目标跟踪算法的研究毕业设计论文(编辑修改稿)

目标跟踪算法的研究毕业设计论文(编辑修改稿)内容摘要：

时，需要考虑如何选择合适的时间间隔。 [9] 一般时间间隔依赖于所监视的物体的运动速度。 对快速运动的物体，需要选择较小的时间差，如果选择得不合适，最坏情况下目标在前后两帧图像中没有重叠，造成被检测为两个分开的物体。 而对慢速运动的物体，应该选择较大的时间差，如果选择得不适当，最坏情况下目标在前后两帧图像中几乎完全重叠，根本检测不 到物体。 针对这些问题有许多的改进方法，例如提出三帧差图像法，利用三帧图像计算出两个差分图像，再令对应像素相乘。 这种方法检测运动目标仍然存在不完整问题 Lipton 等利用两帧差分法从实际视频图像中检测出运动目标，进而用于目标的分类与跟踪；一个改进的方法是利用三帧差分来代替两帧差分，如 VSAM 使用一种自适应背景减除与三帧差分相结合的混合算法；为了提高差分法的性能，Jain 提出了累积图像差分法 . 西北工业大学 本科毕业设计论文 11 帧间差分法其主要优点是：算法实现简单、复杂度低、实时性高，由于相邻帧的时间间隔较短，对场景光照的变化不太敏感， 受阴影的影响也不是很大，时间差分法对动态环境有较好的适应性。 [1] 然而，在实际应用中目标检测的结果往往不太令人满意，其主要问题是：当目标表面存在像素均匀的大区域时，时间差分法将在目标的上述区域产生“空洞”而使目标被过度分割成多个区域，只能检测出运动目标的一部分；另外由于目标的运动，前一帧中被目标遮挡的背景部分在当前帧中将暴露出来，使得这部分背景也被认为是运动区域；同时这种方法所检测到的运动区域的大小与目标的运动速度有关，目标运动速度越大，检测出的区域就比实际的区域越大，而当目标运动很缓慢时，往往检测到的区 域很小，甚至无法检测到目标的运动。 背景去除法是目前运动目标检测中最常用的一种方法，它是利用当前帧图像和背景图像（参考帧图像）的差分来检测运动区域的一种技术，即将当前帧图像与背景图像相减，若差值大于某一阈值，则认为此像素点为运动目标上的一点，阈值大小决定了检测算法的灵敏度。 [4] 在背景去除法中，背景图像的选取直接关系到最终检测结果的准确性。 在理想情况下，即背景图像是完全静止的，而且具有运动目标的图像除了运动区域的像素值发生了变化，其余属于背景的部分保持不变。 背景去除法可以简单地表示为 ： (, )kijD = ( ) ( 1 )( , ) ( , )KKi j i jII （ 23） ( , ) ( , )0 ( , )kkk ki j i j Ti j TIDM D  （ 24） 式中 Dk (i,j)表示背景图像。 西北工业大学 本科毕业设计论文 12 当前帧图像（ a） 背景图像（ b） 背景去除后的目标（ c） 图 23 采用背景差分法的效果图 西北工业大学 本科毕业设计论文 13 与时间差分法相比，背景去除法能够提供比较完整的运动目标信息，得到较准确的目标图像，而且速度快，能适应实时系统的要求。 但随着时间的推移，对光照和外部条件造成的场景变化比较敏感，会出现许多噪声点，影响目标检测结果。 在实际应用中，场景中的背景很复杂，存在各种各样的干扰，而且背景随着时间不断变化，所以适用于整个图像序列的理想背景是不存在的，因此使用背景去除法的主要困难在于背景模型的 建立和维护。 一般来说，背景模型需满足以下要求： 1) 能适应背景随时间的缓慢变化，如一天当中不同时间里的光照变化； 2) 能适应背景物体的变化，如场景中移入新的物体，背景中的物体移出场 景等变化； 3) 背景模型能描述背景中的一些较大扰动，如树叶晃动、日光灯闪烁等； 4) 能适应光照亮度的突变； 5) 能够消除前景物体的阴影； 6) 能够处理前景物体与背景相似的情况，如人体衣服的颜色与背景中某个物体的颜色相似。 对于这些问题，可能的解决办法是：不断更新背景模型，使得背景模型具有自适应的功能，解决 背景物体发生变化的影响和光照渐变的影响；对于室外树叶的摆动、日光灯的闪烁等情况，可以建立多模的背景模型，如利用混合高斯模型对背景像素建模；对于前景和背景颜色相似的，可以利用能够测量深度的摄像机捕获图像以及图像中对应于各像素点的深度信息；虽然阴影使得像素点的强度变化比较大，但是其色度信息几乎保持不变，可以利用色度信息把阴影从前景中消除。 目前许多研究人员致力于背景模型的研究，希望能够减少动态场景对于准确检测的影响。 主要有基于统计的模型（高斯模型）和基于预测的方法（卡尔曼滤波、维纳滤波等）。 如 Haritaoglu 等利用最大、最小强度值和最大时间差分值为场景中的每个像素进行统计建模，并且进行周期性的背景更新； McKenna 等利用像素色彩和梯度信息相结合方法来建立自适应背景模型。 西北工业大学 本科毕业设计论文 14 光流是运动物体被观测面上的像素点运动产生的瞬时速度场，它包含了物体三维表面结构和动态行为的重要信息。 一般情况下，光流由相机运动、场景中目标的运动或两者的同时运动产生的。 当场景中有独立的运动目标时，通过光流分析可以确定运动目标的数目、运动速度、目标距离和目标的表面结构。 光流研究已经在环境建模、目标检测与跟踪以及视频事 件分析中得到了广泛的应用。 光流计算方法大致可以分为三类：基于匹配的方法、基于频域的方法和基于梯度的方法。 [9] 光流法的基本原理是：给图像中的每一个像素点赋予一个速度矢量，形成一个图像运动场，在运动的一个特定时刻，图像上的一点对应三维物体上的某一点，这种对应关系可由投影关系得到，根据各个像素点的速度矢量特征，可以对图像进行动态分析。 如果图像中没有运动目标，则光流矢量在整个图像区域是连续变化的，当物体和图像背景存在相对运动时，运动物体所形成的速度矢量必然和背景速度矢量不同，从而检测出运动物体的位置。 设图像上 的点 (x, y)在时刻 t 的亮度为 f (x,y,t)，经过时间Δ t 后对应点的亮度 值为 f(x+Δ x,y+Δ y,t+Δ t)，当Δ t→ 0 时，可以认为亮度不变，于是有： f(x,y,t)=f(x+Δx,y+Δy,t+Δt) （ 25） 上式用泰勒公式展开得： ( , , ) ( , , )f dx f dy ff x x y y t t f x y tx dt y dt t            （ 26） 由于Δ t→ 0，因此忽略二阶无穷小项，得： ( , , ) ( , , )f x x y y t t f x y t    （ 27） 所以： 0f dx f dy fx dt y dt t        （ 28） 即： 0x y tuvf f f   （ 29） 其中， dxu dt , fvy分别为 x 和 y 方向的光流分量。 式 (29)给出了光流计算的一个方程，又称为光流约束方程（ Optical 西北工业大学 本科毕业设计论文 15 FlowConstraint Equation）。 光流约束方程对每一个像素点来说都是一个含有两个变量的方程，而只有一个约束方程，不能同时确定光流场的两个变量，这种不确定问题称为孔径问题（ Aperture Problem）。 由于孔径问题的存在，使得仅通过光流约束方程而不用其他信息是无法计算图像中某点的光流，为此人们提出了各种方法来克服这一问题。 从不同的角度出发，可以引入不同的光流分析方 法，如：使用光流全局平滑性假设来求解光流的 HornSchunck 方法；使用一个模型通过最小二乘法来拟合像素点领域内的光流值的 LucasKanade 局部调整法；利用二阶导数求光流的 Nagel 方法和利用鲁棒回归算法来计算光流克服遮挡时运动边界的信息不可靠问题的鲁棒计算法等。 关于光流更加详细的讨论可参见 Barron、高文、马颂德等的文章。 基于光流方法的运动检测采用了运动目标随时间变化的光流特性，由于光流不仅包含了被观测物体的运动信息，而且携带了有关物体运动和三维结构的丰富信息，所以该方法不仅可用于运动目标 的检测，甚至可直接用于运动目标的跟踪，在摄像机运动的前提下也能检测出独立的运动目标。 然而在实际应用中，由于遮挡性、多光源和噪声等原因，使得光流约束方程的灰度守恒假设条件得不到满足，不能求解出正确的光流场；并且光流场与运动场并不一一对应，如球体在摄像机前面绕中心轴旋转，其明暗模式并不随着表面运动，此时光流在任意地方都等于零，而运动场却不为零；若球体不动，光源运动，则光流场不为零，而运动场却等于零。 同时大多数的光流计算方法相当复杂，计算量巨大，除非有特别硬件支持，否则不能满足实时要求。 [1] 西北工业大学 本科毕业设计论文 16 第三章 运动目标跟踪方法 引言 运动目标跟踪是近期视觉领域内一个备受关注的课题，图像中运动目标的跟踪技术通常是通过目标检测来进行跟踪。 运动目标的跟踪就是在视频图像的每一幅图像中确定出我们感兴趣的运动目标的位置，来实现目标的跟踪。 在机器视觉研究领域里，随着技术不断发展，自动目标跟踪 (ATR)越来越受到研究者的重视，具有广阔的应用前景。 运动目标的跟踪在工业控制、军事设备、医学研究、视频监控、交通流量观测监控等很多领域都有重要的实用价值。 特别在军事上，先进的武器导航、军事侦察和监控中都成功运用了自动跟踪 技术。 跟踪的难点在于如何快速而准确的在每一帧图像中实现目标定位。 本章首先在第二节中概括介绍目标跟踪的几种方法。 在 本文 中介绍运动目标的主要特征，具体对基于目标区域特征进行分析 ，及 常见的运动目标搜索算法，重点分析了 跟踪 原理和搜索 算法。 运动目标跟踪方法 图像中运动目标的跟踪技术通常有两种算法思想通过目标识别来进行跟踪和通过运动检测来进行跟踪。 使用目标识别的方法进行跟踪通过在每一帧的图像中识别研究的物体来确定物体的位置来实现目标的跟踪。 这种方法包含了目标识别和目标匹配两部分。 而使用运动目 标检测的方法来发现并确定运动目标的位置进行跟踪，这种方法不考虑目标的形状、尺寸，可以检测任何物体。 近年来，人们从这两种基本思想或结合这两种思想的角度出发，提出了大量的跟踪算法。 这些算法在实时性、可靠性和精确性上都有改进。 现有的目标跟踪方法有下面三类 :基于特征匹配的跟踪方法、基于区域匹配的跟踪算法、基于模型匹配的跟踪算法。 西北工业大学 本科毕业设计论文 17 基于特征匹配的跟踪方法不考虑运动目标的整体特征，即不关心目标是什么，只通过目标物体的一些特征来进行跟踪。 由于图像采样时间间隔通常很小，可以认为这些 特征在运动形式上是平滑的，因此可以完成目标的整体跟踪过程。 无论是刚体运动目标还是非刚体运动目标，基于特征匹配的方法进行目标跟踪时包括特征的提取和特征匹配两个过程。 在特征提取中要选择适当的跟踪特征，并且在下一帧图像中提取特征。 在特征匹配中将提取的当前帧图像中目标的特征与特征模板相比较，根据比较的结果来确定目标，从而实现目标的跟踪。 例如使用特征点对人体进行运动跟踪 [33〕。 该方法把需要跟踪的每一个人用一个矩形框封闭起来，封闭框的质心被选择为目标的跟踪特征。 除了用单一的特征来实现跟踪外，还可以采用多个特 征信息综合在一起作为跟踪特征，来提高跟踪的效果。 利用多个目标特征联合进行跟踪的算法，如 StnaBicrhfield 提出了将目标的颜色直方图模型和灰度梯度模型联合的方法，实现对人头部的实时跟踪 ； 和 .TLiu 联合目标的颜色概率分布和边缘密度信息完成对非刚体目标的跟踪。 [3] 如果运动目标物体简单，可以将整个目标作为特征来进行跟踪，这种方法也被称为模板匹配。 [4] 基于区域匹配的跟踪方法是把图像中运动目标的连通区域的共有特征信息作为跟踪检测值的一种方 法。 在连续的图像中有多种区域信息，例如颜色特征、纹理特征等等。 这种方法不需要在视频序列的图像中找到完全相同的特征信息，通过计算区域的原始目标之间的相关性来确定跟踪目标的位置。 基于区域的跟踪方法我们可以选取整个区域的单一的特征来实现跟踪，但是实际跟踪过程中单一的特征不太好选择，所以一般采用运动目标的多个特征来进行跟踪。 例如， Wrell 利用小区域特征进行室内单人的跟踪。 该方法将人体看作由头、躯干、四肢等身体部分所对应的小区域块的联合体，通过分别跟踪各个小区域块最终完成对整个人体的跟踪。 基于区域的跟踪 与基于区域的分割过程联系较为紧密，所以也可以利用分割同跟踪相结合的方法来进行跟踪。 例如 Frnao。