基于顏色匹配的密集多目標(biāo)快速跟蹤算法

1、基于顏色匹配的密集多目標(biāo)快速跟蹤算法摘 要：基于公共場(chǎng)所的監(jiān)控場(chǎng)景，提出了一種適用于目標(biāo)密集環(huán)境的多運(yùn)動(dòng)目標(biāo)快速跟蹤算法。該方法運(yùn)用形態(tài)學(xué)方法準(zhǔn)確提取目標(biāo)后，根據(jù)卡爾曼原理得到目標(biāo)在下一幀的預(yù)測(cè)位置，并以此確定搜索框的位置，提高匹配速率；然后在搜索框內(nèi)運(yùn)用基于簡(jiǎn)化的顏色匹配跟蹤方案,用于實(shí)現(xiàn)密集運(yùn)動(dòng)目標(biāo)的快速跟蹤；且通過設(shè)定穩(wěn)定度數(shù)組，來迅速排除碰撞、遮擋情況形成的干擾。仿真表明，該方法能在多目標(biāo)跟蹤過程中正確處理目標(biāo)的碰撞、遮擋等問題，可實(shí)現(xiàn)公共場(chǎng)所的實(shí)時(shí)監(jiān)控。關(guān)鍵詞：多密集目標(biāo)跟蹤,顏色匹配,穩(wěn)定度,卡爾曼預(yù)測(cè)a fast tracking algorithm of multiple an

2、d dense targets based on color matchingchen yu-ting1 cao yan2 zeng xiao-shan3(school of electronic and information engineering, south china university of technology, guangzhou 510640)abstract based on the video detection scene in the public, a fast tracking algorithm of multiple and dense targets is

3、 proposed. the targets are obtained accurately through morphology methods, then the position of the searching box in the next frame is predicted by kalman filer. in the searching box, the tracking algorithm based on simplified color matching is applied to track multiple and dense targets. moreover,

4、by setting a stability array, occlusion and collision can be solved fast. simulation results show that this method can deal with the occlusion and the collusion accurately during tracking multiple and dense targets, and achieve the video detection scene in the public.keywords tracking of multiple an

5、d dense targets, color matching, stability, kalman prediction1 引言視頻監(jiān)控系統(tǒng)在公共休閑娛樂場(chǎng)所具有越來越廣泛的應(yīng)用前景。以泳池監(jiān)控為例，游泳池內(nèi)泳者密集，泳技參差不齊，存在安全隱患，同時(shí)泳池的安保人員發(fā)現(xiàn)險(xiǎn)情及實(shí)施救援也有一定的難度，有必要對(duì)泳者進(jìn)行監(jiān)控。公共場(chǎng)所視頻監(jiān)控便是多目標(biāo)的匹配與跟蹤技術(shù)的應(yīng)用之一，其設(shè)計(jì)難點(diǎn)是目標(biāo)密集情況和發(fā)生碰撞遮擋情況的目標(biāo)匹配與跟蹤。多運(yùn)動(dòng)目標(biāo)匹配的常用方法有基于距離的匹配1，基于目標(biāo)位置、形狀或速度等目標(biāo)特征的匹配2，上下幀目標(biāo)重疊像素?cái)?shù)的匹配3，區(qū)域生長(zhǎng)4，基于顏色的匹配5-6等。其中，基于

6、顏色的匹配方案比較適合目標(biāo)密集情況下對(duì)外觀相似的目標(biāo)進(jìn)行跟蹤。常規(guī)的顏色模型，從采樣點(diǎn)的角度分為手工采樣和自動(dòng)采樣；從算法角度，顏色模型的建立方法主要有均值方差法、顏色直方圖統(tǒng)計(jì)法及其改進(jìn)等。均值方差法需要對(duì)目標(biāo)的所有點(diǎn)都要參與運(yùn)算，計(jì)算量較大；顏色直方圖統(tǒng)計(jì)法由于在rgb 顏色模型中，一共有2563種顏色，如果再考慮在此基礎(chǔ)上進(jìn)行直方圖計(jì)算，計(jì)算量非常大，嚴(yán)重降低處理速度?；诖?，本文考慮采用基于顏色的匹配方案。在采樣點(diǎn)的選取上采用自動(dòng)采樣，即系統(tǒng)按照目標(biāo)的結(jié)構(gòu)比例自動(dòng)完成采樣過程；從算法角度，本文則選取目標(biāo)少量的特殊顏色點(diǎn)，將特殊點(diǎn)的各維度顏色直接與顏色模型進(jìn)行比較，簡(jiǎn)化匹配過程。在對(duì)碰撞

7、和遮擋問題的處理上，已提出的方法如動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)模型7、顏色直方圖的粒子濾波8、網(wǎng)格模型9等，它們有較高的精確度，但較復(fù)雜。本文擬僅通過穩(wěn)定度，對(duì)目標(biāo)存在的可能性進(jìn)行判斷。這樣設(shè)計(jì)的優(yōu)勢(shì)是：（1）不需設(shè)計(jì)專門的模塊識(shí)別或應(yīng)對(duì)碰撞和遮擋的情況；（2）目標(biāo)遮擋和碰撞均被視為目標(biāo)粘連的情況，不需分開討論。該方法雖然在目標(biāo)粘連時(shí)無法實(shí)現(xiàn)匹配，但卻不會(huì)導(dǎo)致目標(biāo)丟失，同時(shí)省去了目標(biāo)鏈、指針等許多參數(shù)的設(shè)置，在碰撞遮擋發(fā)生頻繁的跟蹤環(huán)境，可極大地提高算法的效率。由此，本文提出了一種適用于目標(biāo)密集環(huán)境的跟蹤方案。該方案將簡(jiǎn)化的顏色匹配與卡爾曼預(yù)測(cè)相結(jié)合，實(shí)現(xiàn)密集多目標(biāo)的快速準(zhǔn)確跟蹤；同時(shí)設(shè)置穩(wěn)定度數(shù)組，在碰撞

8、、遮擋現(xiàn)象結(jié)束后幾幀內(nèi)，即可快速去除虛假目標(biāo)，且保證原目標(biāo)的正確跟蹤。2 核心思想2.1 簡(jiǎn)化的顏色匹配模型顏色匹配比較適合外觀相似的目標(biāo)。本文提出的簡(jiǎn)化顏色匹配方案，首先是在第一幀中，按照目標(biāo)的結(jié)構(gòu)比例，選取能代表目標(biāo)顏色特征的區(qū)域作為顏色的采樣區(qū)域。再將各目標(biāo)的采樣區(qū)域的若干點(diǎn)記作采樣點(diǎn)，同時(shí)記錄這些點(diǎn)相對(duì)于目標(biāo)質(zhì)心的位置。取各目標(biāo)的采樣點(diǎn)對(duì)應(yīng)的rgb三個(gè)維度的顏色值，依次存入顏色模型矩陣,記為colormode(k,j,v)，k、j、v分別表示采樣點(diǎn)總數(shù)、目標(biāo)總數(shù)及維度。元素colormode(k,j,v)表示第j個(gè)目標(biāo)的第k 個(gè)采樣點(diǎn)對(duì)應(yīng)的原rgb圖像中的第v維的顏色值。其中，k(1,

9、k), j(1,j), v(1,v)。然后在此后的各幀中，如第i(i>1)幀，按同樣的選取采樣點(diǎn)的規(guī)則對(duì)目標(biāo)進(jìn)行顏色采樣，再與已有的colormode對(duì)比。|f(k,j,1)-colormode(k,j,1)|<a （1）|f(k,j,2)-colormode(k,j,2)|<a （2）|f(k,j,3)-colormode(k,j,3)|<a （3）其中，f(k,j,1)、f(k,j,2)、f(k,j,3)分別表示目標(biāo)j的第k個(gè)采樣點(diǎn)在r、g、b維度的顏色值，a為各維度匹配時(shí)允許的色差閾值。若同時(shí)滿足式（1）-（3），則認(rèn)為該采樣點(diǎn)與顏色模型匹配，即實(shí)現(xiàn)了簡(jiǎn)化的顏色匹

10、配。若目標(biāo)j 實(shí)現(xiàn)了匹配，則將第i 幀中目標(biāo)j的各采樣點(diǎn)的顏色值f(k,j,v)替換colormode中相應(yīng)位置的原值，實(shí)現(xiàn)顏色模型的更新。對(duì)檢測(cè)確認(rèn)的新生目標(biāo)，按照同樣方法建立顏色模型，并采用簡(jiǎn)化的顏色匹配方法實(shí)現(xiàn)目標(biāo)匹配。各幀中每個(gè)目標(biāo)都在相同的特殊點(diǎn)處采樣，并將前后幀相同采樣處的顏色值進(jìn)行比對(duì)，這樣可避免目標(biāo)不同的位置客觀存在的顏色誤差，但該方法仍可能會(huì)因?yàn)楣饩€、浪花等產(chǎn)生的白點(diǎn)影響到某個(gè)采樣點(diǎn)的顏色值而失配，解決方法是選取k>>1個(gè)采樣點(diǎn)，根據(jù)具體跟蹤情況設(shè)定一個(gè)匹配數(shù)的閾值，若實(shí)現(xiàn)匹配的采樣點(diǎn)數(shù)超過該閾值，則認(rèn)定該目標(biāo)實(shí)現(xiàn)了匹配。2.2 碰撞遮擋問題的處理碰撞和遮擋的情況

11、在目標(biāo)密集環(huán)境下會(huì)時(shí)常發(fā)生，因此系統(tǒng)應(yīng)能保證這些特殊情況下的正確跟蹤。當(dāng)碰撞和遮擋發(fā)生時(shí)，兩目標(biāo)發(fā)生了粘連，系統(tǒng)會(huì)誤認(rèn)為出現(xiàn)了一個(gè)新生目標(biāo)，兩目標(biāo)跟蹤失敗。為了避免這種情況，本文在跟蹤過程中建立一個(gè)穩(wěn)定度數(shù)組stablej,j表示目標(biāo)總數(shù)。stablej的值即為第j個(gè)目標(biāo)的穩(wěn)定度，初始化為1，最大值為smax（經(jīng)驗(yàn)值）。其意義為：每個(gè)目標(biāo)在剛出現(xiàn)時(shí)，都被視為不穩(wěn)定的，初始化為1，隨著跟蹤成功次數(shù)的增加，其穩(wěn)定度也增加；若匹配不成功，其穩(wěn)定度減小，當(dāng)穩(wěn)定度減小到stablej=0時(shí)，即可認(rèn)為目標(biāo)j已消失，不再對(duì)該目標(biāo)進(jìn)行跟蹤。目標(biāo)粘連的情況（遮擋或碰撞）及跟蹤結(jié)果如圖1所示，在進(jìn)行目標(biāo)1的跟蹤時(shí)

12、，系統(tǒng)會(huì)將位于目標(biāo)1的搜索框內(nèi)的粘 連目標(biāo)誤認(rèn)為一個(gè)目標(biāo)與目標(biāo)1進(jìn)行匹配，得到失配的結(jié)果。但由于建立了穩(wěn)定度數(shù)組，目標(biāo)1不會(huì)立即被認(rèn)為消亡，在下一幀仍然對(duì)其進(jìn)行檢測(cè)與匹配；而且由卡爾曼預(yù)測(cè)（詳見目標(biāo)預(yù)測(cè)部分），仍能估計(jì)出目標(biāo)在本幀的位置并顯示。目標(biāo)2的跟蹤過程同上。而發(fā)生粘連的兩目標(biāo)會(huì)被系統(tǒng)當(dāng)做一個(gè)新生目標(biāo)（記為目標(biāo)3）進(jìn)行記錄，穩(wěn)定度置為1。在目標(biāo)分離后，目標(biāo)3因不會(huì)被檢測(cè)到，致使穩(wěn)定度逐次減1，直至為0，目標(biāo)3被系統(tǒng)認(rèn)為已消亡，不再參與任何計(jì)算和顯示。目標(biāo)1目標(biāo)1的位置預(yù)測(cè)框目標(biāo)1的搜索框目標(biāo)2被誤認(rèn)的目標(biāo)3的位置框 圖1 目標(biāo)粘連示意圖2.3 多目標(biāo)的快速匹配本方案在完成目標(biāo)檢測(cè)后，并不

13、判斷是否發(fā)生了目標(biāo)粘連，而是無論發(fā)生粘連與否，都進(jìn)行簡(jiǎn)化的顏色匹配。若顏色匹配成功，則必然沒有粘連的情況發(fā)生，更新穩(wěn)定度數(shù)組。這樣便僅使用較少的采樣點(diǎn)，實(shí)現(xiàn)了跟蹤。若顏色匹配失敗，則有兩種可能：一是發(fā)生了目標(biāo)粘連，二是目標(biāo)消亡。對(duì)這兩種可能，無需設(shè)計(jì)專門的模塊進(jìn)行判斷，只需將stablej的相應(yīng)元素減1，然后用卡爾曼預(yù)測(cè)估計(jì)這一幀目標(biāo)的真實(shí)位置。系統(tǒng)會(huì)在穩(wěn)定度減至0之前始終保留該目標(biāo)的相關(guān)數(shù)據(jù)，當(dāng)發(fā)生碰撞或遮擋的兩目標(biāo)分離后，即可重新實(shí)現(xiàn)跟蹤。如果該目標(biāo)的穩(wěn)定度已降為0，則認(rèn)為目標(biāo)消亡，刪除該目標(biāo)相應(yīng)的跟蹤參數(shù)。另外，當(dāng)碰撞遮擋發(fā)生時(shí)，由于粘連目標(biāo)無法實(shí)現(xiàn)匹配，因此系統(tǒng)會(huì)將粘連目標(biāo)誤認(rèn)為新生目

14、標(biāo)（如圖1中目標(biāo)1和2發(fā)生粘連，被標(biāo)記為目標(biāo)3）。本文沒有設(shè)計(jì)專門的模塊對(duì)目標(biāo)是新生目標(biāo)還是粘連目標(biāo)進(jìn)行判斷，而是通過穩(wěn)定度數(shù)組對(duì)目標(biāo)存在的可能性大小進(jìn)行標(biāo)記：新生目標(biāo)會(huì)隨著跟蹤的進(jìn)行穩(wěn)定度逐次增加至smax；而粘連目標(biāo)則會(huì)在目標(biāo)分離后穩(wěn)定度逐次減小至0，之后便不再參與任何計(jì)算和顯示。通過以上方法，匹配過程大大減化。3 基于顏色匹配的密集多目標(biāo)快速跟蹤算法實(shí)現(xiàn)3.1 目標(biāo)檢測(cè)檢測(cè)模塊運(yùn)用多種形態(tài)學(xué)方法，可得到較清晰的目標(biāo)二值圖像。通過背景差分可以得到目標(biāo)的大致輪廓，但輪廓不夠清晰準(zhǔn)確。采用腐蝕方法，可有效去除邊緣噪聲，得到較清晰的目標(biāo)二值圖像。通過目標(biāo)區(qū)域標(biāo)注，可將n個(gè)目標(biāo)依次標(biāo)記為1，2，n

15、，n即為搜索范圍內(nèi)的目標(biāo)總數(shù)。為了防止出現(xiàn)虛假目標(biāo)，對(duì)于目標(biāo)外形相似的情況，利用目標(biāo)的像素面積基本一致這一特點(diǎn)，可認(rèn)為小于某面積的目標(biāo)為虛假目標(biāo)并消除，由此去除了虛假目標(biāo)。通過上述方法，便得到了清晰、準(zhǔn)確的目標(biāo)二值圖像。返回的目標(biāo)總數(shù)和目標(biāo)坐標(biāo)、半徑等參數(shù)，將作為跟蹤部分的相關(guān)參數(shù)被使用。3.2目標(biāo)位置預(yù)測(cè)在i>1的各幀中，可通過上一幀的真實(shí)位置，利用卡爾曼10狀態(tài)預(yù)測(cè)方程：x(i|i-1)=ax(i-1|i-1)+ w(i) （4）預(yù)測(cè)出下一幀可能出現(xiàn)的位置x(i|i-1)，考慮了預(yù)測(cè)可能存在的誤差，及目標(biāo)運(yùn)動(dòng)方向突然發(fā)生變化（如碰撞分離后）等情況，可將位置預(yù)測(cè)框擴(kuò)大為目標(biāo)大小的若干倍

16、作為搜索框。這樣，目標(biāo)檢測(cè)只在搜索框內(nèi)進(jìn)行，縮小了搜索范圍，同時(shí)可將上一幀目標(biāo)直接與搜索框內(nèi)的目標(biāo)進(jìn)行匹配，判斷是否為同一目標(biāo)，縮小了匹配范圍，提高了匹配速度，又大大降低因顏色相近的其他目標(biāo)的干擾，而導(dǎo)致誤判的可能。位置預(yù)測(cè)的另一個(gè)重要作用是，當(dāng)發(fā)生碰撞或遮擋時(shí)，系統(tǒng)無法在目標(biāo)粘連區(qū)域內(nèi)區(qū)分出原目標(biāo)，但通過公式（4）的計(jì)算，仍可估計(jì)出目標(biāo)的位置，并將預(yù)測(cè)位置作為真實(shí)位置，顯示真實(shí)位置框，繼續(xù)參與下一幀的卡爾曼濾波的迭代計(jì)算。3.3多目標(biāo)跟蹤算法的實(shí)現(xiàn)step1 相關(guān)參數(shù)的初始化。第1幀圖像，進(jìn)行目標(biāo)檢測(cè)，初始化stable數(shù)組、卡爾曼濾波參數(shù)。將每個(gè)目標(biāo)采樣點(diǎn)處的rgb顏色值存入colormo

17、de顏色模型矩陣。step2 目標(biāo)的預(yù)測(cè)與檢測(cè)。第i（i>1）幀圖像，依次對(duì)第j（j=1,2n，n為目標(biāo)總數(shù)）個(gè)目標(biāo)，計(jì)算其搜索框，在搜索框內(nèi)進(jìn)行目標(biāo)檢測(cè)（若目標(biāo)密集，可能檢測(cè)到多個(gè)目標(biāo)）。step3 簡(jiǎn)化的顏色匹配。對(duì)搜索框內(nèi)檢測(cè)到的目標(biāo)l（l=1,2l，l為搜索框內(nèi)檢測(cè)到的目標(biāo)總數(shù)），依次與目標(biāo)j進(jìn)行顏色匹配。a.若目標(biāo)l與目標(biāo)j顏色匹配成功，則實(shí)現(xiàn)了跟蹤，搜索框內(nèi)序號(hào)在l之后的目標(biāo)不再與目標(biāo)j進(jìn)行匹配。目標(biāo)j的穩(wěn)定度加1（加至smax為止），且記錄目標(biāo)j的檢測(cè)框（即目標(biāo)l的位置）；b.若搜索框內(nèi)檢測(cè)到的l個(gè)目標(biāo)全部與目標(biāo)j顏色匹配失?。ò繕?biāo)檢測(cè)模塊沒有檢測(cè)到目標(biāo)的情況，即l=0

18、），則目標(biāo)j的穩(wěn)定度減1（減至0為止）。step4 檢測(cè)新生目標(biāo)。對(duì)圖像中不屬于任何檢測(cè)框的區(qū)域進(jìn)行目標(biāo)檢測(cè)，檢測(cè)到的目標(biāo)記為新生目標(biāo)，初始化過程同step1。step5 更新相關(guān)參數(shù)，顯示目標(biāo)位置。更新卡爾曼參數(shù)及colormode矩陣。對(duì)于目標(biāo)j，若該目標(biāo)實(shí)現(xiàn)匹配，則顯示檢測(cè)框和真實(shí)位置框（由卡爾曼濾波算法得到）；若匹配失敗，但穩(wěn)定度不為0，則根據(jù)式（4），將預(yù)測(cè)位置作為真實(shí)位置顯示真實(shí)位置框；若匹配失敗且穩(wěn)定度為0，則認(rèn)為目標(biāo)j 消亡，刪除該目標(biāo)的所有參數(shù)。step6 跳轉(zhuǎn)至步驟step4，進(jìn)行下一幀圖像的跟蹤計(jì)算。4 實(shí)驗(yàn)仿真本文對(duì)基于簡(jiǎn)化顏色匹配的多目標(biāo)跟蹤方案進(jìn)行了仿真。首先通過4

19、個(gè)運(yùn)動(dòng)小球的圖像序列，展示了檢測(cè)跟蹤的結(jié)果，并對(duì)碰撞情況的跟蹤結(jié)果進(jìn)行了說明。接著對(duì)該方案稍加修改，即可應(yīng)用于公共場(chǎng)所的視頻監(jiān)控。 4.1 碰撞情況的跟蹤實(shí)驗(yàn) 圖2b 紅綠兩球碰撞的目標(biāo)跟蹤示意圖圖2c 碰撞后目標(biāo)跟蹤示意圖圖2b 藍(lán)紫兩球碰撞的目標(biāo)跟蹤示意圖實(shí)驗(yàn)一：五個(gè)不同顏色的運(yùn)動(dòng)小球的多目標(biāo)檢測(cè)和跟蹤。開始階段，五個(gè)小球沿各自初始方向運(yùn)動(dòng)。在第3幀，藍(lán)、紫兩球發(fā)生碰撞，在第4幀，紅、綠兩球碰撞，兩組球均在碰撞后的下一幀彈開。根據(jù)目標(biāo)的特點(diǎn)，采樣點(diǎn)為沿著目標(biāo)的運(yùn)動(dòng)方向，在目標(biāo)質(zhì)心的前后4/5半徑處的兩個(gè)像素點(diǎn)即k=2，色差閥值a=12,穩(wěn)定度最大值smax=5，匹配數(shù)閥值為2。圖3 小球的

20、運(yùn)動(dòng)軌跡圖2展示了目標(biāo)的跟蹤結(jié)果。圖2a-2c分別展示出第三幀、第四幀發(fā)生碰撞時(shí)及第五幀碰撞結(jié)束后的跟蹤結(jié)果，白色“+”線表示被檢測(cè)并成功匹配的目標(biāo)；黑色“-”線表示本幀目標(biāo)經(jīng)過卡爾曼濾波后得到的真實(shí)位置?？梢姡诎l(fā)生碰撞時(shí)而由于籃球與紫球、紅球與綠球分別發(fā)生粘連，兩組目標(biāo)都沒有被檢測(cè)到，而是被誤認(rèn)為新生目標(biāo)。但由于它們的穩(wěn)定度stablej未降至0，因此仍通過卡曼預(yù)測(cè)原理，對(duì)四個(gè)球的位置進(jìn)行較準(zhǔn)確的估計(jì)（如“-”線所示）。在第4幀（圖2b），藍(lán)、紫球又重新實(shí)現(xiàn)檢測(cè)與匹配，在第5幀（圖2c）,紅、綠球又重新實(shí)現(xiàn)檢測(cè)與匹配。同時(shí)因粘連而產(chǎn)生的虛假目標(biāo)穩(wěn)定度降為0，不再被跟蹤。圖3則顯示了五個(gè)小球

21、的運(yùn)動(dòng)軌跡。x、y坐標(biāo)分別表示小球在各幀中橫縱方向的位置。由圖3可見，該算法在存在碰撞的情況下仍能對(duì)目標(biāo)的位置進(jìn)行正確的估計(jì)。4.2 公共場(chǎng)所的多目標(biāo)跟蹤實(shí)驗(yàn)二：公路監(jiān)控視頻的多目標(biāo)跟蹤。實(shí)驗(yàn)對(duì)公路上的機(jī)動(dòng)車進(jìn)行跟蹤，采用的圖像序列的分辨率為640*480，幀率為6/s，時(shí)長(zhǎng)t=10s。在簡(jiǎn)化的顏色匹配部分，將車尾和車頂區(qū)域作為采樣區(qū)域，兩區(qū)域分別選取了兩個(gè)采樣點(diǎn)來與每個(gè)目標(biāo)的顏色模型colormode比較。四個(gè)顏色采樣點(diǎn)位置為汽車運(yùn)動(dòng)方向的前后距質(zhì)心距離為7/10半徑，垂直運(yùn)動(dòng)方向的左右距質(zhì)心水平距離為1/5半徑處的四個(gè)像素點(diǎn)，k=4。色差閥值a=10,穩(wěn)定度最大值smax=3。圖4展示了公

22、路機(jī)動(dòng)車監(jiān)控視頻對(duì)其中一組機(jī)動(dòng)車（共7輛）的跟蹤結(jié)果。由圖可見，采用提出的算法，能夠?qū)矆?chǎng)所的多運(yùn)動(dòng)目標(biāo)進(jìn)行準(zhǔn)確的跟蹤。4.3 計(jì)算量分析本文采用對(duì)特征區(qū)域進(jìn)行顏色采樣的簡(jiǎn)化的顏色匹配方案。由式（1）-（3）可知，當(dāng)采樣點(diǎn)數(shù)為k時(shí)，只需4k-1次加減法，2k次邏輯與運(yùn)算；當(dāng)目標(biāo)像素點(diǎn)總數(shù)為nm時(shí)，文獻(xiàn)5中的均值法,每個(gè)圖4 公路機(jī)動(dòng)車的跟蹤目標(biāo)顏色模型的建立需要6 nm次加減法，nm+2次乘除法；文獻(xiàn)6的改進(jìn)直方圖方法，由于采用的顏色量化級(jí)為32 × 32 × 32，因此共有323種顏色，每種顏色從計(jì)算直方圖顏色概率u到映射至（0,255）轉(zhuǎn)換為灰度圖的過程，共需3 nm

23、+1次加減法，3 nm+2次乘除法。由于k<< nm，可見本文算法的計(jì)算量大大降低。在發(fā)生碰撞時(shí)，通過穩(wěn)定度數(shù)組的設(shè)置，沒有增加額外的計(jì)算量，使碰撞和遮擋發(fā)生時(shí)的匹配被大大簡(jiǎn)化，在保證正確跟蹤的同時(shí)，進(jìn)一步提高了跟蹤速度。結(jié)束語本文提出了一種簡(jiǎn)化的基于顏色的匹配算法，且通過設(shè)置穩(wěn)定度數(shù)組并與卡爾曼預(yù)測(cè)相結(jié)合，便可實(shí)現(xiàn)密集環(huán)境中碰撞、遮擋等情況下的多目標(biāo)快速準(zhǔn)確跟蹤。具體實(shí)現(xiàn)上，首先在搜索框內(nèi)綜合使用多種形態(tài)學(xué)方法檢測(cè)目標(biāo)位置；再對(duì)目標(biāo)采樣點(diǎn)進(jìn)行顏色匹配；根據(jù)匹配結(jié)果更新穩(wěn)定度數(shù)組并顯示跟蹤結(jié)果。實(shí)驗(yàn)證明了該系統(tǒng)能夠應(yīng)對(duì)碰撞、遮擋等特殊情況，且能實(shí)現(xiàn)公共場(chǎng)所的多目標(biāo)快速準(zhǔn)確跟蹤。參考文獻(xiàn)1隆武林,陳穎琪.基于圖像分割與特征匹配的目標(biāo)檢測(cè)及跟蹤j.信息技術(shù),2009,11:18-23 2 coll insr t. mean-shift blob tra