目標(biāo)跟蹤算法的分類

1、精選優(yōu)質(zhì)文檔-傾情為你奉上運動目標(biāo)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(biāo) (包括位置、速度及加速度等運動參數(shù))。在運動目標(biāo)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(biāo)，并進(jìn)行目標(biāo)識別，最終跟蹤感興趣的運動目標(biāo)；b)依賴于目標(biāo)的先驗知識，首先為運動目標(biāo)建模，然后在圖像序列中實時找到相匹配的運動目標(biāo)。一、運動目標(biāo)檢測對于不依賴先驗知識的目標(biāo)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(biāo)檢測的算法依照目標(biāo)與攝像機之間的關(guān)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)

2、背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(biāo)在攝像機視場內(nèi)運動，這個過程只有目標(biāo)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(zhuǎn)或多自由度運動)，被監(jiān)視目標(biāo)在攝像機視場內(nèi)也發(fā)生了運動，這個過程就產(chǎn)生了目標(biāo)與攝像機之間復(fù)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(dāng)前圖像與背景圖像的差分來檢測運動區(qū)域的一種技術(shù)。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(biāo)的陰影也會影響檢測結(jié)果的準(zhǔn)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(dāng)前幀與背景模型

3、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(biāo)，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(jié)果的好壞至關(guān)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(biāo)檢測方法。其對環(huán)境的適應(yīng)性較強，特別是對于光照的變化適應(yīng)性強，但由于運動目標(biāo)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(biāo)，只能得到運動目標(biāo)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(chǔ)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(jìn)行對稱差分，檢測出目標(biāo)的運動范圍，同時利用上一幀分割出來的模板對檢測出來的目標(biāo)運動范圍

4、進(jìn)行修正，能較好地檢測出中間幀運動目標(biāo)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(zhuǎn)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(chǎn)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(yù)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(dāng)復(fù)雜，對硬件要求比較高，不適于實時處理，而且對噪聲比較敏感，抗噪性差。2、動態(tài)背景由于存在著

5、目標(biāo)與攝像機之間復(fù)雜的相對運動，動態(tài)背景下運動目標(biāo)檢測要比靜態(tài)背景下的運動目標(biāo)檢測復(fù)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(zhuǎn)、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(zhǔn)確檢測運動目標(biāo)的首要任務(wù)是進(jìn)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(yīng)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(jié)為全局運動模型參數(shù)的估計問題，通常使用塊匹配法或光流估計法來進(jìn)行運動參數(shù)的估計。

6、基于塊的運動估算和補償可算是最通用的算法?？梢詫D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(guān)鍵技術(shù)：a)匹配法則，如最大相關(guān)、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(yīng)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(biāo)跟蹤運動目標(biāo)的跟蹤，即通過目標(biāo)的有效表達(dá)，在圖像序列中尋找與目標(biāo)模板最相似候選目標(biāo)區(qū)位置的過程。簡單說，就是在序列圖像中為目標(biāo)定位。運動目標(biāo)的有效表達(dá)除了對運動目標(biāo)建模外，目標(biāo)跟蹤中常用到的目標(biāo)特性表達(dá)主要包

7、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(biāo)進(jìn)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(jìn)行匹配，從而實現(xiàn)目標(biāo)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(quán)距離、巴特查理亞系數(shù)、Hausdorff距離等，其中應(yīng)用最多和最簡單的是歐氏距離。搜索算法目標(biāo)跟蹤過程中，直接對場景中的所有內(nèi)容進(jìn)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

8、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(biāo)的位置狀態(tài)進(jìn)行估計假設(shè)，縮小目標(biāo)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(yù)測運動體下一幀可能出現(xiàn)的位置，在其相關(guān)區(qū)域內(nèi)尋找最優(yōu)點。常見的預(yù)測算法有Kalman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(jìn)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(yù)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，可以準(zhǔn)確地預(yù)測目標(biāo)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

9、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(jìn)行序貫處理，因而無須對以前的測量數(shù)據(jù)進(jìn)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(biāo)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(yīng)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(biāo)模板和候選目標(biāo)距離的迭代收斂過程，以達(dá)到縮小搜索范圍的目的。Meanshift算法是利用梯度優(yōu)化方法實現(xiàn)快速目標(biāo)定位，能夠?qū)Ψ莿傂阅繕?biāo)實時跟蹤，適合

10、于非線性運動目標(biāo)的跟蹤，對目標(biāo)的變形、旋轉(zhuǎn)等運動有較好的適用性。但是 Meanshift算法在目標(biāo)跟蹤過程中沒有利用目標(biāo)在空間中的運動方向和運動速度信息，當(dāng)周圍環(huán)境存在干擾時 (如光線、遮擋 )，容易丟失目標(biāo)。Camshift算法是在Meanshift算法的基礎(chǔ)上，進(jìn)行了一定的擴展，結(jié)合目標(biāo)色彩信息形成的一種改進(jìn)的均值漂移算法。由于目標(biāo)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(biāo)形狀變化的影響，可以有效地解決目標(biāo)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指定跟蹤目標(biāo)。目標(biāo)跟蹤分類依據(jù)運動目標(biāo)的表達(dá)和相似性度量，運動目標(biāo)跟蹤算法可以分為四類：基于主動輪廓的跟蹤、基于

11、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(biāo)的表達(dá)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(yù)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(nèi)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(diào)整自身形狀與目標(biāo)輪廓相一致，該可變形曲線又稱為Snake曲線。Snake技術(shù)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表征物體真實邊界的目標(biāo)函數(shù)，并通過降低目標(biāo)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

12、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(biāo)的整體特征，只通過目標(biāo)圖像的一些顯著特征來進(jìn)行跟蹤。假定運動目標(biāo)可以由惟一的特征集合表達(dá)，搜索到該相應(yīng)的特征集合就認(rèn)為跟蹤上了運動目標(biāo)。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作為跟蹤特征?；谔卣鞯母欀饕ㄌ卣魈崛『吞卣髌ヅ鋬蓚€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(yīng)具備的

13、特點是： a)特征應(yīng)具有直觀意義，符合人們的視覺特性; b)特征應(yīng)具備較好的分類能力，能夠區(qū)分不同的圖像內(nèi)容; c)特征計算應(yīng)該相對簡單，以便于快速識別; d)特征應(yīng)具備圖像平移、旋轉(zhuǎn)、尺度變化等不變性。目標(biāo)跟蹤中常用的運動目標(biāo)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(zhì)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(lǐng)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(jìn)行幀間目標(biāo)特征的匹配，并以最優(yōu)匹配來跟蹤目標(biāo)。常見的基于特征匹配的跟蹤算法有基于二值化目標(biāo)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(biāo)灰度特征匹配的跟蹤、

14、基于目標(biāo)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(biāo)的尺度、形變和亮度等變化不敏感，即使目標(biāo)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(wù)；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(shè)置，此外，連續(xù)幀間的特征對應(yīng)關(guān)系也較難確定，尤其是當(dāng)每一幀圖像的特征數(shù)目不一致、存在漏檢、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(biāo)的模板，該模板可通過圖像分割獲得或預(yù)先人為確定，模板通常為略大于目標(biāo)的矩形，也可為不規(guī)則形狀

15、; b)在序列圖像中，運用相關(guān)算法跟蹤目標(biāo)。這種算法的優(yōu)點在于當(dāng)目標(biāo)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(dāng)搜索區(qū)域較大時情況尤其嚴(yán)重;其次，算法要求目標(biāo)變形不大，且不能有太大遮擋，否則相關(guān)精度下降會造成目標(biāo)的丟失。近年來，對基于區(qū)域的跟蹤方法關(guān)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(biāo)姿態(tài)變化引起的，如果能正確預(yù)測目標(biāo)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跟蹤是通過一定的先驗知識對所跟蹤目標(biāo)建立模型，然后通過匹配跟蹤目標(biāo)進(jìn)行模型的實時更新。對于剛體目標(biāo)來說，其運動狀態(tài)變換主要是平移、旋轉(zhuǎn)等，可以利用該方法實現(xiàn)目標(biāo)跟蹤。但是實際應(yīng)用中跟

16、蹤的不僅僅是剛體，還有一大部分是非剛體，目標(biāo)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(biāo)的各種運動變化，抗干擾能力強，但由于計算分析復(fù)雜、運算速度慢，模型的更新較為復(fù)雜，實時性較差。準(zhǔn)確建立運動模型是模型匹配能否成功的關(guān)鍵。2.1 目標(biāo)跟蹤的數(shù)學(xué)模型大多數(shù)目標(biāo)跟蹤問題都是基于目標(biāo)模版的。也就是說，依賴于兩個描述：一是目標(biāo)行為，通常用動態(tài)運動模型表示；另一個是對目標(biāo)的觀測，稱為觀測模型。目標(biāo)跟蹤，通俗地說，就是根據(jù)某些參數(shù)來估計目標(biāo)運動軌跡的過程。一般地，我們將目標(biāo)看作是空間的一個運動點，這類似于物理中力學(xué)研究中通常將物體對象描述為一個質(zhì)點來分析。幾乎所有的運動目標(biāo)跟蹤算法都是基于目標(biāo)模版的。常用的狀態(tài)空間模型為： （2.1.1）離散時間模型： （