视频中移动对象跟踪技术研究【开题报告+文献综述+毕业设计】.Doc

1、1毕业设计开题报告计算机科学与技术视频中移动对象跟踪技术研究一、选题的背景与意义随着计算机技术、图像处理技术的不断发展，视频中移动对象跟踪技术目前已成为热点研究问题。视频跟踪技术，经过近50多年的深入研究和发展，在军事制导、视觉导航、安全监控、智能交通等方面有着广泛的应用和发展前景。如视频跟踪通过摄像机监控动态场景，已被广泛地应用在社会生活的各个方面，可应用于社区、大型公共场所及重要设施的安全监控；智能交通系统中，进行车辆的实时检测和跟踪，可以实时监控车流量、车速、车流密度、交通事故、违章逃逸车辆等交通状况，用于实时的智能交通调度。二、研究的基本内容与拟解决的主要问题1视觉跟踪算法现在普遍将视

2、觉跟踪算法划分为1基于区域的跟踪REGIONBASEDTRACKING。基于区域的跟踪算法基本思想是首先得到包含目标的模板TEMPLATE，该模板通过图像分割获得或是预先人为确定，模板通常为略大于目标的矩形，也可为不规则形状；然后在序列图像中，运用相关算法跟踪目标，对灰度图像可以采用基于纹理和特征的相关，对彩色图像还可利用基于颜色的相关。近年来，对基于区域的跟踪方法关注较多的是如何处理模板变化时的情况，这种变化是由运动目标姿态变化引起的，如果能正确预测目标的姿态变化，则可实现稳定跟踪。2基于特征的跟踪FEATUREBASEDTRACKING。基于特征的跟踪算法一般也采用相关算法。与基于区域的跟

3、踪算法的不同之处在于，后者使用目标整体作为相关时的对象，而前者使用目标的某个或某些局部特征作为相关时的对象。这种算法的优点在于即使目标的某一部分被遮挡，只要还有一部分特征可以被看到，就可以完成跟踪任务。另外，这种方法与卡尔曼滤波器联合使用，也具有很好的跟踪效果这种算法的难点是对某个运动目标，如何确定它的唯一特征集这2也是一个模式识别问题。若采用特征过多，系统效率将降低，且容易产生错误。3基于变形模板的跟踪DEFORMABLETEMPLATEBASEDTRACKING变形模板是纹理或边缘可以按一定限制条件变形的面板或曲线。例如，目标模板可以是一条手划HANDDRAWN的封闭曲线，该曲线通过方向及

4、方向的变形逐渐与图像中的真实目标相适应，从而检索或跟踪复杂背景中的目标。4基于模型的跟踪MODELBASEDTRACKING。对人体进行跟踪时，通常有三种形式的模型，线图模型、2D模型和3D模型。但是在实际的视觉跟踪算法中，更多的是采用运动目标的3D模型进行跟踪，尤其对于刚体如汽车的跟踪。其基本思想是首先由先验知识获得目标的三维结构模型和运动模型，然后根据实际的图像序列，确定出目标的三维模型参数，进而确定出目标的瞬时运动参数。这种方法的优点是，可以精确地分析目标的三维运动轨迹，即使在运动目标姿态变化的情况下，也能够可靠地跟踪。但是其缺点在于，运动分析的精度取决于几何模型的精度，在现实生活中要获

5、得所有运动目标的精确几何模型是非常困难的。这就限制了基于模型的跟踪算法的使用。同时，基于3D模型的跟踪算法往往需要大量的运算时间，很难实现实时的运动目标跟踪。2视觉跟踪问题中的难点从控制的观点来看，视觉跟踪问题所面临的主要难点可以归结为对视觉跟踪算法在三个方面的要求，即对算法的鲁棒性、准确性和快速性要求。1鲁棒性ROBUSTNESS。所谓鲁棒性是指视觉跟踪算法能够在各种环境条件下实现对运动目标持续稳定的跟踪。影响视觉跟踪算法鲁棒性的最主要原因在于A被跟踪运动目标的姿态改变；B运动目标所处环境的光照变化；C部分遮挡引起的运动目标不规则变形和全部遮挡引起的运动目标的暂时消失。2准确性ACCURAC

6、Y。在视觉跟踪研究中，准确性包括两个方面，一是指对运动目标检测的准确性，另一个是指对运动目标分割的准确性对运动目标检测准确性的目的是尽可能降低运动目标检测的虚警率和漏警率，从而提高对真实运动目标的检测概率，这一点在视频监视系统中要求比较高。由于实际复杂环境中存在大量噪声，很难实现各种环境条件下对运动目标地准确检测，往往只能在虚3警率和漏警率之间寻求一个折中TRADEOFF。虚警率和漏警率转化为统计的语言就是一个假设检验犯第一类错误和第二类错误的概率。3快速性SPEED。一个实用的视觉跟踪系统必须能够实现对运动目标的实时跟踪，这就要求视觉跟踪算法必须具有快速性。但是，视觉跟踪算法处理的对象是包含

7、巨大数据量的图像，这些算法往往需要大量的运算时间，很难达到实时处理的要求。通常，简单算法能够实现实时跟踪，但跟踪精度却很差；复杂算法具有很高的跟踪精度，实时性却很差。一种通用的减小视觉跟踪算法运算量的方法是利用金字塔分解或小波变换将图像分层处理；另一种思路是设计专用硬件实现实时的视觉跟踪。三、研究的方法与技术路线在本课题研究中前期我将采用基于区域的跟踪的MEANSHIFT算法解决没有运动目标的突然变速情况下的目标跟踪，它具有快速定位的特点。然而，MEANSHIFT跟踪算法要求相邻两帧间目标搜索模板区域必须重叠，因此对于运动目标的突然变速以及跟踪系统的实时性具有一定的限制。但在这方面也已经有人提

8、出了结合卡尔曼滤波的方法予以很好的解决，这可以成为我后期研究的一个方向。1基本的MEANSHIFT给定D维空间错误未找到引用源。中的N个样本点错误未找到引用源。,I1,N,在X点的MEANSHIFT向量的基本形式定义为错误未找到引用源。1其中,错误未找到引用源。是一个半径为H的高维球区域,K表示在这N个样本点错误未找到引用源。中,有K个点落入错误未找到引用源。区域中。我们可以看到错误未找到引用源。是样本点错误未找到引用源。相对于点错误未找到引用源。的偏移向量,1式定义的MEANSHIFT向量错误未找到引用源。就是对落入区域错误未找到引用源。中的K个样本点相对于点X的偏移向量求和然后再平均。从直

9、观上看,如果样本点错误未找到引用源。从一个概率密度函数错误未找到引用源。中采样得到,由于非零的概率密度梯度指向概率密度增加最大的方向,因此从平均上来说,错误未找到引用源。区域内的样本点更多的落在沿着概率密度梯度的方向。因此,对应的,MEANSHIFT向量错误未找4到引用源。应该指向概率密度梯度的方向图1,MEANSHIFT示意图如上图所示,大圆圈所圈定的范围就是错误未找到引用源。,小圆圈代表落入错误未找到引用源。区域内的样本点错误未找到引用源。,黑点就是MEANSHIFT的基准点错误未找到引用源。,箭头表示样本点相对于基准点错误未找到引用源。的偏移向量,很明显的,我们可以看出,平均的偏移向量错

10、误未找到引用源。会指向样本分布最多的区域,也就是概率密度函数的梯度方向。2核函数以及MEANSHIFT扩展形式从1式我们可以看出,只要是落入错误未找到引用源。的采样点,无论其离错误未找到引用源。远近,对最终的错误未找到引用源。计算的贡献是一样的,然而我们知道,一般的说来,离错误未找到引用源。越近的采样点对估计错误未找到引用源。周围的统计特性越有效,因此我们引进核函数错误未找到引用源。（通常为单位均匀核函数或者单位高斯核函数）,在计算错误未找到引用源。时可以考虑距离的影响同时我们也可以认为在这所有的样本点错误未找到引用源。中,重要性并不一样,因此我们对每个样本都引入一个权重系数错误未找到引用源。

11、如此以来我们就可以把基本的MEANSHIFT形式扩展为53算法步骤记错误未找到引用源。,则错误未找到引用源。然后在错误未找到引用源。的时候循环迭代。因此上面的步骤也就是不断的沿着概率密度的梯度方向移动,同时步长不仅与梯度的大小有关,也与该点的概率密度有关,在密度大的地方,更接近我们要找的概率密度的峰值,MEANSHIFT算法使得移动的步长小一些,相反,在密度小的地方,移动的步长就大一些。在满足一定条件下,MEANSHIFT算法一定会收敛到该点附近的峰值。在基于MEANSHIFT的移动对象跟踪算法中，可以用一个物体的灰度或色彩分布来描述这个物体。若果定义一个相似函数来表示目标快和候选块的相似程度

12、。这样候选块的匹配过程就是寻找相似函数最大值的寻优过程。这样就可以运用以上的算法来求得最优匹配，从而实现目标移动的跟踪。四、研究的总体安排与进度1、开题准备（2010年12月25日左右）在学校规定的开题日期前，完成开题报告。熟悉相关跟踪算法。2、文献翻译在2011年2月15日完成。3、演示原型第一版2011年3月15日完成。包括必要的研究对象或程序片断。4、演示原型第二版2011年3月28日前完成，根据指导教师的意见改进后的版本。5、演示原型第三版2011年4月15日完成。即包括一个基本成型的演示，而不是几个片断。6、毕业论文的写作在2011年5月8日完成。论文初稿2011年4月30日6完成，

13、根据演示原型的第三个版本，根据指导教师列出的论文提纲写出论文初稿。7、预答辩2011年5月13日完成，由指导教师组织，进行答辩前的一次演练。6正式答辩2011年5月15日完成应准备好一个答辩的POWERPOINT文件和程序演示,。五、主要参考文献1自动选择跟踪窗尺度的MEANSHIFT算法，钱惠敏茅耀斌王执铨，20072基于SIFT特征目标跟踪算法研究，蔺海峰马宇峰宋涛20103基于卡尔曼滤波的多运动目标跟踪算法研究，崔吉张燕超20104结合CAMSHIFT和KALMAN预测的运动目标跟踪钱永青，谢勤岚20106结合KALMAN滤波器的MEANSHIFT跟踪算法刘继艳，潘建寿，吴亚鹏，王宾，付

14、勇，20097视频序列中运动目标跟踪算法研究田小围，20088一种基于综合特征评估的运动目标跟踪算法，张宇，韩振军，焦建彬，20109FARAHNAZHOHMANAANDFURZINKOKHTARIMAIMPROVEDCURVATUREESTITIFURACCARATELACALISATIANOFACTIVECONTOURSPROCINTERNATIONALCONFERENCEONIMAGEPROCESSING,PPII781784THESSALONIKI，GREECE，200110RAFAELCGONZALEZ，RICHARDEWOODS著阮秋琦，阮宇智等译数字图象处理第二版电子工业出版社2

15、003，3PROCEEDINGSOFACMSIGGRAPH87ACMPRESS，ACMSIGGRAPH19877毕业设计文献综述计算机科学与技术视频中移动对象跟踪技术研究摘要视频中移动对象跟踪技术的研究是当前计算机视觉领域的一个热点问题，本文对这一问题研究现状进行了大量的文献阅读，并做了总结和展望。为了清楚地表达这一研究问题我引用了目前主流的划分方法进行相应的阐述。最后我提出了未来的移动对象跟踪技术的一个发展前景是人机交互。在某些时刻适当地让算法与人进行一定的交互来达到有效地处理复杂情景。关键词计算机视觉；目标跟踪；移动对象跟踪技术；人机交互；一、视频中移动对象跟踪技术研究的意义随着计算机技术

16、的不断发展，计算能力得到了极大地提高，使得利用计算机实现人类的视觉功能成为目前计算机领域中最热门的课题之一1。视频中移动对象跟踪（简称目标跟踪）是计算机视觉领域的一个分支，它在视频监控、视频压缩与传输、电话会议、人机界面的应用中以及高技术武器装备方面都有重要的意义2,15。目前的一些目标跟踪算法中都有各自适用的情景，有些不能处理遮挡、速度突变、光线变化以及多目标干扰。二、视频中移动对象跟踪技术的研究现状1移动对象跟踪技术的基本原理对于视觉跟踪问题的处理，总体上讲有两种思路1，一种称之为自底向上的处理方法；另一种称之为自顶向下的处理方法。文献3,4也给出了另外两种不同角度的划分。（1）自底向上的

17、处理方法自底向上的处理方法又称之为基于运动分析的方法3，这种方法不依赖于先验知识，直接从图像序列中获得目标的运动信息并进行跟踪。在自底向上的视觉跟踪过程中，跟踪的目的是获得场景中运动目标的位置、速度、加速度、运动轨迹等信息，这相当于视觉过程中的后期阶段，为得到这些信息，在获得图像序列并对图像序列进行预处理之后，首先直接从图像序列中检测运动目标，这是早期8阶段；检测到运动目标之后，提取出运动目标并进行识别，以判定是否跟踪，这相当于中期阶段；最后对该目标进行跟踪并获得运动目标的相关运动信息。上述过程按处理顺序共分为四步，第一步为图像预处理，一般对所获得的序列图像进行消噪或增强，提高图像质量以方便后

18、续处理；第二步为目标检测，在摄像机不动情况下一般采用帧差法或背景差法进行变化检测以获取运动目标，此时得到的运动目标是一个斑点；第三步为目标分类，要完成两个任务，首先提取出检测到的运动目标，其次对该目标进行识别；最后在目标跟踪阶段获得运动目标的相关运动信息。该方法在摄像机静止情况下效果非常好，但如果摄像机是运动的，则实现运动目标检测与跟踪就比较困难，因此在很大程度上局限了该方法的使用范围。系统14也部分符合这个方法。（2）自顶向下的处理方法自顶向下思路利用先验知识对跟踪问题建立模型，然后利用实际图像序列验证模型的正确性，这种方法具有坚实的数学理论基础，有很多数学工具可以使用，因此一直是理论界研究

19、视觉跟踪问题的主流方法。这种方法一般依赖于所构建的模型或先验知识，在图像序列中进行匹配运算或求解后验概率，采用匹配运算时，如果相似距离最为接近则认为跟踪上运动目标；求解后验概率时，选择最大后验概率所对应的状态向量作为运动目标的当前状态。但是，先验知识的表述是人工智能中的困难所在。系统14是这种方法的典型。2国内外移动对象跟踪技术的研究情况（1）国内的研究现状国内对移动对象跟踪技术有较多的研究，一些研究人员提出很多有效的跟踪算法。杨杨、张田文10于2000年提出了一种基于特征光流的运动目标跟踪方法，跟踪过程中建立了角点、类及类形状模型的卡尔曼滤波模型,对目标的状态随时进行估计和预测,指导跟踪的进

20、程,使得跟踪更加主动,减少了跟踪时间,提高了跟踪精度,并为目标遮挡和目标失锁等异常情况的处理提供了有效的工具。向卫军、韩根甲8与2003年在红外热成像领域成功地应用了一种基于模板匹配的目标跟踪算法。胡洪涛、敬忠良、李安平、胡士强6与2004年提出了一种在非高斯条件下基于粒子滤波的目标跟踪。程建、杨杰9与2005年提出了均值漂移跟踪算法在红外目标中的应用，它在当前帧目标与目标模型的相似度低于给定9的阈值，则进行模型更新。张宏志、张金换、岳卉、黄世霖7与2006年提出了基于CAMSHIFT的目标跟踪算法，该文献中算法将图像由RGB颜色空间转化到HSV颜色空间进行后续处理，这减少了光照亮度变化对跟踪

21、算法的影响。孙中森、孙俊喜、宋建中2与2007年提出了一种抗遮挡的运动目标跟踪算法，该文献中对处理遮挡的方法进行了一定的总结，还引入了目标遮挡因子来判断是否发生遮挡。胡建华、徐健健11与2007年提出了一种基于遗传算法和卡尔曼滤波的运动目标跟踪方法，这是一个很新的思路，由于遗传算法是一种新的全局优化搜索算法，采用非遍历寻优策略，有很好的实时性。熊玉梅、郭坚、陈一民5与2011年提出了一种搜索窗口可变的目标跟踪算法，该跟踪算法最关键之处就是需要根据预测前面得到的标志坐标,预测下一次标志将会出现的位置,并计算下一次的搜索窗口。曲巨宝,林宏基,梁洪涛，刘胜12与2011年提出的文献中比较了经典的卡尔

22、曼滤波、粒子滤波以及MEANSHIFT算法的各自缺点，并提出了一种改进背景差分法与核宽自适应的MEANSHIFT算法相结合的目标跟踪算法，此算法采用灰度质心技术与核带宽自适应算法提高MEANSHIFT跟踪效率和鲁棒性。（2）国外的研究现状国外的主流的跟踪算法还是集中在对MEANSHIFT、粒子滤波，卡尔曼等算法的研究上。经典的卡尔曼计算量大，构造模型困难，不适合复杂环境下的实时运动目标跟踪。经典的粒子滤波算法也因经过多次迭代后，大量粒子只集中了较小的权值它们对后验概率的估计几乎不起作用。经典的MEANSHIFT算法缺乏模板更新与核带宽自适应功能，容易出现目标丢失情况。虽然MEANSHIFT算法

23、有这样的缺点，但是它是一个无参数估计算法，硬件实现比较容易，加之采用核函数直方图建模，对边缘遮挡、目标旋转、变形和背景运动不太敏感。因此在目标跟踪算法中MEANSHIFT算法还是一个主流。另外在目标模板与候选模板之间相似度的计算一般都采用BHATTACHARYYA系数。文献14与2010年提出了结合自适应卡尔曼与MEANSHIFT的目标跟踪算法，该方法对真实复杂情况下连续帧中目标移动的跟踪有很好的鲁棒性，例如，由于遮挡目标的部分消失或全部消失，快速移动的目标，移动目标的突然加速等。文献15提出了一种结合SIFT特征和MEANSHIFT的目标跟踪技术，为了获得相似性区域的最大似然估计，这两个评估

24、方法的概率分布被计算出来用以寻找最大期望。这种相互支持的机制，使得即使在其中一个方法变得不稳定的时候也能保持跟踪的一致性。10三、移动对象跟踪技术的发展趋势通过文献阅读和对国内外研究现状的分析和综合，我认为移动对象跟踪技术的发展趋势如下1随着移动对象跟踪技术在现实场景中的广泛应用，现在移动对象跟踪技术的基本设计方向是要兼具鲁棒性、准确性，快速性等特性，并且可以适用于复杂环境中，抗干扰性强。2移动对象跟踪技术研究中面临的主要问题是如何采用更好的特征表示方法，如何快速有效地处理目标被遮挡的情况，如何处理有多目标的情况，如何在目标姿态发生变化后还能准确地进行跟踪，保持算法的鲁棒性。3对于以上问题我觉

25、得人机交互是一个可行的方案，在目标发生变化或者被遮挡的时候适当地接收一些人为的判断。四、参考文献1侯志强，韩崇昭视觉跟踪技术综述N自动化学报,2006,32（4）1152孙中森，孙俊喜，宋建中，乔双一种抗遮挡的运动目标跟踪算法J光学精密工程,2007,15（2）153邵文坤，黄爱民，韦庆目标跟踪方法综述J影像技术,2006,1（1）144高浩军，杜宇人目标跟踪技术及应用前景J现代电子技术,2004,24（191）135熊玉梅，郭坚，陈一民视觉目标的识别及跟踪技术的研究J计算机应用与软件,2011,28（1）146胡洪涛,敬忠良，李安平，胡士强非高斯条件下基于粒子滤波的目标跟踪N上海交通大学学报

26、,2004,38（12）147张宏志，张金换，岳卉，黄世霖基于CAMSHIFT的目标跟踪算法J计算机工程与设计,2006,27（11）138向卫军，韩根甲计算机应用J基于模板匹配的目标跟踪算法在红外热成像跟踪技术上的应用,2003,29（5）149程建，杨杰一种基于均值移位的红外目标跟踪新方法N红外与毫米波学报,2005,24（3）1510杨杨，张田文一种基于特征光流的运动目标跟踪方法N宇航学报,112000，21,21811胡建华，徐健健一种基于遗传算法和卡尔曼滤波的运动目标跟踪方法J计算机应用，2007,2781312曲巨宝，林宏基，梁洪涛，刘胜运动图像快速跟踪技术研究N重庆师范大学学报，

27、2011,28（1）1513余静，游志胜自动目标识别与跟踪技术研究综述J计算机应用研究，2005，1121514LIXIAOHE，ZHANGTAIYI，SHENXIAODONG，SUNJIANCHENGOBJECTTRACKINGUSINGANADAPTIVEKALMANFILTERCOMBINEDWITHMEANSHIFTJOPTICALENGINEERING，2010，4921315ZHOUHUIYU，YUANYUAN，SHICHUNMEIOBJECTTRACKINGUSINGSIFTFEATURESANDMEANSHIFTJCOMPUTERVISIONANDIMAGEUNDERSTAND

28、ING,2009,11334535212本科毕业设计（20届）视频中移动对象跟踪技术研究13摘要【摘要】随着计算机技术的不断发展，计算能力得到了极大地提高，使得利用计算机实现人类的视觉功能成为目前计算机领域中最热门的课题之一。视频中移动对象跟踪（简称目标跟踪）是计算机视觉领域的一个分支，它在视频监控、人机界面等应用中有重要的意义。所谓移动对象跟踪技术，就是指对某个图像序列中的移动目标进行检测、提取和跟踪，获得移动目标的运动参数，如运动轨迹、位置、速度和加速度等。移动对象跟踪作为一个计算机视觉方面的热点，在这方面的研究，国内外的学者提出了许多的解决方案。然而目前提出的各种方法也都还是有其各自特定

29、的应用范围，还没有完全统一的跟踪技术。本文提出了一种结合均值漂移和带更新卡尔曼滤波器的移动对象跟踪算法。首先利用物体运动的性质来构造卡尔曼滤波系统模型，然后将其预测到的下一帧的目标中心位置作为均值漂移算法的初始迭代值。接着根据均值漂移得到的候选目标的中心位置来计算候选目标与模板目标之间的巴氏系数。根据巴氏系数的情况来更新卡尔曼滤波器的转化和测量噪声协方差矩阵。并在每次跟踪结束后都实时更新模板，这对目标形态的渐变有很好的鲁棒性。该算法的跟踪效果有很好的鲁棒性。它可以对被遮挡、快速移动，突然变速的移动对象有很好的跟踪效果。【关键词】均值漂移；卡尔曼滤波器更新；搜索窗口更新；目标颜色模型更新。14A

30、BSTRACT【ABSTRACT】WITHTHEDEVELOPMENTOFCOMPUTERTECHNOLOGY,COMPUTINGPOWERHASBEENGREATLYIMPROVED,MAKINGUSEOFCOMPUTERTOREALIZEOFHUMANVISUALFUNCTIONHASBECOMEONEOFTHEMOSTPOPULARTOPICSINCOMPUTERSCIENCETRACKINGMOVINGOBJECTSINTHEVIDEOOBJECTTRACKINGISABRANCHOFCOMPUTERVISION,WHICHHASALOTOFSIGNIFICANTAPPLICATION

31、SINTHEVIDEOSURVEILLANCE,HUMANMACHINEINTERFACEANDSOONTHESOCALLEDOBJECTTRACKINGREFERSTOTHEDETECTION,EXTRACTIONANDTRACKINGOFMOVINGTARGETSINIMAGESEQUENCESANDTHENOBTAINTHEMOTIONPARAMETERS,SUCHASTRAJECTORY,POSITION,VELOCITY,ACCELERATIONANDSOONASAHOTAREAOFCOMPUTERVISION,MANYSCHOLARSATHOMEANDABROADPROPOSEDL

32、OTSOFSOLUTIONSHOWEVER,THESEPROPOSEDMETHODSSTILLHAVETHEIROWNSPECIFICAPPLICATIONSTHETRACKINGTECHNOLOGYISNOTYETFULLYINTEGRATEDTHISPAPERPRESENTSACOMBINATIONOFMEANSHIFTANDKALMANFILTERWITHUPDATETRACKINGALGORITHMFORMOVINGOBJECTSFIRSTLY,ACCORDINGTOTHENATUREOFTHEMOVEMENTOFOBJECTSTOCONSTRUCTTHEKALMANFILTERMOD

33、EL,ANDTHENUSINGITTOPREDICTTHENEXTFRAMEOFTHEGOALSCENTERASTHEMEANSHIFTALGORITHMSINITIALITERATIONVALUETHENUSINGTHECANDIDATESCENTERCALCULATEDBYMEANSHIFTTOGETTHEBHATTACHARYYACOEFFICIENTBETWEENCANDIDATEANDTARGETMODELACCORDINGTOTHECASEOFBHATTACHARYYACOEFFICIENTTOUPDATETHEKALMANFILTERSCONVERSIONANDMEASUREME

34、NTNOISECOVARIANCEMATRIXWITHUPDATINGTARGETMODELAFTERTHETRACKOFEACHFRAMEINREALTIME,THISALGORITHMISROBUSTTOGRADUALCHANGEOFTHETARGETTHISALGORITHMHASAGOODTRACKINGPERFORMANCETOTHEBLOCKED,QUICKLYMOVING,SUDDENLYSPEEDOFTARGET【KEYWORDS】MEANSHIFT；KALMANFILTERUPDATE；SEARCHWINDOWUPDATE；TARGETCOLORMODELUPDATING15

35、目录摘要14ABSTRACT15目录161引言1811课题的背景与意义1812移动对象跟踪技术简介1813国内外研究概况18131国内研究现状18132国外的研究现状1914论文主要工作和论文组织结构202MEASHIFT算法概述及其在移动对象跟踪中的应用2121MEANSHIFT简介2122基本的MEANSHIFT2123MEANSHIFT的扩展形式2224扩展形式MEANSHIFT的算法步骤2325MEANSHIFT算法在移动对象跟踪中的应用233KALMAN算法概述及其在移动对象跟踪中的应用2531KALMAN滤波简介2532移动对象跟踪中KALMAN滤波算法流程254基于MEANSHI

36、FT和KALMAN的移动对象跟踪算法2741搜索窗口的更新2742运动目标的提取27421背景差分法2743目标模板的更新2844卡尔曼滤波器参数的更新2845算法流程305视频中移动对象跟踪系统的实现3151系统主要界面3152主要功能实现34521MEANSHIFT中核函数计算的实现34522MEANSHIFT中彩色直方图核密度估计计算的实现35523MEANSHIFT中模板直方图的核估计计算的实现36524BHATTACHARYYA系数计算的实现36525MEANSHIFT迭代的实现37526卡尔曼滤波算法的实现38527卡尔曼滤波参数更新的实现39528跟踪系统主函数的实现391652

37、9鼠标选取跟踪目标的实现4053跟踪系统流程图416实验结果437总结与展望4971总结4972展望49参考文献50致谢错误未定义书签。171引言课题的背景与意义随着计算机技术的不断发展，计算能力得到了极大地提高，使得利用计算机实现人类的视觉功能成为目前计算机领域中最热门的课题之一1。视频中移动对象跟踪（简称目标跟踪）是计算机视觉领域的一个分支，它在视频监控、视频压缩与传输、电话会议、人机界面的应用中以及高技术武器装备方面都有重要的意义2,15。目前的一些目标跟踪算法中都有各自适用的情景，有些不能处理遮挡、速度突变、光线变化以及多目标干扰。移动对象跟踪技术简介随着计算机技术不断的发展，电脑计算

38、能力得到了极大的提高，这使得利用计算机实现人类视觉功能成为目前计算机领域中最热门的课题之一1。所谓移动对象跟踪技术，就是指对某个图像序列中的移动目标进行检测、提取和跟踪，获得移动目标的运动参数，如运动轨迹、位置、速度和加速度等。这些可以应用到视频监控，导弹制导等的民用和军用领域。国内外研究概况移动对象跟踪作为一个计算机视觉方面的热点，在这方面的研究，国内外的学者提出了许多的解决方案。然而目前提出的各种方法也都还是有其各自特定的应用范围，还没有完全统一的跟踪技术。在这方面的研究很多学者发表了很有价值的论文。111国内研究现状国内对移动对象跟踪技术有较多的研究，一些研究人员提出很多有效的跟踪算法。

39、杨杨、张田文10于2000年提出了一种基于特征光流的运动目标跟踪方法，跟踪过程中建立了角点、类及类形状模型的卡尔曼滤波模型,对目标的状态随时进行估计和预测,指导跟踪的进程,使得跟踪更加主动,减少了跟踪时间,提高了跟踪精度,并为目标遮挡和目标失锁等异常情况的处理提供了有效的工具。向卫军、韩根甲8与2003年在红外热成像领域成功地应用了一种基于模板匹配的目标跟踪算法。胡洪涛、敬忠良、李安平、胡士强6与2004年提出了18一种在非高斯条件下基于粒子滤波的目标跟踪。程建、杨杰9与2005年提出了均值漂移跟踪算法在红外目标中的应用，它在当前帧目标与目标模型的相似度低于给定的阈值，则进行模型更新。张宏志、

40、张金换、岳卉、黄世霖7与2006年提出了基于CAMSHIFT的目标跟踪算法，该文献中算法将图像由RGB颜色空间转化到HSV颜色空间进行后续处理，这减少了光照亮度变化对跟踪算法的影响。孙中森、孙俊喜、宋建中2与2007年提出了一种抗遮挡的运动目标跟踪算法，该文献中对处理遮挡的方法进行了一定的总结，还引入了目标遮挡因子来判断是否发生遮挡。胡建华、徐健健11与2007年提出了一种基于遗传算法和卡尔曼滤波的运动目标跟踪方法，这是一个很新的思路，由于遗传算法是一种新的全局优化搜索算法，采用非遍历寻优策略，有很好的实时性。熊玉梅、郭坚、陈一民5与2011年提出了一种搜索窗口可变的目标跟踪算法，该跟踪算法关

41、键之处就是需要根据预测前面得到的标志坐标,预测下一次标志将会出现的位置,并计算下一次的搜索窗口。曲巨宝,林宏基,梁洪涛，刘胜12与2011年提出的文献中比较了经典的卡尔曼滤波、粒子滤波以及MEANSHIFT算法的各自缺点，并提出了一种改进背景差分法与核宽自适应的MEANSHIFT算法相结合的目标跟踪算法，此算法采用灰度质心技术与核带宽自适应算法提高MEANSHIFT跟踪效率和鲁棒性。112国外的研究现状国外的主流的跟踪算法还是集中在对MEANSHIFT、粒子滤波，卡尔曼等算法的研究上。经典的卡尔曼滤波算法计算量大，构造模型困难，不适合复杂环境下的实时运动目标跟踪。经典的粒子滤波算法也因经过多次

42、迭代后，大量粒子只集中了较小的权值它们对后验概率的估计几乎不起作用。经典的MEANSHIFT算法缺乏模板更新与核带宽自适应功能，容易出现目标丢失情况。虽然MEANSHIFT算法有这样的缺点，但是它是一个无参数估计算法，硬件实现比较容易，加之采用核函数直方图建模，对边缘遮挡、目标旋转、变形和背景运动不太敏感。因此在目标跟踪算法中MEANSHIFT算法还是一个主流。另外在目标模板与候选模板之间相似度的计算一般都采用BHATTACHARYYA系数。文献14于2010年提出了结合自适应卡尔曼与MEANSHIFT的目标跟踪算法，该方法对真实复杂情况下连续帧中目标移动的跟踪有很好的鲁棒性，例如，由于遮挡目

43、标的部分消失或全部消失，快速移动的目标，移动目标的突然加速等。文献15提出了一种结合SIFT特征和MEANSHIFT的目标跟踪技术，为了获得相似性区域的最大似然估计，这两个评估方法的概率分布被计算出来用以寻找最大期望。这种相互支持的机制，使得即使在其中一个方法变得不稳定的时候也能保持跟踪的一致性。19论文主要工作和论文组织结构本论文的课题主要以移动对象跟踪技术研究为主题展开。提出了一种基于MEANSHIFT和KALMAN的移动对象跟踪算法，在此算法中有涉及KALMAN参数的更新、目标颜色模板的更新以及搜索窗口的更新。这个算法对部分遮挡、突然加速、快速移动等有良好的跟踪效果。第一章介绍了该课题的

44、背景和意义，在此基础上，阐述了移动对象跟踪技术的基本原理，并参考了大量国内外文献资料，概括了国内外研究概况。第二章主要阐述了用于跟踪的MEANSHIFT算法，并讨论了它的优缺点。第三章介绍了卡尔曼滤波方法的通用形式，并建立线性系统模型用于跟踪，包括预测阶段和更新阶段。第四章介绍了本文提出的MEANSHIFT结合卡尔曼滤波实现移动对象跟踪的具体算法流程。并给出了原始MEANSHIFT跟踪和本论文算法跟踪的实验结果对比。第五章是全文总结以及未来展望。202MEASHIFT算法概述及其在移动对象跟踪中的应用MEANSHIFT简介MEANSHIFT最早是由FUKUNAGA等人15于1975年提出的。刚

45、开始MEANSHIFT的提出并没有引起很大的关注。直到20年后，在1995年，另一篇关于MEANSHIFT的重要文献16的发表使得基本的MEANSHIFT在两个方面得到了扩展。YIZONGCHENG定义了核函数，使得随着样本点与被偏移点的距离不同，其偏移值对均值漂移向量的影响也不同。与此同时，YIZONGCHENG还定义了一个权重系数，使得根据样本点与被偏移点的距离的不同，样本点的权值也会不同。有了这两个的改进，这大大扩大了MEANSHIFT的适用范围。到目前为止，MEANSHIFT已经被很好地应用到图像分割、图像平滑和移动对象的跟踪中了。基本的MEANSHIFT给定D维空间错误未找到引用源。

46、中的N个样本点错误未找到引用源。,I1,N,在X点的MEANSHIFT向量的基本形式为错误未找到引用源。1其中,错误未找到引用源。是半径为H的一个高维球区域,K表示在这N个样本点错误未找到引用源。中,有K个点落入错误未找到引用源。区域中。我们可以看到错误未找到引用源。是样本点错误未找到引用源。相对于点错误未找到引用源。的偏移向量,1式定义的MEANSHIFT向量错误未找到引用源。就是对落入错误未找到引用源。区域中的这K个样本点相对点X的偏移量求和然后再求平均。假设样本点错误未找到引用源。是从概率密度函数错误未找到引用源。中得到的,由于非0的概率密度梯度它是指向概率密度增加幅度最大的方向,因此总

47、的来说,错误未找到引用源。区域内的这些样本点更多的会落在概率密度梯度的方向。所以,MEANSHIFT向量错误未找到引用源。应该会指向概率密度梯度的方向。图示如下21图1MEANSHIFT示意图如上图所示,小圆代表落入错误未找到引用源。里的样本点错误未找到引用源。,大圆代表区域错误未找到引用源。,中间的实心黑点就是MEANSHIFT的基准点错误未找到引用源。,另外图中的箭头则表示样本点错误未找到引用源。相对基准点错误未找到引用源。的偏移向量,显而易见，,错误未找到引用源。会指向样本点分布最密集的区域（指向概率密度梯度方向）。MEANSHIFT的扩展形式从1式我们可以看出,只要是落在错误未找到引用

48、源。中的样本点,无论它离错误未找到引用源。多远多近,对最终错误未找到引用源。的计算的权重都是一样的。然而我们知道,一般说来,离错误未找到引用源。越近的样本点对估计错误未找到引用源。的统计特性应该是越有效的。这里我们就需要引进核函数错误未找到引用源。（通常为单位均匀核函数或者单位高斯核函数）。即要实现在计算错误未找到引用源。时考虑距离的影响另外在这所有的样本点错误未找到引用源。中,它们的重要性并不是都一样的。因此引入一个权重函数错误未找到引用源。如此一来，基本的MEANSHIFT形式就可以扩展为错误未找到引用源。22式可简化为错误未找到引用源。3扩展形式MEANSHIFT的算法步骤我们把3式右边

49、的第一项记为22错误未找到引用源。4则错误未找到引用源。5对于给定的初始点X，核函数错误未找到引用源。，权值函数错误未找到引用源。，误差错误未找到引用源。，MEANSHIFT算法循环执行下面三步，直到满足结束条件为止。1计算错误未找到引用源。2如果错误未找到引用源。,结束循环否则继续执行33把错误未找到引用源。赋给错误未找到引用源。，继续执行1由5式错误未找到引用源。可得上面的步骤的移动会指向概率密度梯度方向。计算的步长不仅仅与梯度大小有关,而且与该点概率密度也有关。若在密度大的地方,则更接近要寻找的概率密度峰值,此时MEANSHIFT算法的计算步长会小一些。然而,在密度小的地方,计算步长就要大一些。这样在满足一定条件的情况下，该算法就一定会收敛到附近的峰值（即局部最优解）。MEANSHIFT算法在移动对象跟踪中的应用定义函数错误未找到引用源。是像素错误未找到引用源。在量化的特征空间的索引号。我们用一个物体的灰度或色彩分布来描述这个物体,假设物体中心位于错误未找到引用源。,则该物体可以表示为错误未找到引用源。6其中错误未找到引用源。为核函数，即加权函数，错误未找到引用源。为KRONECKER函数，错误未找到引用源。为归一化常数。位于错误未找到引用源。的候选目标可以描述如下错误未找到引用源。7所以移动对象跟踪可以简化为寻找出最优