜索的搜索點，第二，縮小搜索的范圍。相關度量的一個變種就是標準化的相關度量：（3）相關系數(shù)度量此相似性度量將模板對其均值的相對值與圖像對其均值的相對值進行匹配，1表示最好的匹配，1表示最壞的匹配，0表示二者沒有任何相關性。 相似性度量在模板匹配中比較常用的相似性度量有以下四種： （1）、平方差度量假設原始圖像和模板圖像，：圖 搜索圖像I與模板圖像T則平方差度量公式為： 使用平方差度量來進行匹配，最好的匹配匹配值為0，匹配值越小越好。從此簡要框圖，我們可以得到跟模板匹配算法聯(lián)系緊密的幾個問題：（1）候選目標池的確定，這個跟搜索策略有關，它涉及到搜索范圍的確定、采樣間隔的確定,，是逐像素掃描還是隔幾個像素進行掃描；（2）相似度量的選擇；（3）目標描述所采用的特征的選擇。而模板匹配就是在相對于這個小圖像來說的一幅大的圖像中尋找目標，而搜索過程中所已知的信息是，這幅大圖像中有我們要找的那個目標，而且這個目標和模板有著相似度極高的信息，通過各種算法在大圖中找到要找的目標，然后通過坐標來描述找到的目標目前所在的位置。也可以這么說，根據(jù)機器所已知的模式在另一相對來說更大的圖像中尋找對應的模式的過程就叫模板匹配。普通的圖像匹配技術是利用已知模板以及某種算法對要進行識別的圖像進行匹配計算從而獲得圖像中是不是包含有對應模板的信息和坐標的。那么，遙感圖像處理則是基于不同波段的傳感器在景物多光譜圖像中按照像點這個標準進行對照獲取數(shù)據(jù)，然后根據(jù)其性質分類。匹配，就是機器在辨別接收的輸入的信息的時候，將兩幅或以上的圖像在空間的基礎上進行對準的過程，而這些進行對準的圖像可以源自同一個傳感器，也可以來自不同的傳感器，獲取圖像的時間也可以不盡相同，但是要保證圖像的來源是在同一景象中。匹配就是建立這些聯(lián)系的技術和過程。對一個復雜的視覺系統(tǒng)來說，他的內部常同時存在著多種輸入和其他知識共存的表達形式。 //卸載VideoWriter 本章小結本章對于OpenCV 這個開源視覺庫進行了較為簡單的介紹，對OpenCV 較之其他視頻處理軟件的突出優(yōu)點做出分析，也對其中一些重要的數(shù)據(jù)函數(shù)的結構做了一定的介紹，重點對使用OpenCV進行圖像/視頻數(shù)據(jù)的讀取操作基本的流程進行了簡單的介紹。 //卸載視頻cvReleaseVideoWriter(amp。 //卸載圖像}cvReleaseCapture(amp。 //保存成視頻文件cvReleaseImg(amp。 //在窗體上顯示處理結果cvSaveImge(“D:\\”, grayImg)。 //轉化為灰度圖像cvNamedWindow (“處理結果”, 1)。