【正文】 )最優(yōu)點分布規(guī)律 (b)大模板 LDSP (c)小模板 SDSP 圖 DS 的搜索模板 淮南師范學院本科畢業(yè)論文 15 DS 具體算法描述如下： ① 用 LDSP 在搜索區(qū)域中心及周圍 8 個 點處進行匹配計算，若 MBD 點位于中心點處，則轉到步驟 ③ ，否則，進行步驟 ② 。若 MBD 點位于中心點處，則轉到步驟 ③ ，否則，重復步驟 ② 。 如圖 是 DS 算法搜索過程的一個例子， (4, 2)是最終搜索到的運動矢量，搜索共進行了 5 步， MBD 點分別對應為 (2， 0)、（ 3， 1）、（ 4， 2），使用 4 次 LDSP 和 1次 SDSP，共搜索了 24 個點。先用 LDSP 搜索，由于步長大，搜索范圍廣，可以進行粗定位，使搜索過程小會陷于局部最?。划敶侄ㄎ唤Y束后，可以認為最優(yōu)點就在 LDSP周圍 8 個點所圍成的菱形區(qū)域內，這時再用 SDSP 來準確定位，使搜索不至于有大的起伏，所以它的的性能優(yōu)于其它算法。 目標模板的選擇及更新 目標模板的選擇 使用模板匹配算法進行目標跟蹤時，目標模板的大小選擇也是一個很重要的問題。而且，模板的增大會帶來模板相關運算量的急劇增大。 模板的更新 隨著被跟蹤目標的運動，目標將出現(xiàn) 大小、形狀、姿態(tài)等變化，所以必須在跟蹤過程中不斷的更新目標模板。這些誤差隨著模板的更新而逐漸積累并向后續(xù)圖像傳遞，因此模板更新和修正是保證長時間穩(wěn)定跟蹤的關鍵。 實驗結果與分析 模板匹配法跟蹤的過程分為視頻讀入、運動目標檢測模塊、 相關匹配運算和模板更新四個部分；首先，通過目標檢測模塊，可以提取到運動目標即目標模板；然后，采用基于歸一化互相關的模板相關匹配算法和基于最小絕對方差累加和的模板匹配法分別對目標模板進行跟蹤；最后，在自動跟蹤目標的過程中，我們可以根據(jù)前面介紹地運動目標檢測方法檢測出運動目標，然后截取目標圖像作為下一幀圖像的模板。 下面給出序列圖像中的單一運動目標（行人）的跟蹤結果及其分析。可以看出，提取的目標模板精確、可靠。 實驗中采用基于最小絕對方差累加和的模板匹配法（ MAD）跟蹤目標，結果表明MAD 算法對圖像灰度變化較敏感，在圖像低 對比度區(qū)域或對比度變化情況下，目標跟蹤性能將下降，甚至丟失目標，而且出現(xiàn)目標被遮擋或目標的灰度直方圖與背景相似 淮南師范學院本科畢業(yè)論文 17 時，匹配誤差最大，跟蹤框完全偏離目標。 改進的目標跟蹤算法描述 B e g i n新 目 標 檢 測 模 塊目 標 檢 測 模 塊圖 像 采 集 模 塊E n d光 流 法 跟 蹤提 取 并 更 新目 標 模 板軌 跡 生 成 及 后 處 理 模 塊 目 標跟 蹤模 塊模 板 匹 配 定 位更 新 時間 到 ？ N設 定 搜 索 區(qū) 域目 標 質 心質 心 修 正 Y 圖 改進的目標跟蹤算法框圖 圖 為系統(tǒng)框圖，這是文章設計的基于單攝像機的運動目標檢測與跟蹤系統(tǒng)框圖。 在目標跟蹤模塊中， 光流法跟蹤采用圖 LucasKanade 光流跟蹤流程圖，目標模板的更新時間 T 為 1S。將目標質心做為特征點，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 光流法跟蹤后，可以得智能視頻監(jiān)控中目標跟蹤算法研究及應用 18 18 到目標質心的新位置，在新位置的領域內（這個搜索區(qū)域比目標模板要大一些），利用基于最小絕對方差累加和的模板匹配法搜索目標 模板，并對目標進行定位，將模板匹配法之后得到的目標質心位置做為下一幀光流法跟蹤的特征點，以此類推，從而實現(xiàn)目標跟蹤。 （ a） (b) (c) (d) （ e） （ a）第 k 幀光流法跟蹤結果 （ b）第 k+1 幀光流法跟蹤結果 （ c）第 k+1 幀光流法和模板匹配法相結合 （ d）第 k+1 幀光流法和模板匹配法相結合的跟蹤結果 （ e）目標模板 圖 光流法和模板匹配法相結合示意圖 圖 中，藍色矩形框為跟蹤框，黃色虛線矩形框為設定的搜索區(qū)域， “人 ”為目標，圖 (a)、（ b)和 (c)中的紅色十字架為光流法預測的目標質心，圖 （ d）中的紅色十字架為 光流法和模板匹配法相結合后更正的目標質心。 文中對光流法的改進是：將模板匹配定位之后更正的目標質心（見圖 （ d）紅色十字架）做為下一幀光流法跟蹤的特征點，這樣可以避免單一光流預測 目標質心所帶來的誤差，從而實現(xiàn)可靠的跟蹤。 本文對 MAD 算法的改進是：經(jīng)光流法跟蹤之后得到的目標質心，在這一目標質心鄰域（圖 （ c）中黃色虛矩形框，這是搜索區(qū)域）內，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。 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) 通過大量的實驗發(fā)現(xiàn)，在一幀時間里光流法預測的目標質 心位置偏離實際的目標質心位置最大為 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， w? 和 h? 設置為： 0 14w?? ? 、 0 14h?? ? ； 如果目標的運動預測可靠，則逐漸縮小閾值 w? 和 h? ，當目標丟失時，則逐漸增大閾值 w? 和 h? 。 實驗結果與分析 在 VC++ 環(huán)境下對 節(jié)的視頻做了改進的目標跟蹤算法實驗。 第 10 幀 第 10 幀 A B C D E F 圖 原圖像及目標檢測結果 圖 目標模板 智能視頻監(jiān)控中目標跟蹤算法研究及應用 20 20 圖 為原圖像及目標檢測結果?？梢钥闯鲈跀z像機靜止情況下，本文設計的目標檢測算法 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。 第 11 幀 第 43 幀 第 68 幀 第 78 幀 第 93 幀 第 107 幀 圖 改進的目標跟蹤算法跟蹤結果 圖 為跟蹤結果。 單一使用金字塔圖像的 Lucas Kanade 特征點跟蹤算法其跟蹤結果如圖 所示，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。 5. 結論 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心，而且對圖像質量比較低、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 淮南師范學院本科畢業(yè)論文 21 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合起來，可以避免上述問題，實驗結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。 致 謝 時光荏苒，轉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。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。 你們的指導和關心一直鼓勵著我前進。 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。 2020 年 5 月 智能視頻監(jiān)控中目標跟蹤算法研究及應用 22 22 參考文獻： [1] 樊亞琴 .淺談視頻監(jiān)控系統(tǒng)的應用與發(fā)展 [J]. 科技情報開發(fā)與經(jīng)濟 2020 年 05 期 . [2] 張可義 ,岳秀江 ,韓立新 .視頻監(jiān)控系統(tǒng)工程應用研究 [J]. 制造業(yè)自動化 2020 年 03 期 . [3] 楊勉 ,劉發(fā)貴 .VSAM 文件向 DB2 數(shù)據(jù)庫的數(shù)據(jù)移植 [J].計算機應用 . [4] 趙克棟 .視頻監(jiān)控系統(tǒng)設計與工程應用 [D]. 北京郵電大學 2020. [5] 耿征 .智能化視頻分析技術探討 [J]. 中國安防 2020 年 03 期 . [6] 丁忠校 .視頻監(jiān)控系統(tǒng)的應用現(xiàn)狀與發(fā)展綜述 [J]. 科技咨詢導報 2020 年 28 期 . [7] 楊偉 .基于城域網(wǎng)的治安動態(tài)視頻監(jiān)控系統(tǒng)設計和實現(xiàn) [D]. 北京郵電大學 2020. [8] 趙克棟 .視頻監(jiān)控系統(tǒng)設計與工程應用 [D]. 北京郵電大學 2020. [9] 張秀玲 .視頻監(jiān)控系統(tǒng)研究現(xiàn)狀與發(fā)展趨勢 [J]. 科技信息 (學術研究 ) 2020 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 ,2020 ,9：104106. [11] 胡漢南 .水運交通電視監(jiān)控圖像目標識別技術研究 [J ].交通部上海船舶運輸科學研究所學報 ,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用 ——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， 2020. [14] Chang C. and Ansari R. Kernel particle filter for visual tracking[J].IEEE Signal .,2020,12(3)： 242245. [15] 嚴浙平 。張?zhí)镂?.一種基于特征光流的運動目標跟蹤方法 [J].宇航學報 。國外電子元器件 。光學精密工程 。華東師范大學 。計算機