目標跟蹤算法地分類

1、實用標準文案運動目標跟蹤就是在一段序列圖像中的每幅圖像中實時地找到所感興趣的 運動目標（包括位置、速度及加速度等運動參數(shù)）。在運動目標跟蹤問題的研究 上，總體來說有兩種思路：a）不依賴于先驗知識，直接從圖像序列中檢測到運動目標， 并進行目標識別， 最終跟蹤感興趣的運動目標；b）依賴于目標的先驗知識，首先為運動目標建模，然后在圖像序列中實時找到相匹配的運動目標。一、運動目標檢測對于不依賴先驗知識的目標跟蹤來講， 運動檢測是實現(xiàn)跟蹤的第一步。運動 檢測即為從序列圖像中將變化區(qū)域從背景圖像中提取出來。運動目標檢測的算法依照目標與攝像機之間的關系可以分為靜態(tài)背景下運動檢測和動態(tài)背景下運動 檢測。靜態(tài)背

2、景下運動檢測就是攝像機在整個監(jiān)視過程中不發(fā)生移動，只有被監(jiān)視目標在攝像機視場內運動，這個過程只有目標相對于攝像機的運動； 動態(tài)背景下 運動檢測就是攝像機在整個監(jiān)視過程中發(fā)生了移動（如平動、旋轉或多自由度運動），被監(jiān)視目標在攝像機視場內也發(fā)生了運動，這個過程就產生了目標與攝像 機之間復雜的相對運動。1、靜態(tài)背景背景差分法背景差分法是利用當前圖像與背景圖像的差分來檢測運動區(qū)域的一種技術。 它一般能夠提供最完全的特征數(shù)據(jù)，但對于動態(tài)場景的變化，如天氣、光照、背 景擾動及背景物移入移出等特別敏感，運動目標的陰影也會影響檢測結果的準確 性及跟蹤的精確性。其基本思想就是首先獲得一個背景模型，然后將當前幀與

3、背 景模型相減，如果像素差值大于某一閾值，則判斷此像素屬于運動目標，否則屬 于背景圖像。背景模型的建立與更新、陰影的去除等對跟蹤結果的好壞至關重要。幀間差分法相鄰幀間差分法是通過相鄰兩幀圖像的差值計算，獲得運動物體位置和形狀 等信息的運動目標檢測方法。其對環(huán)境的適應性較強，特別是對于光照的變化適 應性強，但由于運動目標上像素的紋理、 灰度等信息比較相近，不能檢測出完整 的目標，只能得到運動目標的部分信息且對運動緩慢的物體不敏感， 存在一定的 局限性。賀貴明等人在相鄰幀間差分法的基礎上提出了對稱差分法， 通過對圖像 序列中每連續(xù)三幀圖像進行對稱差分， 檢測出目標的運動范圍，同時利用上一幀 分割出

4、來的模板對檢測出來的目標運動范圍進行修正， 能較好地檢測出中間幀運 動目標的形狀輪廓。光流法在空間中，運動可以用運動場描述，而在一個圖像平面上，物體的運動往往 是通過圖像序列中圖像灰度分布的不同來體現(xiàn)， 從而使空間中的運動場轉移到圖 像上就表示為光流場。光流場反映了圖像上每一點灰度的變化趨勢， 可看成是帶 有灰度的像素點在圖像平面上運動而產生的瞬時速度場，也是一種對真實運動場 的近似估計。在比較理想的情況下，它能夠檢測獨立運動的對象，不需要預先知 道場景的任何信息，可以很精確地計算出運動物體的速度，并且可用于動態(tài)場景 的情況。但是大多數(shù)光流方法的計算相當復雜， 對硬件要求比較高，不適于實時 處

5、理，而且對噪聲比較敏感，抗噪性差。2、動態(tài)背景由于存在著目標與攝像機之間復雜的相對運動， 動態(tài)背景下運動目標檢測要 比靜態(tài)背景下的運動目標檢測復雜得多。 通常情況下，攝像機的運動形式可以分 為兩種：a）攝像機的支架固定，但攝像機可以偏轉、俯仰以及縮放 ；b）將攝像機 裝在某個移動的載體上。由于以上兩種情況下的背景及前景圖像都在做全局運 動，要準確檢測運動目標的首要任務是進行圖像的全局運動估計與補償?？紤]到圖像幀上各點的全局運動矢量雖不盡相同（攝像機做平移運動除外），但它們均是在同一攝像機模型下的運動，因而應遵循相同的運動模型，可 以用同一模型參數(shù)來表示。全局運動的估計問題就被歸結為全局運動模型

6、參數(shù)的估計問題，通常使用塊匹配法或光流估計法來進行運動參數(shù)的估計?；趬K的運動估算和補償可算是最通用的算法。可以將圖像分割成不同的圖 像塊，假定同一圖像小塊上的運動矢量是相同的，通過像素域搜索得到最佳的運 動矢量估算。塊匹配法主要有如下三個關鍵技術：a）匹配法則，如最大相關、最小誤差等。b）搜索方法，如三步搜索法、交叉搜索法等。c）塊大小的確定，如分級、自適應等。光流估計法是對幀圖像建立了光流場模型后，用光流場方程求解圖像像素點 運動速度的方法。二、運動目標跟蹤運動目標的跟蹤，即通過目標的有效表達，在圖像序列中尋找與目標模板最 相似候選目標區(qū)位置的過程。簡單說，就是在序列圖像中為目標定位。 運

7、動目標 的有效表達除了對運動目標建模外，目標跟蹤中常用到的目標特性表達主要包括 視覺特征（圖像邊緣、輪廓、形狀、紋理、區(qū)域）、統(tǒng)計特征（直方圖、各種矩特 征）、變換系數(shù)特征（傅里葉描繪子、自回歸模型）、代數(shù)特征（圖像矩陣的奇異 值分解）等。除了使用單一特征外，也可通過融合多個特征來提高跟蹤的可靠性。相似性度量算法對運動目標進行特性提取之后，需要采用一定的相似性度量算法與幀圖像進 行匹配，從而實現(xiàn)目標跟蹤。圖像處理與分析理論中，常見的相似性度量方法有 歐氏距離、街區(qū)距離、棋盤距離、加權距離、巴特查理亞系數(shù)、Hausdoff距離等，其中應用最多和最簡單的是歐氏距離。搜索算法目標跟蹤過程中，直接對場

8、景中的所有內容進行匹配計算， 尋找最佳匹配位 置，需要處理大量的冗余信息，這樣運算量比較大，而且沒有必要。采用一定的 搜索算法對未來時刻目標的位置狀態(tài)進行估計假設，縮小目標搜索范圍便具有了非常重要的意義。其中一類比較常用的方法是預測運動體下一幀可能出現(xiàn)的位 置，在其相關區(qū)域內尋找最優(yōu)點。常見的預測算法有Kalma n濾波、擴展的Kalman濾波及粒子濾波方法等。Kalman濾波器是一個對動態(tài)系統(tǒng)的狀態(tài)序列進行線性最小方差估計的算 法。它通過狀態(tài)方程和觀測方程來描述一個動態(tài)系統(tǒng)，基于系統(tǒng)以前的狀態(tài)序列 對下一個狀態(tài)作最優(yōu)估計，預測時具有無偏、穩(wěn)定和最優(yōu)的特點，且具有計算量 小、可實時計算的特點，

9、可以準確地預測目標的位置和速度，但其只適合于線性且呈高斯分布的系統(tǒng)。相對于卡爾曼濾波算法，粒子濾波器特別適用于非線性、 非高斯系統(tǒng)。粒子濾波算法是一種基于蒙特卡洛和貝葉斯估計理論的最優(yōu)算法， 它以遞歸的方式對測量數(shù)據(jù)進行序貫處理， 因而無須對以前的測量數(shù)據(jù)進行存儲 和再處理，節(jié)省了大量的存儲空間。在跟蹤多形式的目標以及在非線性運動和測 量模型中，粒子濾波器具有極好的魯棒性。另一類減小搜索范圍的算法是優(yōu)化搜索方向。 均值漂移算法（Meanshift算 法）、連續(xù)自適應均值漂移算法 （Camshift算法）和置信區(qū)域算法都是利用無參 估計的方法優(yōu)化目標模板和候選目標距離的迭代收斂過程，以達到縮小搜

10、索范圍的目的。Meanshift算法是利用梯度優(yōu)化方法實現(xiàn)快速目標定位，能夠對非剛性目標實時跟蹤，適合于非線性運動目標的跟蹤， 對目標的變形、旋轉等運動有較 好的適用性。但是 Mea nshift算法在目標跟蹤過程中沒有利用目標在空間中的 運動方向和運動速度信息，當周圍環(huán)境存在干擾時（如光線、遮擋），容易丟失目標。Camshift算法是在Meanshift算法的基礎上，進行了一定的擴展，結合 目標色彩信息形成的一種改進的均值漂移算法。由于目標圖像的直方圖記錄的是 顏色出現(xiàn)的概率，這種方法不受目標形狀變化的影響，可以有效地解決目標變形 和部分遮擋的問題，且運算效率較高，但該算法在開始前需要由人工

11、指定跟蹤目 標。目標跟蹤分類依據(jù)運動目標的表達和相似性度量， 運動目標跟蹤算法可以分為四類：基于 主動輪廓的跟蹤、基于特征的跟蹤、基于區(qū)域的跟蹤和基于模型的跟蹤。 跟蹤算 法的精度和魯棒性很大程度上取決于對運動目標的表達和相似性度量的定義，跟蹤算法的實時性取決于匹配搜索策略和濾波預測算法。1、基于主動輪廓的跟蹤Kass等人提出的主動輪廓模型，即 Snake模型，是在圖像域內定義的可變 形曲線，通過對其能量函數(shù)的最小化，動態(tài)輪廓逐步調整自身形狀與目標輪廓相 一致，該可變形曲線又稱為 Snake曲線。Snake技術可以處理任意形狀物體的 任意形變，首先將分割得到的物體邊界作為跟蹤的初始模板然后確定

12、表征物體真 實邊界的目標函數(shù)，并通過降低目標函數(shù)值，使初始輪廓逐漸向物體的真實邊界 移動?；谥鲃虞喞櫟膬?yōu)點是不但考慮來自圖像的灰度信息，而且考慮整體輪廓的幾何信息，增強了跟蹤的可靠性。由于跟蹤過程實際上是解的尋優(yōu)過程， 帶 來的計算量比較大，而且由于 Snake模型的盲目性，對于快速運動的物體或者 形變較大的情況，跟蹤效果不夠理想。2、基于特征的跟蹤基于特征匹配的跟蹤方法不考慮運動目標的整體特征，只通過目標圖像的一些顯著特征來進行跟蹤。假定運動目標可以由惟一的特征集合表達， 搜索到該相 應的特征集合就認為跟蹤上了運動目標。 除了用單一的特征來實現(xiàn)跟蹤外，還可 以采用多個特征信息融合在一起

13、作為跟蹤特征。基于特征的跟蹤主要包括特征提 取和特征匹配兩個方面。（1）特征提取特征提取是指從景物的原始圖像中提取圖像的描繪特征，理想的圖像特征應 具備的特點是：a）特征應具有直觀意義，符合人們的視覺特性；b）特征應具備較 好的分類能力，能夠區(qū)分不同的圖像內容；c）特征計算應該相對簡單，以便于快 速識別;d）特征應具備圖像平移、旋轉、尺度變化等不變性。目標跟蹤中常用的運動目標的特征主要包括顏色、紋理、邊緣、塊特征、光 流特征、周長、面積、質心、角點等。提取對尺度伸縮、形變和亮度變化不敏感 的有效特征至今仍是圖像處理研究領域中一個比較活躍的方面。(2)特征匹配特征提取的目的是進行幀間目標特征的匹

14、配， 并以最優(yōu)匹配來跟蹤目標。常 見的基于特征匹配的跟蹤算法有基于二值化目標圖像匹配的跟蹤、 基于邊緣特征 匹配或角點特征匹配的跟蹤、基于目標灰度特征匹配的跟蹤、 基于目標顏色特征 匹配的跟蹤等?；谔卣鞯母櫵惴ǖ膬?yōu)點在于對運動目標的尺度、形變和亮度等變化不敏 感，即使目標的某一部分被遮擋，只要還有一部分特征可以被看到， 就可以完成 跟蹤任務；另外，這種方法與 Kalman濾波器聯(lián)合使用，也具有很好的跟蹤效 果。但是其對于圖像模糊、噪聲等比較敏感，圖像特征的提取效果也依賴于各種 提取算子及其參數(shù)的設置，此外，連續(xù)幀間的特征對應關系也較難確定， 尤其是 當每一幀圖像的特征數(shù)目不一致、存在漏檢、

15、特征增加或減少等情況。3、基于區(qū)域的跟蹤基于區(qū)域的跟蹤算法基本思想是：a)得到包含目標的模板，該模板可通過圖像分割獲得或預先人為確定，模板通常為略大于目標的矩形，也可為不規(guī)則形 狀;b)在序列圖像中，運用相關算法跟蹤目標。這種算法的優(yōu)點在于當目標未被遮擋時，跟蹤精度非常高、跟蹤非常穩(wěn)定。 但其缺點首先是費時，當搜索區(qū)域較大時情況尤其嚴重；其次，算法要求目標變形不大，且不能有太大遮擋，否則相關精度下降會造成目標的丟失。近年來，對 基于區(qū)域的跟蹤方法關注較多的是如何處理模板變化時的情況，這種變化是由運動目標姿態(tài)變化引起的，如果能正確預測目標的姿態(tài)變化，則可實現(xiàn)穩(wěn)定跟蹤。4、基于模型的跟蹤基于模型的

16、跟蹤是通過一定的先驗知識對所跟蹤目標建立模型，然后通過匹配跟蹤目標進行模型的實時更新。 對于剛體目標來說，其運動狀態(tài)變換主要是平 移、旋轉等，可以利用該方法實現(xiàn)目標跟蹤。 但是實際應用中跟蹤的不僅僅是剛 體，還有一大部分是非剛體，目標確切的幾何模型不容易得到。這種方法不易受觀測視角的影響，具有較強的魯棒性，模型匹配跟蹤精度高， 適合于機動目標的各種運動變化， 抗干擾能力強，但由于計算分析復雜、運算速 度慢，模型的更新較為復雜，實時性較差。準確建立運動模型是模型匹配能否成 功的關鍵。2.1目標跟蹤的數(shù)學模型大多數(shù)目標跟蹤問題都是基于目標模版的。也就是說，依賴于兩個描述：一是目標行為，通常用動態(tài)運動模型表示；另一個是對目標的觀測，稱為觀測模型。目標跟蹤，通俗地說，就是根據(jù)某些參數(shù)來估計目標運動軌跡的過程。一般地，我們將目標看作是空間的一個運動點， 這類似于物理中力學研究中通常將物體對象描述為一個質點 來分析。幾乎所有的運動目標跟蹤算法都是基于目標模版的。常用的狀態(tài)空間模型為：x（t）Zk（t）fx(t),u(t) hkXk(t)Wk(t) Vk(t)k N離散時間模型：Xk 1f k（Xk，Uk）k（Wk）Zkhg) Vkk N而且通常我們處理時線性系統(tǒng)，此時離散時間模型為:(2