目標配比與生產配比相協(xié)調的瀝青拌合站的調試(公路工程)及目標跟蹤算法的研究

I目標配比與生產配比相協(xié)調的瀝青拌合站的調試（1天津大學管理與經濟學部2天津市高速公路集團有限公司3天津市市政工程研究院）摘要：針對目前瀝青拌合站調試過程中目標配合比與生產配合比設計結果脫節(jié)的問題，從冷料計量系統(tǒng)的標定、熱料倉篩孔的選擇和目標生產配合比的協(xié)調三方面進行了分析，提出了嚴格按照目標配合比設定冷料比例后，不依據優(yōu)化的級配計算結果，而是根據目標配比所對應的熱料倉實際熱料比例確定生產配合比的方法，有效解決了生產過程中的溢料等料問題，提高了生產效率和混凝土質量，并進行了實際工程驗證。關鍵詞：瀝青拌合站目標配合比生產配合比協(xié)調我國瀝青混凝土采用目標配合比設計、生產配合比設計及生產配合比驗證三階段進行設計，在目前工程使用的瀝青拌合站大都為間歇式拌合設備的情況下，就要求目標與生產配合比設計必須保持高度的協(xié)調，才能在拌合站工作過程中既最大限度地保證生產效率，又能夠生產出性能優(yōu)良的瀝青混凝土，實現設計意圖。而目前在實際施工中，目標配合比設計結果與生產配合比設計結果基本上各自獨立，相互脫節(jié)。瀝青拌合站生產時往往偏重于嚴格控制熱料倉比例即注重于生產配合比的設計意圖的實現，而對目標配合比設計結果即冷料倉比例則在施工前期很少做基礎工作，大都在施工過程中根據熱料倉比例及等料溢料情況進行調整，帶有一定的隨意性。這就使得一旦原材料出現變異，或熱料倉出現等料溢料現象時，操作人員在沒有理論依據的情況下根據經驗進行調整。一種結果是如果繼續(xù)按照既定的熱料倉比例進行生產，則浪費及生產效率低下同時發(fā)生，另一種情況是如果隨意調整熱料倉比例，混合料質量又難以保證。針對以上問題，結合某高速公路工程實踐，本文從冷料計量系統(tǒng)的標定、熱料倉篩孔的選擇和目標生產配合比的協(xié)調等三個方面進行了分析，并提出了解決辦法。1冷料比例的確定與料倉計量系統(tǒng)的標定1.1冷料比例的確定冷料比例的確定屬于目標配合比設計階段的任務。承包商在選擇石料時應選擇質量符合規(guī)范要求，級配基本穩(wěn)定的各檔石料。目標配合比設計過程中根據具體工程實際情況對級配進行優(yōu)化，在實驗的基礎上，根據設計結果提出路用性能最佳的級配即各檔料最佳的比例，承包商根據最佳石料比例生產或外購石料。1.2冷料倉計量系統(tǒng)的標定冷料倉計量系統(tǒng)的標定是非常重要的基礎性工作，一旦冷料倉計量系統(tǒng)標定完成，其成果對今后的生產將具有極其重要的指導作用。冷料倉計量系統(tǒng)的標定主要是確定各檔原材料在規(guī)定時間內皮帶運輸量與皮帶轉速之間的回歸關系。標準圖如圖1.圖1冷料倉標定曲線標準圖對冷料倉標定步驟如下：調節(jié)冷料倉出料閥門位置并且固定好，根據經驗即拌和樓預計產量選定3-4個不同的皮帶轉速，在設定的時間內測定不同皮帶轉速與流出重量之間的關系，根據測定的數值，利用線性趨勢線確定皮帶轉速與冷料流出質量的線性關系，并確定回歸公式。冷料標定曲線及回歸公式確定后，根據拌合樓設定產量和各規(guī)格冷料供料比例(目標配合比)，可以根據回歸公式計算確定各料倉的皮帶轉速，指導實際生產。但是目前在實際生產中，施工單位對此重視不夠，甚至省略了對冷料倉的標定。對各冷料倉皮帶轉速的確定完全憑借經驗，沒有考慮原材料密度、顆粒形狀及含水量等因素的影響；同時也缺少理論依據，造成實際供料質量與設定值偏差較大。應該說對拌合樓冷料倉的標定不準確或者沒有標定是造成拌合樓出現等料溢料現象的一個主要原因。2熱料倉篩孔的選擇進行拌合樓熱料倉篩孔的選擇，要遵循兩個基本原則：一是以關鍵篩孔作為分級篩孔，以方便施工中對級配的調整與控制；二是使各熱料倉比例均勻。在實際施工中對篩孔的選擇除了遵循上面的兩個基本原則，還要參考拌合樓熱料倉數量、各熱料倉容積、原材料規(guī)格和混合料類型。參考《瀝青路面施工技術規(guī)范》，瀝青拌合樓用篩與試驗用方孔篩等效尺寸見表1。表1提供的等效尺寸只是參考值，不一定適合每一個拌合樓，在進行拌合樓振動篩尺寸選擇時要結合熱料倉、原材料篩分數據進行適當的調整。一般地，拌合樓振動篩最大尺寸要比表1中最大粒徑對應的等效篩孔小。表1瀝青拌合樓掛篩與試驗用方孔篩等效尺寸方孔篩（mm）31.526.51913.29.54.752.36等效篩孔（mm）353122161173或43熱料倉計量系統(tǒng)的標定及熱料比例的確定3.1熱料倉計量系統(tǒng)的標定對熱料倉計量系統(tǒng)的標定包括對熱料倉骨料稱量系統(tǒng)的標定和各熱料倉計量系統(tǒng)補償值的確定兩部分。在進行熱骨料稱量系統(tǒng)的標定時要注意校驗質量的選擇，校驗質量最好在稱量裝置量程的50%-90%且多選幾個點進行標定。對于各熱料倉計量系統(tǒng)補償值的確定要通過多次修正來確定，也要考慮出現等料溢料現象時修正值的變化。在進行冷料倉的標定過程中，如果料需要通過熱料倉，可以采取鏟車接料利用地磅再次稱量的方法對熱料倉骨料稱量系統(tǒng)和確定的各熱料倉計量系統(tǒng)補償值進行驗證。熱料倉計量系統(tǒng)的正確標定是拌合樓正常生產的前提。在正式施工前要模擬拌合樓等料溢料現象，提出相應的修正值。3.2熱料比例的確定熱料倉熱料比例的確定屬于生產配合比設計的內容。熱料比例的確定應從生產能力、熱料倉儲存能力及級配要求、冷料原材料狀況等綜合考慮，不能再根據計算機計算結果直接確定。因為計算機計算結果只考慮最佳級配的問題，最終導致目標與生產配合比設計不協(xié)調。因此應根據實際情況確定熱料倉比例。具體措施如下：首先根據預定生產能力及冷料標定結果確定皮帶轉數，嚴格按照目標配合比比例出料（出料數量不致使熱料倉溢料，建議根據實際情況確定50～100噸）。其次準確稱量進入每個熱料倉中的熱料質量，原則上，每個熱料倉中分配的熱料質量，即每個熱料倉中熱料所占比例即為生產配合比熱料倉初定比例。再次，將確定的熱料倉比例按照篩分結果計算合成級配，如距最佳級配有一定差距，則進行微調，如差距不大，則按照分配比例進行生產。4目標生產配合比的一致性問題目標配合比設計提供了冷料倉供料比例，對確定的級配進行了性能驗證。生產配合比根據目標配合比提供的級配確定熱料倉供料比例，但是在施工中實際上經常存在生產級配與目標級配相差較大的問題。造成上面問題的原因主要有：目標與生產配合比用料（原材料和熱料倉熱料）的取樣沒有代表性；目標配合比用料與實際生產用料的變異性較大；拌合廠原材料的不正確堆放造成原材料的離析等。如果不能很好的解決目標與生產配合比之間的不一致性問題，造成的后果就是拌合樓出現等料溢料現象、實際生產級配的性能沒有進行驗證等。所以要采取措施保持目標與生產配合比的一致性。首先應該保證目標配合比用料與實際生產用料的一致性，嚴格按照集料試驗規(guī)程上關于原材料取樣要求進行取料；其次要加強對拌合站原材料堆放的管理。為此，提出拌和樓調試步驟：（1）篩分冷料級配，采用計算機配合，計算冷料最佳比例，根據確定的冷料比例生產或購進原材料。（2）確定冷料倉標定標準曲線，根據各檔料比例、回歸方程及預估產量確定皮帶轉數。（3）選擇熱料倉篩孔尺寸。（4）根據冷料比例上料（數量控制在50～100噸之間），根據進入各熱料倉的熱料比例確定熱料倉比例。此時應特別注意最好避免根據熱料倉篩分用計算機計算熱料倉比例。（5）如原材料發(fā)生變異，則重復1、2、4工作內容，確保生產效率高、混合料質量好。5工程實例5.1概況某高速公路下面層為AC-25瀝青混合料，拌合樓為日工3000型，熱料倉數量為4個，冷料倉數量為5個。原材料規(guī)格為：10-30mm、10-20mm（兩種）、5-10mm及0-5mm石灰?guī)r。5.2目標配合比冷料比例及冷料倉的標定目標配合比確定各檔料供料比例見表2表2冷料倉供料比例（質量比）礦料規(guī)格10-3010-20（1）10-20（2）5-100-5供料比例（%）1520181630根據目標配合比，冷料供料比例不存在某檔料偏少現象，為了滿足施工進度的要求，在進行冷料倉標定前，將各冷料倉出料口調至最大并且固定好。拌合樓冷料倉皮帶工作轉速為5-50，選定15、30和45三個轉速，各檔料固定時間（選取5分鐘）上料進行冷料倉的標定。標定結果及標定曲線見表3及圖1:表3各檔料不同轉速下供料質量（5分鐘）礦料規(guī)格及供料質量（噸）皮帶轉速10-3010-20（1）10-20（2）5-100-5151.801.901.851.982.11303.583.843.683.994.26455.345.735.556.026.40回歸系數K0.1420.1330.1230.1270.119根據各冷料倉標定曲線線性回歸方程就可以確定拌合樓不同設定產量下對應的皮帶轉速,見表4。表4不同小時產量的各檔料皮帶轉數小時產量（噸）10-30mm10-20（1）mm10-20（2）mm5-10mm0-5mm18015.821.119.016.931.720018.825.122.620.137.622022.429.826.823.844.724023.631.528.325.247.226027.336.432.829.154.6至此，冷料倉標定工作完成。5.3熱料倉篩孔的選擇由于進行下面層施工前，已經進行了聯結層ATB-25的施工。在進行ATB-25施工前初選篩孔尺寸為35、19、11和3（3*3），上料進行熱料倉篩分，發(fā)現存在部分超粒徑的集料不能篩除，對拌合樓進行了調試（包括篩分振動力和篩子安裝角度等），但是仍不能消除，將最大篩孔尺寸改為32后，有效的解決了上述問題；選擇3*3的篩子在施工過程中取料進行熱料倉篩分發(fā)現1#和2#熱料倉級配波動較大，主要是由于3*3的篩子堵篩造成的，將尺寸為3*3篩子改為3*4后上述問題得到了有效的解決。建議在進行篩孔選擇時，最大篩孔要較?瀝青路面施工技術規(guī)范?中的等效篩孔偏小一些，便于消除超粒徑問題；最小的篩子選擇3*4，一方面易于合成級配的控制，可以保證熱料倉礦料的級配，另外也降低了拌合樓堵篩的幾率。AC-25瀝青混合料施工選定篩孔尺寸為32、19、11和3（3*4）。5.4熱料倉比例的確定確定拌和樓小時產量240噸，查表4，按照相應的皮帶轉數上料70噸左右，停止上料后，精確稱量各熱料倉熱料重量，結果見表5.表5熱料倉倉料重量及比例倉號1234礦粉重量（噸）161811240比例（％）23.226.115.934.80最終生產比例（％）22.325.015.333.44.0根據以上確定的比例及熱料倉各倉料級配篩分結果，合成級配曲線見圖2.由圖2，根據計算機計算的目標級配與根據倉料比例計算的生產級配差別很小，因此可以根據表5最終生產配合比比例進行混合料的生產。圖3目標級配與生產級配比較圖5.5施工過程控制在施工過程中強化對冷料倉用料的篩分，發(fā)現某檔料變異較大時依據標定曲線及時調整皮帶轉速。要求實驗室每天進行一次熱料倉篩分試驗，當熱料級配出現較大波動時，首先加密篩分，同時檢查拌合樓是否有堵篩、篩孔破損等問題；目測各冷料倉用料并結合冷料篩分結果，必要時對熱料倉比例進行調整。6結論（1）對拌合樓篩孔尺寸的選擇選擇除了需要遵循的基本原則，還要綜合考慮拌合樓熱料倉數量、各熱料倉容積、原材料規(guī)格和混合料類型等，合理的選擇篩網尺寸，是避免拌合樓出現等料溢料現象的前提。（2）拌合樓冷熱料倉必須進行準確標定，尤其是冷料倉，當拌合樓出現等料溢料問題時，根據本文提出的調試方案，可以及時的解決直到避免拌合樓出現等料溢料問題。（3）本文提出的拌和樓調試方法，有效地解決了生產配合比與目標配合比相脫節(jié)的問題，對于提高生產效率，減少甚至避免拌和樓溢料等料現象及提高混合料拌合質量具有一定的指導意義。參考文獻：1張厚記.湖北省京珠高速公路瀝青路面施工檢測與控制.交通科技,2001(5):12～142呂偉民.瀝青混合料設計原理與方法.上海:同濟大學出版社,2001.224～2273秘錫勝等.瀝青拌合樓溢料和等料現象的研究.交通科技,2005(3):97～99目錄TOC\o"1-3"\h\u556摘要 14833ABSTRACT 229446第一章緒論 4252731.1課題研究背景和意義 4200761.2國內外研究現狀 5228761.3本文的具體結構安排 74897第二章運動目標檢測 8184402.1檢測算法及概述 8278762.1.1連續(xù)幀間差分法 9135782.1.2背景去除法 11297182.1.3光流法 1332105第三章運動目標跟蹤方法 16100493.1引言 16196323.2運動目標跟蹤方法 16220573.2.1基于特征匹配的跟蹤方法 16256953.2.2基于區(qū)域匹配的跟蹤方法 17128123.2.3基于模型匹配的跟蹤方法 18142173.3運動目標搜索算法 1854343.3.1絕對平衡搜索法 18175673.4絕對平衡搜索法實驗結果 19256543.4.1歸一化互相關搜索法 2198663.5歸一化互相關搜索法實驗結果及分析 2215604第四章模板更新與軌跡預測 26244354.1模板更新簡述及策略 2633164.2軌跡預測 28130344.2.1線性預測 29115924.2.2平方預測器 30210844.3實驗結果及分析： 3123501致謝 3630178參考文獻 3725369畢業(yè)設計小結 38摘要圖像序列目標跟蹤是計算機視覺中的經典問題，它是指在一組圖像序列中，根據所需目標模型，實時確定圖像中目標所在位置的過程。它最初吸引了軍方的關注，逐漸被應用于電視制導炸彈、火控系統(tǒng)等軍用備中。序列圖像運動目標跟蹤是通過對傳感器拍攝到的圖像序列進行分析，計算出目標在每幀圖像上的位置。它是計算機視覺系統(tǒng)的核心，是一項融合了圖像處理、模式識別、人工只能和自動控制等領域先進成果的高技術課題，在航天、監(jiān)控、生物醫(yī)學和機器人技術等多種領域都有廣泛應用。因此，非常有必要研究運動目標的跟蹤。本論文就圖像的單目標跟蹤問題，本文重點研究了幀間差分法和背景去除法等目標檢測方法，研究了模板相關匹配跟蹤算法主要是：最小均方誤差函數(MES)，最小平均絕對差值函數(MAD)和最大匹配像素統(tǒng)計(MPC)的跟蹤算法。在跟蹤過程中，由于跟蹤設備與目標的相對運動,視野中的目標可能出現大小、形狀、姿態(tài)等變化,加上外界環(huán)境中的各種干擾,所要跟蹤的目標和目標所在的場景都發(fā)生了變化,有可能丟失跟蹤目標。為了保證跟蹤的穩(wěn)定性和正確性,需要對模板圖像進行自適應更新。由于目標運動有一定得規(guī)律，可以采取軌跡預測以提高跟蹤精度，本文采用了線性預測法。對比分析了相關匹配算法的跟蹤精度和跟蹤速度；對比不采用模板更新和模板跟新的跟蹤進度和差別，實驗表明，跟蹤算法加上軌跡預測及模板跟新在很大程度上提高了跟蹤幀數，提高了跟蹤精度，具有一定的抗噪聲性能。關鍵詞：目標跟蹤，目標檢測，軌跡預測，模板更新

ABSTRACTTargettracking,imagesequenceisaclassiccomputervisionproblems,itisdefinedasasetofimagesequences,inaccordancewithrequirementsofthetargetmodel,real-timeimagestodeterminethelocationofthetargetprocess.Itinitiallyattractedtheconcernofthemilitaryhasgraduallybeenappliedtotelevision-guidedbombs,firecontrolsystemsformilitarypreparation.Movingtargettrackingsensoristakenthroughtheimagesequenceanalysis,tocalculatethetargetimageineachframeposition.Itisthecoreofcomputervisionsystemisacombinationofimageprocessing,patternrecognition,artificialonlyandtheresultsofautomaticcontrolinareassuchasadvancedhigh-techissuesintheaerospace,control,biomedicalandroboticsfields,etc.Therearewidelyused.Thus,itisnecessarytostudythetrackingofmovingtargets.Inthispaper,theimageofthesingle-targettrackingproblem,researchthetargetdetectionmethodismainlybasedoninter-framedifferenceandbackgroundremovalmethodtodetectthetargetinpreparationfortargettracking.Templatematchingtrackingalgorithmis:thesmallestmeansquareerrorfunction(MES),thesmallestmeanabsolutedifferencefunction(MAD)andthemaximummatchingpixelstatistics(MPC)ofthetrackingalgorithm.Inthetrackingprocess,duetotherelativecameramovementwiththegoal,thegoalofvisionmayoccurinsize,shape,gesture,suchaschangesintheexternalenvironmentcombinedwiththevariouskindsofinterference,aswellasovertime,totrackwherethegoalsandobjectivesscenechangeshavetakenplace,itispossibletotrackthetargetislost.Inordertoensurethestabilityandtrackingaccuracy,theneedforadaptivetemplateimageupdate.Sincethegoalofmovementmustbethelawoftheforecasttrackcouldtaketoimprovethetrackingprecision,thisarticleusesthesquareofthelinearpredictionmethodandpredictionmethod.Analysisoftherelevantmatchingalgorithmtotrackthetrackingaccuracyandspeed;contrastdonotusetemplatesandtemplateupdateswiththenewtrackingtheprogressanddifferencesintheexperimentprovedthatthetrackingalgorithmwithtrajectorypredictionandtemplatestoalargeextentwiththenewframetoimprovetracking,Improvedtrackingaccuracy,whichhasstronganti-noiseperformance.Keywords:Targettracking，TargetDetection，TrajectoryPrediction，TemplateUpdate緒論本章首先討論了目標跟蹤的研究背景和意義；介紹了目標跟蹤在國內外的研究現狀；接著討論了目標跟蹤研究中面臨的困難和待解決的問題；最后介紹了本文的主要工作和總體結構。1.1課題研究背景和意義運動目標跟蹤在軍事、智能監(jiān)控、人機界面、虛擬現實、運動分析等許多領域有著廣泛的應用前景，在科學和工程中有著重要的研究價值，吸引了國內外越來越多研究者的興趣。圖像序列中的運動目標跟蹤，就是在各幀圖像中檢測出各個獨立運動的目標，或是用戶感興趣的運動區(qū)域（如人體、車輛等），并且提取目標的位置信息，得到各個目標的運動軌跡。其實質是通過對傳感器獲取的圖像序列進行分析，得到目標在每幀圖像中的位置、速度及加速度等特征參數。圖1-1目標跟蹤原理圖國內外學者對目標跟蹤算法進行了大量深入的研究，取得了令人矚目的研究成果。但是，現有的目標跟蹤算法大多受限于特定的應用背景，跟蹤算法還有待于進一步研究和深化，研究一種具有魯棒性和實時性、適用性強的目標跟蹤方法依然面臨著巨大挑戰(zhàn)。目前，運動目標跟蹤算法的主要難點有：復雜背景下的運動目標提取、目標之間的相互遮擋以及目標與背景之間的遮擋、陰影處理、多攝像機的數據融合等。尤其是遮擋和陰影問題，它們普遍存在于現實環(huán)境中，嚴重影響跟蹤算法的可靠性和適用性。本文重點研究了序列圖像的幾種常用跟蹤方法。1.2國內外研究現狀目標跟蹤就是通過對攝像機獲得的圖像序列進行分析，計算出目標在每幀圖像上的二維位置坐標，并根據不同的特征值，將圖像序列中不同幀之間同一運動目標關聯起來，得到各個運動目標完整的運動軌跡，即在連續(xù)的圖像序列中建立運動目標的對應關系。目前，國內外學者提出了許多不同的跟蹤算法和跟蹤系統(tǒng)，可以按照不同的劃分依據對跟蹤算法進行不同的分類：就跟蹤對象而言，可以分為車輛跟蹤、人體跟蹤或人體部分跟蹤（如跟蹤手、臉、頭和腳等身體部分）等；就跟蹤目標個數而言，可以分為單目標跟蹤和多目標跟蹤；就跟蹤視角而言，可以分為單攝像機的單一視角、多攝像機的多視角和全方位視角；還可以通過攝像機類型（紅外攝像機、可見光攝像機）、攝像機狀態(tài)（運動、固定）、跟蹤空間（二維、三維）和跟蹤環(huán)境（室內、室外）等方面來進行分類。[2]針對不同的研究對象有不同的跟蹤算法，主要有以下幾種跟蹤算法：1)基于特征的跟蹤為了實現目標跟蹤，沒有必要跟蹤整個目標區(qū)域，只要跟蹤目標的某些顯著特征，就可以實現對整個運動目標的跟蹤。這些顯著特征可以是目標的質心，也可以是目標上的任意一點，只要這些特征具有高度的穩(wěn)定性，不易受外界因素如光照強度變化、噪聲等因素的干擾，對目標大小、位置、方位不敏感即可。為了提高跟蹤的魯棒性，往往不只選一個特征，而是選一組特征，在一般情況下，可利用的特征有：角點、直邊緣等局部特征和質心、表面積和慣量矩等全局特征，在實際應用中，采用什么特征主要取決于目標具有哪些特征以及算法實現的具體要求?；谔卣鞯哪繕烁櫡椒ɡ酶櫶卣鼽c位置的變化來跟蹤目標，首先，從圖像序列中提取目標的顯著特征，如拐點、質心或有明顯標記區(qū)域對應的點、線、曲線等；然后在連續(xù)圖像幀之間尋找特征的對應關系，即進行特征匹配，最后計算運動信息，從而通過對特征的跟蹤來完成對整個目標的跟蹤。Polana將每個行人用一個矩形框封閉起來，封閉框的質心被選作跟蹤的特征，在跟蹤過程中，如果兩人出現相互遮擋的情況，只要能區(qū)分質心的速度，就能成功地完成人體跟蹤。這種方法的優(yōu)點是：即使場景中出現部分遮擋情況，只要目標的一些特征可見，仍可以保持對運動目標的跟蹤。由于只跟蹤已選擇的顯著特征，上一幀目標的特征在下一幀圖像中的可能匹配數目大大小于相關跟蹤算法，處理的數據量小，并且由于特征的精心選取，使得在光照和目標幾何形狀發(fā)生變化時，也能進行目標跟蹤，具有一定的魯棒性。特征的選取對整個跟蹤算法十分重要，關系到整個跟蹤系統(tǒng)的可靠性和跟蹤精度，它應具有對目標大小、位置、方向和照度變化不敏感的特點，如灰度局部極大值點、跟蹤。其不足是要求獨立而準確地初始化邊界，而這在實際應用中往往很難實現。2)基于相關的跟蹤相關跟蹤法，又叫模板匹配法，其主要思想是：將目標的基準圖像（模板）在實時圖像中以不同的偏移值進行位移，然后根據一定的相似性度量準則對每一個偏移值下重疊的兩個圖像進行處理，計算兩者的相關值，根據最大相關值確定實時圖像中目標的位置。簡單地說，就是在當前幀中尋找與上一幀目標相關性最大的區(qū)域。相關跟蹤法具有很強的噪聲抑制能力，可以在很小的信噪比條件下工作，它具有對有關目標的知識要求甚少、定位精度高、跟蹤距離遠、可靠性高和較強的局部抗干擾能力等優(yōu)點，而且計算簡單，易于編程和硬化。由于它只利用圖像間的灰度相關性作為區(qū)域相似性的判斷依據，對幾何和灰度畸變十分敏感，光照強度變化或目標運動姿態(tài)發(fā)生變化等都將對算法產生較大的影響，計算量偏大。而且往往不能充分利用目標的幾何特性，易產生積累誤差，它適用于實時圖像與參考圖的產生條件較為一致，目標尺寸變化很小，景物與目標的相關性不強的場合。3)基于運動估計的跟蹤基于運動估計的跟蹤方法是利用圖像序列中目標的運動信息來對目標進行跟蹤的一種方法。運動信息又稱為光流，基于光流估計的方法，利用了灰度的變化信息，首先，從圖像序列的灰度變化中計算速度場，一般需要計算灰度的一階導數和二階導數；然后利用一些約束條件從速度場中估計運動參數和物體結構。光流方法又分局部光流法和全局光流法，局部光流法能夠準確的反映出運動邊緣處的運動信息，但是對于圖像中的弱紋理區(qū)域不敏感；全局光流法能夠得到每個像素處的光流，但是對于運動邊界處的光流變化不敏感。由于噪聲、多光源、陰影和遮擋等原因，使得計算出的光流分布不是十分可靠和準確，實際景物中的速度場不一定總是與圖像中的直觀速度場有唯一對應關系，且偏導數計算會加重噪聲水平，計算復雜，使得基于光流的方法在實際應用中常常不穩(wěn)定。盡管目標跟蹤算法可以大致分為上述幾類，但是這些方法并不是孤立的，在進行目標跟蹤時，為了保證跟蹤的可靠性和準確性，常?；旌鲜褂脦追N算法以得到更好的跟蹤效果。1.3本文的具體結構安排第一章緒論，詳細闡述了目標跟蹤的研究背景和意義，總結了國內外研究的發(fā)展現狀，討論了目前目標跟蹤存在的困難和不足，指出了本文重點解決的問題。第二章主要研究了幀間差分法、時間差分法和背景去除法及算法和各自的適用范圍。第三章匹配方法和目標搜索算法，重點用最小平均絕對差值函數(MAD)做了跟蹤算法實現跟蹤。第四章模板更新，由于目標的大小在變化及拍攝設備姿態(tài)的變化等導致目標變化，因此必須采取模板更新，已保證跟蹤精度。運動目標檢測目前，已經有許多標準的算法用于運動目標檢測，它們具有不同的效果和復雜度。在實際應用中，運動目標的提取通常不是采用單一的檢測算法，而是對某一算法進行改進或是綜合運用幾種算法以求達到更好的效果。無論采用哪種目標檢測算法，都應該滿足以下幾個條件：能夠準確地從圖像序列中檢測出運動目標；操作簡便、快捷以及適應實時系統(tǒng)的要求；對天氣、光照等環(huán)境變化不敏感，且對于攝像機振動或由其它情況引起的噪聲有很好的魯棒性；所需要的先驗信息越少越好。運動檢測主要有三種方法：光流法、時間差分法和背景去除法。光流法在攝像機運動的條件下也能檢測出獨立的運動目標，然而大多數的光流計算相當復雜，不能夠用于實時處理。時間差分檢測法對于運動環(huán)境具有較強的自適應性，但一般不能完全提取出所有相關區(qū)域的像素點，在運動實體中容易產生空洞現象。背景去除法適用于固定攝像機的情形，它先為背景建立背景模型，通過將當前圖像幀和背景模型進行比較，確定出亮度變化較大的區(qū)域，即認為是前景區(qū)域。這種方法計算速度很快，可以獲得完整的運動區(qū)域，但對于場景中光照條件和噪聲比較敏感，在實際應用中需要采用一定的算法維護和更新背景模型，以適應環(huán)境的變化。[10]本章首先簡單概述了目標檢測算法，然后詳細介紹了本文使用的自適應背景去除算法，接著針對陰影對目標檢測的影響，本文從色彩和光照不變性的角度，分析和討論了陰影的特性，提出了一個新的可用于陰影去除的算法，提高了陰影去除率，最后介紹了噪聲處理和區(qū)域標記方法。2.1檢測算法及概述運動目標檢測就是對包含運動信息的圖像序列進行適當地處理，從而去除靜止的背景，檢測出運動目標及其攜帶的運動信息，并對這些運動信息進行整合，得到關鍵參數，為視覺系統(tǒng)的后續(xù)階段提供可靠的數據源。運動目標的檢測原則是要盡可能保留那些對視覺檢測有重要意義的特征信息，同時最大限度地摒棄那些對運動目標檢測無用的冗余信息。人們總是希望有一個通用的運動檢測算法，能適用于各種環(huán)境，在各種場景中都能很好地工作。但是，在實際應用中，由于動態(tài)場景的光照變化、陰影、目標之間的遮擋現象以及攝像機的抖動等問題的存在，要得到一個通用的運動目標檢測算法是十分困難的，研究者不得不在算法的復雜度、可靠性以及實時性等方面綜合考慮。目前，研究人員已經在這方面做了大量的研究，提出了許多方法。下面簡單介紹目前常用的幾種方法：2.1.1連續(xù)幀間差分法連續(xù)幀間差分法是將連續(xù)兩幀進行比較，從中提取出運動目標的信息，基本運算過程如圖2-1所示，圖2-1連續(xù)幀間差分法的示意圖首先，利用公式2-1計算第k幀圖像與第k-1幀圖像之間的差別，得到差分后的圖像;（2-1）其中：，為連續(xù)兩幀圖像，為幀間圖像。然后對差分后圖像Dk使用圖像分割算法(公式2-2)進行二值化處理，即認為當差分圖像中某一像素的差大于設定的閉值時，則認為該像素是前景像素(檢測到的目標)，反之則認為是背景像素;(2-2)按照上面介紹的連續(xù)幀間差分方法，我們對室外的運動目標進行了檢測實驗，實驗結果如下圖所示。由于本圖幀之間的變化很小，因此選取相鄰幾幀來做(a)(b)(c)圖2-2采用連續(xù)幀間差分法的效果圖連續(xù)幀間差分方法在動態(tài)環(huán)境下的自適應性是很強的，但是這樣分割出來的區(qū)域實際上是物體前后兩個位置的“或”區(qū)域，比物體實際所在的區(qū)域要大。采用連續(xù)幀間差分方法檢測目標時，需要考慮如何選擇合適的時間間隔。[9]一般時間間隔依賴于所監(jiān)視的物體的運動速度。對快速運動的物體，需要選擇較小的時間差，如果選擇得不合適，最壞情況下目標在前后兩幀圖像中沒有重疊，造成被檢測為兩個分開的物體;而對慢速運動的物體，應該選擇較大的時間差，如果選擇得不適當，最壞情況下目標在前后兩幀圖像中幾乎完全重疊，根本檢測不到物體。針對這些問題有許多的改進方法，例如提出三幀差圖像法，利用三幀圖像計算出兩個差分圖像，再令對應像素相乘。這種方法檢測運動目標仍然存在不完整問題Lipton等利用兩幀差分法從實際視頻圖像中檢測出運動目標，進而用于目標的分類與跟蹤；一個改進的方法是利用三幀差分來代替兩幀差分，如VSAM使用一種自適應背景減除與三幀差分相結合的混合算法；為了提高差分法的性能，Jain提出了累積圖像差分法.幀間差分法其主要優(yōu)點是：算法實現簡單、復雜度低、實時性高，由于相鄰幀的時間間隔較短，對場景光照的變化不太敏感，受陰影的影響也不是很大，時間差分法對動態(tài)環(huán)境有較好的適應性。[1]然而，在實際應用中目標檢測的結果往往不太令人滿意，其主要問題是：當目標表面存在像素均勻的大區(qū)域時，時間差分法將在目標的上述區(qū)域產生“空洞”而使目標被過度分割成多個區(qū)域，只能檢測出運動目標的一部分；另外由于目標的運動，前一幀中被目標遮擋的背景部分在當前幀中將暴露出來，使得這部分背景也被認為是運動區(qū)域；同時這種方法所檢測到的運動區(qū)域的大小與目標的運動速度有關，目標運動速度越大，檢測出的區(qū)域就比實際的區(qū)域越大，而當目標運動很緩慢時，往往檢測到的區(qū)域很小，甚至無法檢測到目標的運動。2.1.2背景去除法背景去除法是目前運動目標檢測中最常用的一種方法，它是利用當前幀圖像和背景圖像（參考幀圖像）的差分來檢測運動區(qū)域的一種技術，即將當前幀圖像與背景圖像相減，若差值大于某一閾值，則認為此像素點為運動目標上的一點，閾值大小決定了檢測算法的靈敏度。[4]在背景去除法中，背景圖像的選取直接關系到最終檢測結果的準確性。在理想情況下，即背景圖像是完全靜止的，而且具有運動目標的圖像除了運動區(qū)域的像素值發(fā)生了變化，其余屬于背景的部分保持不變。背景去除法可以簡單地表示為：=（2-3）（2-4）式中(i,j)表示背景圖像。當前幀圖像（a）背景圖像（b）背景去除后的目標（c）圖2-3采用背景差分法的效果圖與時間差分法相比，背景去除法能夠提供比較完整的運動目標信息，得到較準確的目標圖像，而且速度快，能適應實時系統(tǒng)的要求。但隨著時間的推移，對光照和外部條件造成的場景變化比較敏感，會出現許多噪聲點，影響目標檢測結果。在實際應用中，場景中的背景很復雜，存在各種各樣的干擾，而且背景隨著時間不斷變化，所以適用于整個圖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難在于背景模型的建立和維護。一般來說，背景模型需滿足以下要求：1)能適應背景隨時間的緩慢變化，如一天當中不同時間里的光照變化；2)能適應背景物體的變化，如場景中移入新的物體，背景中的物體移出場景等變化；3)背景模型能描述背景中的一些較大擾動，如樹葉晃動、日光燈閃爍等；4)能適應光照亮度的突變；5)能夠消除前景物體的陰影；6)能夠處理前景物體與背景相似的情況，如人體衣服的顏色與背景中某個物體的顏色相似。對于這些問題，可能的解決辦法是：不斷更新背景模型，使得背景模型具有自適應的功能，解決背景物體發(fā)生變化的影響和光照漸變的影響；對于室外樹葉的擺動、日光燈的閃爍等情況，可以建立多模的背景模型，如利用混合高斯模型對背景像素建模；對于前景和背景顏色相似的，可以利用能夠測量深度的攝像機捕獲圖像以及圖像中對應于各像素點的深度信息；雖然陰影使得像素點的強度變化比較大，但是其色度信息幾乎保持不變，可以利用色度信息把陰影從前景中消除。目前許多研究人員致力于背景模型的研究，希望能夠減少動態(tài)場景對于準確檢測的影響。主要有基于統(tǒng)計的模型（高斯模型）和基于預測的方法（卡爾曼濾波、維納濾波等）。如Haritaoglu等利用最大、最小強度值和最大時間差分值為場景中的每個像素進行統(tǒng)計建模，并且進行周期性的背景更新；McKenna等利用像素色彩和梯度信息相結合方法來建立自適應背景模型。2.1.3光流法光流是運動物體被觀測面上的像素點運動產生的瞬時速度場，它包含了物體三維表面結構和動態(tài)行為的重要信息。一般情況下，光流由相機運動、場景中目標的運動或兩者的同時運動產生的。當場景中有獨立的運動目標時，通過光流分析可以確定運動目標的數目、運動速度、目標距離和目標的表面結構。光流研究已經在環(huán)境建模、目標檢測與跟蹤以及視頻事件分析中得到了廣泛的應用。光流計算方法大致可以分為三類：基于匹配的方法、基于頻域的方法和基于梯度的方法。[9]光流法的基本原理是：給圖像中的每一個像素點賦予一個速度矢量，形成一個圖像運動場，在運動的一個特定時刻，圖像上的一點對應三維物體上的某一點，這種對應關系可由投影關系得到，根據各個像素點的速度矢量特征，可以對圖像進行動態(tài)分析。如果圖像中沒有運動目標，則光流矢量在整個圖像區(qū)域是連續(xù)變化的，當物體和圖像背景存在相對運動時，運動物體所形成的速度矢量必然和背景速度矢量不同，從而檢測出運動物體的位置。設圖像上的點(x,y)在時刻t的亮度為f(x,y,t)，經過時間Δt后對應點的亮度值為f(x+Δx,y+Δy,t+Δt)，當Δt→0時，可以認為亮度不變，于是有：f(x,y,t)=f(x+Δx,y+Δy,t+Δt)（2-5）上式用泰勒公式展開得：（2-6）由于Δt→0，因此忽略二階無窮小項，得：（2-7）所以：（2-8）即：（2-9）其中，,分別為x和y方向的光流分量。式(2-9)給出了光流計算的一個方程，又稱為光流約束方程（OpticalFlowConstraintEquation）。光流約束方程對每一個像素點來說都是一個含有兩個變量的方程，而只有一個約束方程，不能同時確定光流場的兩個變量，這種不確定問題稱為孔徑問題（ApertureProblem）。由于孔徑問題的存在，使得僅通過光流約束方程而不用其他信息是無法計算圖像中某點的光流，為此人們提出了各種方法來克服這一問題。從不同的角度出發(fā)，可以引入不同的光流分析方法，如：使用光流全局平滑性假設來求解光流的Horn-Schunck方法；使用一個模型通過最小二乘法來擬合像素點領域內的光流值的Lucas-Kanade局部調整法；利用二階導數求光流的Nagel方法和利用魯棒回歸算法來計算光流克服遮擋時運動邊界的信息不可靠問題的魯棒計算法等。關于光流更加詳細的討論可參見Barron、高文、馬頌德等的文章?；诠饬鞣椒ǖ倪\動檢測采用了運動目標隨時間變化的光流特性，由于光流不僅包含了被觀測物體的運動信息，而且攜帶了有關物體運動和三維結構的豐富信息，所以該方法不僅可用于運動目標的檢測，甚至可直接用于運動目標的跟蹤，在攝像機運動的前提下也能檢測出獨立的運動目標。然而在實際應用中，由于遮擋性、多光源和噪聲等原因，使得光流約束方程的灰度守恒假設條件得不到滿足，不能求解出正確的光流場；并且光流場與運動場并不一一對應，如球體在攝像機前面繞中心軸旋轉，其明暗模式并不隨著表面運動，此時光流在任意地方都等于零，而運動場卻不為零；若球體不動，光源運動，則光流場不為零，而運動場卻等于零。同時大多數的光流計算方法相當復雜，計算量巨大，除非有特別硬件支持，否則不能滿足實時要求。[1]第三章運動目標跟蹤方法3.1引言運動目標跟蹤是近期視覺領域內一個備受關注的課題，圖像中運動目標的跟蹤技術通常是通過目標檢測來進行跟蹤。運動目標的跟蹤就是在視頻圖像的每一幅圖像中確定出我們感興趣的運動目標的位置，來實現目標的跟蹤。在機器視覺研究領域里，隨著技術不斷發(fā)展，自動目標跟蹤(ATR)越來越受到研究者的重視，具有廣闊的應用前景。運動目標的跟蹤在工業(yè)控制、軍事設備、醫(yī)學研究、視頻監(jiān)控、交通流量觀測監(jiān)控等很多領域都有重要的實用價值。特別在軍事上，先進的武器導航、軍事偵察和監(jiān)控中都成功運用了自動跟蹤技術。跟蹤的難點在于如何快速而準確的在每一幀圖像中實現目標定位。本章首先在第二節(jié)中概括介紹目標跟蹤的幾種方法。在本文中介紹運動目標的主要特征，具體對基于目標區(qū)域特征進行分析，及常見的運動目標搜索算法，重點分析了跟蹤原理和搜索算法。3.2運動目標跟蹤方法圖像中運動目標的跟蹤技術通常有兩種算法思想通過目標識別來進行跟蹤和通過運動檢測來進行跟蹤。使用目標識別的方法進行跟蹤通過在每一幀的圖像中識別研究的物體來確定物體的位置來實現目標的跟蹤。這種方法包含了目標識別和目標匹配兩部分。而使用運動目標檢測的方法來發(fā)現并確定運動目標的位置進行跟蹤，這種方法不考慮目標的形狀、尺寸，可以檢測任何物體。近年來，人們從這兩種基本思想或結合這兩種思想的角度出發(fā)，提出了大量的跟蹤算法。這些算法在實時性、可靠性和精確性上都有改進?，F有的目標跟蹤方法有下面三類:基于特征匹配的跟蹤方法、基于區(qū)域匹配的跟蹤算法、基于模型匹配的跟蹤算法。3.2.1基于特征匹配的跟蹤方法基于特征匹配的跟蹤方法不考慮運動目標的整體特征，即不關心目標是什么，只通過目標物體的一些特征來進行跟蹤。由于圖像采樣時間間隔通常很小，可以認為這些特征在運動形式上是平滑的，因此可以完成目標的整體跟蹤過程。無論是剛體運動目標還是非剛體運動目標，基于特征匹配的方法進行目標跟蹤時包括特征的提取和特征匹配兩個過程。在特征提取中要選擇適當的跟蹤特征，并且在下一幀圖像中提取特征;在特征匹配中將提取的當前幀圖像中目標的特征與特征模板相比較，根據比較的結果來確定目標，從而實現目標的跟蹤。例如使用特征點對人體進行運動跟蹤[33〕。該方法把需要跟蹤的每一個人用一個矩形框封閉起來，封閉框的質心被選擇為目標的跟蹤特征。除了用單一的特征來實現跟蹤外，還可以采用多個特征信息綜合在一起作為跟蹤特征，來提高跟蹤的效果。利用多個目標特征聯合進行跟蹤的算法，如StnaBicrhfield提出了將目標的顏色直方圖模型和灰度梯度模型聯合的方法，實現對人頭部的實時跟蹤；H.chne和.TLiu聯合目標的顏色概率分布和邊緣密度信息完成對非剛體目標的跟蹤。[3]如果運動目標物體簡單，可以將整個目標作為特征來進行跟蹤，這種方法也被稱為模板匹配。[4]3.2.2基于區(qū)域匹配的跟蹤方法基于區(qū)域匹配的跟蹤方法是把圖像中運動目標的連通區(qū)域的共有特征信息作為跟蹤檢測值的一種方法。在連續(xù)的圖像中有多種區(qū)域信息，例如顏色特征、紋理特征等等。這種方法不需要在視頻序列的圖像中找到完全相同的特征信息，通過計算區(qū)域的原始目標之間的相關性來確定跟蹤目標的位置?；趨^(qū)域的跟蹤方法我們可以選取整個區(qū)域的單一的特征來實現跟蹤，但是實際跟蹤過程中單一的特征不太好選擇，所以一般采用運動目標的多個特征來進行跟蹤。例如，Wrell利用小區(qū)域特征進行室內單人的跟蹤。該方法將人體看作由頭、軀干、四肢等身體部分所對應的小區(qū)域塊的聯合體，通過分別跟蹤各個小區(qū)域塊最終完成對整個人體的跟蹤。基于區(qū)域的跟蹤與基于區(qū)域的分割過程聯系較為緊密，所以也可以利用分割同跟蹤相結合的方法來進行跟蹤。例如Frnaoc提出的區(qū)域跟蹤方法依賴于以前的檢測來區(qū)分運動目標，然后跟蹤目標。運用濾波跟蹤技術精確估計了區(qū)域幾何形狀和速度。Jgrea等人提出的區(qū)域跟蹤算法不僅利用了分割結果來給跟蹤提供信息，同時也能利用跟蹤所提供的信息改善分割效果，把連續(xù)幀的目標匹配起來達到跟蹤目標的目的。[4]3.2.3基于模型匹配的跟蹤方法基于模型匹配的跟蹤方法是用模型來表示目標物體，也就是建模，然后在圖像序列中跟蹤這個建好的模型來實現目標的跟蹤。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目標跟蹤。但是實際應用中跟蹤的物體往往是非剛體的，目標確切的幾何模型不容易得到，因此可以利用變形輪廓模板來匹配到目標來進行跟蹤。目前有兩種可變性模型:一種是自由式的可變形模型，主要滿足一些簡單的約束條件(連續(xù)性、平滑性等)用來跟蹤任意形狀的運動目標。另一種是參數可變的模型。這種方法用一個參數公式，或一個變形公式來描述目標物體的形狀。[1]在前文提到的跟蹤方法中，我們可以知道運動目標的特征是一個重要的跟蹤依據，在很多跟蹤算法中都有目標特征提取這一環(huán)節(jié)。所提取的目標特征必須在環(huán)境變化、目標自身變化或者運動改變時，仍然能夠將運動目標描述出來。圖像目標的特征大致分為：(1)圖像的視覺特征，如圖像的輪廓、邊緣、形狀、紋理和區(qū)域等特征;(2)圖像的統(tǒng)計特征，如顏色直方圖、各種不變矩等特征;(3)圖像的變換系數特征，如付立葉描述子、小波變換系數和自回歸模型等特征;(4)圖像的代數特征，如圖像矩陣的奇異值分解等。3.3運動目標搜索算法運動目標跟蹤算法中，目標的特征提取之后，就是要選擇合適的搜索匹配算法來實現目標在每幀圖像中的定位。要能夠準確地、實時地確定目標的位置搜索算法很關鍵。經典的搜索匹配算法包括有絕對平衡搜索法、歸一化相關法。利用圖像的邊緣特征搜索匹配算法等。3.3.1絕對平衡搜索法絕對平衡搜索法就是直接使用模板圖像和待匹配圖像上的搜索窗口之間的像素灰度值的差別來表示二者之間的相關性，并且利用閡值來界定相關性，進而決定匹配效果。絕對平衡搜索法有三種算法:最小均方誤差函數(MES)，最小平均絕對差值函數(MAD)和最大匹配像素統(tǒng)計(MPC)，它們的定義分別如下:[5] （3-1）（3-2）（3-3）（3-4）以上各式中T(m，n)為模板圖像灰度值，F(m，n)為待匹配圖像灰度值，依據(3一7)式，t為預設閉值，小于閉值t的像素被歸入匹配像素，否則被歸入非匹配像素。[11]3.4絕對平衡搜索法實驗結果第1幀第7幀第15幀第33幀第41幀第53幀第65幀第77幀第80幀第82幀第90幀第97幀第104幀第110幀圖3-4-1采用最小平均絕對差值算法的跟蹤效果圖絕對平衡搜索法雖然簡單，但是有明顯的局限性:一旦待匹配圖像或模板圖像之一的灰度值發(fā)生線性變化時，這種算法就會失效。同時，由于模板和每一幅待匹配圖像都有不同的灰度值，所以閉值也會很難選定。并且跟蹤時間很長，跟蹤100張序列圖像，用時24.614秒即0.24614秒每張。3.4.1歸一化互相關搜索法歸一化互相關匹配算法(Nomral1zedCorerlatino一NC)是一個經典的匹配算法，它是通過計算模板圖像和待匹配圖像的互相關值來決定匹配的程度，尋找互相關值最大的搜索窗口的位置作為目標新的位置。互相關定義一般有如下的兩種形式:[6]（3-5）（3-6）式中：（3-7）（3-8）歸一化互相關匹配算法對線性變換有比較好的“免疫性”〔但是由于圖像中的自相關值都比較大，因此在互相關的計算過程中，相似性形成以模板的實際位置為中心的平緩峰，往往無法檢測到準確的尖峰位置。為了克服這個問題，可以對待匹配圖像和模板作邊緣處理，這么做是因為當圖像中像素點相關時，兩副圖像的相關性實際是集中在它們的邊緣信息上的。歸一化互相關匹配算法的另一個缺點是計算耗時很大，所以可以考慮使用加速算法對其改進，如使用序貫相似度檢測算法(SSAD)和金字塔層次算法等，本質上這些算法是通過預測一個能在一幀的大致位置來減小搜索次數和時間。[1]3.5歸一化互相關搜索法實驗結果及分析第1幀第4幀第9幀第15幀第23幀第31幀第44幀第56幀第68幀第110幀第151幀第179幀第200幀第239幀第251幀第273幀第307幀第321幀第330幀第339幀圖3-5采用歸一化互相關匹配算法的跟蹤效果圖實驗結果分析，在第307幀時出現跟蹤目標丟失，絕對平均搜索算法在200幀目標就丟失了。因此可知，采用歸一算法跟蹤較絕對平均搜索算法的跟蹤精度更高。跟蹤100張連續(xù)的序列圖像，NC算法41.75秒，及0.4175秒每張。第四章模板更新與軌跡預測4.1模板更新簡述及策略由于照相機與目標的相對運動,視野中的目標可能出現大小、形狀、姿態(tài)等變化,加上外界環(huán)境中的各種干擾,以及隨著時間推移,所要跟蹤的目標和目標所在的場景都發(fā)生了變化,這時我們所要跟蹤的目標點會發(fā)生誤差,嚴重情況下,有可能丟失跟蹤目標。為了保證跟蹤的穩(wěn)定性和正確性,需要對模板圖像進行自適應更新。[7]模板圖像是相關匹配跟蹤過程中進行相似性度量的基準,由于視野中的目標可能出現大小、形狀、姿態(tài)等變化,為了對所期望的目標進行跟蹤,用于對每一被跟蹤圖像進行相關計算的模板圖像必須根據相關峰位置的變化進行條件更新。這一過程就是不斷地根據模板圖像與搜索場景圖像的相關結果來自適應更新模板圖像。由于模板圖像是從前一幀圖像中抽取的,而對應像素距離計算卻是用模板圖像與下一幀圖像進行對應像素距離運算,這樣得到的最大相關曲面峰值位置即為最佳的匹配位置。由于照相機目標間的相對運動,目標可能出現大小、形狀、姿態(tài)等變化,加上外界環(huán)境的各種干擾,如噪聲、遮擋等。還有圖像處理最小計量單位的精度問題。這樣對應像素距離測度的圖像匹配跟蹤算法得不到絕對最佳的匹配位置,存在匹配誤差是必然的。因此正確的模板圖像的更新和修正方法是維持長時間穩(wěn)定跟蹤的關鍵。模板圖像是對應像素距離測度的圖像匹配跟蹤過程中的基準,考慮到目標區(qū)域圖像存在變化,模板圖像的更新和修正是必要的。模板圖像不修正或修正間隔時間過長,將無法適應場景的變化,而模板圖像修正過快或修正方法不當也會使匹配誤差急劇增加從而引起誤配發(fā)生,丟失匹配跟蹤目標。因此對模板圖像進行合理的更新和修正是圖像匹配跟蹤的關鍵。選擇合適的模板圖像更新和修正策略,可以在一定程度上克服上述變化對圖像匹配跟蹤結果的影響。在序列圖像匹配跟蹤過程中,若單純地利用當前圖像的最佳匹配位置處的圖像來作為模板圖像進行下一幀圖像的匹配,則匹配跟蹤結果很容易受某一幀發(fā)生突變的圖像的影響而偏離正確的匹配位置,從而使誤配現象發(fā)生。因此,根據對應像素距離測度的圖像匹配跟蹤算法的特點,可以考慮增加一個判別準則,這個準則就是對幀內及相鄰序列幀間的匹配結果進行評估而得出的匹配跟蹤置信度,根據這個匹配置信度來分不同情況決定如何修改或更新模板圖像。如果當前幀圖像匹配質量很差,則該幀圖像數據不進人模板圖像的修正而若當前禎圖像匹配質量很好或比較好時,則該幀圖像數據進人模板圖像的修正。這就是基于濾波與預測的模板圖像更新和修正方法,亦即基于匹配跟蹤置信度的加權自適應模板圖像更新算法。下面給出幾種模板更新的策略。[8]1、中心加權策略我們認為一般感興趣的區(qū)域多位于模板圖像的中心位置，而且可以假設圖像模板的中心部分在幀間變化比較小，因此可以對模板進行中心加權，使模板像素在匹配中的貢獻率從模板中心到邊緣由大變小，提高匹配對噪聲和目標形變的影響，比如可采用如下的加權系數：，式中i和j是以模板中心為原點的坐標。經過中心位置加權的匹配能提高相關峰的陡峭度，較好地克服目標的小范圍畸變，以及目標邊緣被部分遮擋的情況。2、加權生成新模板按照一個固定的權值對當前新位置和舊模板加權生成新模板的方法是不夠合理的，由于沒有考慮到匹配效果的好壞，因而可能會使目標跟蹤的精度降低。我們可以通過度量模板圖像和實時圖像的匹配度來確定如何對模板圖像進行更新，獲得更新后的模板。其更新方法如下：(4-1)其中和分別是加權系數，T是舊的模板圖像，、是最佳匹配位置對應的實時圖像中的子圖，T是更新后的模板圖像。3、線性組合法根據目標的短時平穩(wěn)性運動規(guī)律和場景變化的特點，可把目標識別模板看成一個m階馬爾可夫信號。在實際實現中，當前幀的目標識別模板可用前面幀的目標識別模板的線性組合得到，如下所示(4-2)其中++=1，。在上式中，通過調整權值的大小，就可改變識別模板變化的靈活性和平穩(wěn)性，當時，模板的更新就更側重于靈活性，但如果圖像出現瞬時干擾時，可能影響系統(tǒng)穩(wěn)定性；相反，如果時，則模板的變化相對穩(wěn)定，當目標特征變化較快時，模板的更新可能跟不上目標特性的變化。因此，在具體的應用中，應根據不同的實際情況，選擇合適的權值，使系統(tǒng)整體性能得到提高。4、最佳模板替換法這里所說的最佳模板是指在一定幀間隔范圍內，與目標識別模板匹配最好的目標圖像區(qū)域。通過調整幀間間隔數也能比較好的調整跟蹤系統(tǒng)的靈活性和穩(wěn)定性。實驗證明它既能很好的適應目標的快速變化，又對目標的瞬時遮擋具有較好的抗干擾能力。為了消除最大相關峰位置與目標中心位置存在的誤差，下面給出一種修正的自適應模板更新方法，對從圖像中抽取的模板圖像計算目標中心位置，對抽取的模板圖像中心位置和跟蹤位置進行修正，并以此位置為下一幀模板圖像的中心和實際跟蹤位置，從輸入圖像中抽取模板圖像，用該模板圖像與下一幀圖像進行相關運算。圖4-1模板更新示意圖4.2軌跡預測根據目標在運動過程中具有軌跡連續(xù)性的特點，利用目標過去的位置信息預測當前位置，然后在預測點周圍一定范圍內進行匹配，這樣既能減少計算量，也能排除其它物體對跟蹤的影響，保證匹配的可靠性；另一方面，當目標的背景快速變化、視場內有其它遮擋物出現時，會造成目標被短暫遮擋從而短時消失，若干秒后又正常復出，按照正常的跟蹤策略，跟蹤過程中就會出現目標丟失而導致系統(tǒng)紊亂，如果采用預測跟蹤處理技術，預測出目標在下一步可能的位置，等到目標再次出現時，仍可對其進行穩(wěn)定跟蹤而不至于丟失目標。在跟蹤系中，通常采用記憶外推跟蹤技術，本章我們將深入探討該技術的有關問題。4.2.1線性預測設原函數f(t)在N個順序時刻的測量值為f(t),(1,2,...N)，且f(t)可以用：（4-3）（4-4）作為最佳線性逼近，可寫為（4-5）對N點估計的均方誤差為：（4-6）最佳逼近即是上式取最小值，經過最小二乘法可得：（4-7）其中：（4-8）式（3－3）和（3－4）就是f(t)在最小均方誤差意義下的N點最佳線性逼近的通解。由以上線性逼近可以很方便地得到預測器表達式。如用k-2,k-1以及k幀的位置去求取k+1幀的位置，即用過去三幀的位置（N=3的情況）預測下一幀的位置，按上述的表示方法有，，以及，，，對于k+1幀而言，相當于t=4的情況，故求取k+1幀的位置為：（4-9）將上述及的值分別代入（4－5）和（4－6）可求出，的值，然后將其代入（4-7）式可得：（4-10）上式就是三點線性預測的公式，當N取不同的整數值時可構成不同的預測器，如下表所示：N的取值23454.2.2平方預測器原函數f(t)在N個順序時刻的測量值仍為f()(i=1,2,…,N)，且f(t)可以用