1、第二章 運(yùn)動(dòng)目標(biāo)監(jiān)測(cè)和跟蹤 2.1運(yùn)動(dòng)目標(biāo)檢測(cè) 運(yùn)動(dòng)目標(biāo)檢測(cè)(Motion Detection)是指在輸入視頻圖像中判斷與背景圖像相比是否存在相對(duì)運(yùn)動(dòng)的前景目標(biāo)和物體，并根據(jù)灰度、邊緣、紋理等二維圖像特征將運(yùn)動(dòng)前景進(jìn)一步分割為若干獨(dú)立目標(biāo)。 在實(shí)際應(yīng)用中，一個(gè)好的運(yùn)動(dòng)目標(biāo)檢測(cè)算法，通常應(yīng)該具有以下幾個(gè)特征【12】： 不受環(huán)境的變化(如天氣和光照變化等)而影響結(jié)果； 不受背景中個(gè)別物體的運(yùn)動(dòng)(如水波、風(fēng)吹樹動(dòng)等)而影響結(jié)果； 不受目標(biāo)及背景中的陰影而影響結(jié)果； 對(duì)復(fù)雜背景和復(fù)雜目標(biāo)仍然有效； 檢測(cè)的結(jié)果應(yīng)滿足后續(xù)處理(跟蹤分析)的精度要求； 圖2-1描述了檢測(cè)算法的一般流程圖。常見的運(yùn)動(dòng)目標(biāo)檢測(cè)

2、算法有：幀間差分法、背景差分法及光流法等，以下將分別進(jìn)行介紹。 Fig.21Flow chart of detection algorithm 2.1.1幀間差分法 幀間差分法23-241就是將視頻序列中相鄰的兩幀或幾幀做象素域上的減法運(yùn)算，以得到幀間的不同圖像的信息。在攝像頭固定的情況下，對(duì)連續(xù)的圖像序列中的相鄰兩幀圖像采用基于像素的幀差法來提取圖像中的運(yùn)動(dòng)區(qū)域，t和t時(shí)刻(或者看做)采集到同一背景下的兩幅運(yùn)動(dòng)圖像的灰設(shè)k幀和第k+l幀21f(x,y)和f，則差分圖像的定義為： 度值為1k?k D(x,y)?f(x,y)?f(x,y) ）2.1（ k1?k1?k 對(duì)上式的差分結(jié)果進(jìn)行閾值處理

3、，就可以提取出運(yùn)動(dòng)物體。對(duì)差分圖像f(x,y)二值化，當(dāng)某一像素的灰度值大于給定閾值T時(shí)，認(rèn)為該像素為目標(biāo)像d素，即該像素屬于運(yùn)動(dòng)目標(biāo)；反之，則屬于背景。這一步的目的就是為了區(qū)分背景像素和目標(biāo)像素，得到： D(x,y)?T11k?R)y(x, (2.2) 1k?0T?yx,)(D1k?其中，l表示前景像素值，0表示背景像素值。 R(x,y)進(jìn)行連通性分析，就可以得到連通區(qū)域的面積。當(dāng)某 然后再對(duì)1k? 一連通區(qū)域面積大于預(yù)定值時(shí)，則認(rèn)為該區(qū)域?qū)儆谕粋€(gè)運(yùn)動(dòng)目標(biāo)。 幀間差分法實(shí)驗(yàn)如圖2-3，在實(shí)驗(yàn)時(shí)由于第100幀圖像與101幀圖像相差不大，因此改采用第102幀圖像與100幀圖像進(jìn)行差分。 顯而易

4、見，在幀間差分法中閾值的選擇非常關(guān)鍵，這是因?yàn)殚撝颠^低則不能有效地抑制圖像中的噪聲，閾值過高將誤判圖像中有用的變化。閾值選擇分為全局閾值和局部閡值，通常圖像不同光照區(qū)域引起的噪聲也不相同，因此采用局部閾值能更好的抑制噪聲。 幀間差分法進(jìn)行目標(biāo)檢測(cè)的主要優(yōu)點(diǎn)是：算法實(shí)現(xiàn)簡(jiǎn)單；實(shí)現(xiàn)程序設(shè)計(jì)復(fù)雜度低；易于實(shí)現(xiàn)實(shí)時(shí)監(jiān)視；基于相鄰幀差方法，由于相鄰幀的時(shí)間間隔一般比較短，因此該方法對(duì)場(chǎng)景光線的變化一般不太敏感。 最基本的幀間差分法可以檢測(cè)到場(chǎng)景中的變化，并且能夠提取出目標(biāo)，但是在實(shí)際應(yīng)用中，幀問差分法的結(jié)果精度不高，難以獲得目標(biāo)所在區(qū)域的精確描述。當(dāng)運(yùn)動(dòng)目標(biāo)的運(yùn)動(dòng)速度較快時(shí)，實(shí)際檢測(cè)時(shí)可能會(huì)將一個(gè)運(yùn)動(dòng)目

5、標(biāo)誤為兩個(gè)運(yùn)動(dòng)目標(biāo)：當(dāng)運(yùn)動(dòng)目標(biāo)速度較慢時(shí)，會(huì)在檢測(cè)結(jié)果中造成空洞，這是由于運(yùn)動(dòng)目標(biāo)的顏色或灰度在一定區(qū)域內(nèi)較均勻。在實(shí)際應(yīng)用中我們總希望下一步進(jìn)行目標(biāo)跟蹤中，提取的目標(biāo)盡量接近目標(biāo)的真實(shí)形狀，也就是說，我們提取的目標(biāo)應(yīng)是完整的，同時(shí)也應(yīng)該是盡量少地包括背景像素點(diǎn)。但是般情況下廣泛應(yīng)用該算法時(shí)對(duì)兩幀間目標(biāo)的重疊部分也是不容易被檢測(cè)出來的，即只檢測(cè)出目標(biāo)的一部分或者出現(xiàn)了較大比例的空洞，這是由于我們直接用相鄰的兩幀相減后，保留下來的部分是兩幀中相對(duì)變化的部分，所以兩幀間重疊的部分就很難被檢測(cè)出來。 為了獲得兩幀重疊的部分圖像，解決相鄰幀差法存在的問題，人們?cè)谄浠A(chǔ)上又提出了一種三幀差分法。該方法需

6、要提取連續(xù)三幀圖像來計(jì)算兩個(gè)差分圖像，再令這兩個(gè)差分圖像的對(duì)應(yīng)像素相與，從而可以提取出運(yùn)動(dòng)目標(biāo)。設(shè)連續(xù)三幀視頻圖像分別為 ),y()和fxx(,y),f(x,yf1kk?k?1則三幀差分法檢測(cè)流程如圖24所示。 2.1.2背景差分法 背景差分法【25】【26】是目前視頻監(jiān)控中最常用的一種方法，它的基本思想是將輸入圖像與背景模型進(jìn)行比較，通過判定灰度特征的變化，或用直方圖等統(tǒng)計(jì)信息的變化來判斷異常情況的發(fā)生和分割運(yùn)動(dòng)目標(biāo)。傳統(tǒng)的背景差分算法包括三大步驟：首先，為背景中每個(gè)象素進(jìn)行統(tǒng)計(jì)建模；然后將當(dāng)前圖象和背景模型進(jìn)行比較，找出一定閾值限制下當(dāng)前圖像中出現(xiàn)的偏離背景模型值較大的那些象素，據(jù)此，再對(duì)

7、圖象進(jìn)行二值化處理，從而得到前景象素集合(運(yùn)動(dòng)目標(biāo))；此外，模型還要進(jìn)行周期性的背景更新以適應(yīng)動(dòng)態(tài)場(chǎng)景變化。背景差分法算法具體如下： D： 計(jì)算視頻序列中當(dāng)前幀五與背景甌的差值，得到差分后的圖像k D?f(x,y)?b(x,y) （2.3） kkkD進(jìn)行二值化，當(dāng)某一像素的灰度值大于給定閾值T時(shí)，認(rèn) 對(duì)差分圖像k為該像素為目標(biāo)像素，即該像素屬于運(yùn)動(dòng)目標(biāo)；反之，則屬于背景。這一步的目的就是為了區(qū)分背景像素和目標(biāo)像素，得到 D(x,y)?T1k?(Rx,)yk （2.4 ） 0Ty(Dx,)?k其中，1表示前景像素值，0表示背景像素值。 R(x,y)進(jìn)行連通性分析，就可以得到連通區(qū)域的面積。當(dāng)某一

8、連通區(qū) 對(duì)k域面積大于預(yù)定值時(shí)，則認(rèn)為該區(qū)域?qū)儆谕粋€(gè)運(yùn)動(dòng)目標(biāo)。 采用背景差分法的實(shí)驗(yàn)效果如圖2-6所示。 背景差分法的優(yōu)點(diǎn)是其原理和算法設(shè)計(jì)簡(jiǎn)單、檢測(cè)速度快、能夠得到比 較精確完整的運(yùn)動(dòng)目標(biāo)信息，如位置、大小、形狀，但是運(yùn)算量大，且通常會(huì)遇到如下一些問題： 背景獲?。罕尘皥D像的獲取最簡(jiǎn)單的辦法就是在場(chǎng)景沒有任何運(yùn)動(dòng)目標(biāo)的情況下進(jìn)行拍攝，但是在實(shí)際應(yīng)用中較難滿足這種要求，如對(duì)公路和城市效能的監(jiān)控等，所以需要一種方法就能夠在場(chǎng)景存在運(yùn)動(dòng)目標(biāo)的情況下獲得真實(shí)“純凈”的背景圖像。 背景的擾動(dòng)：跟幀間差分法相同，當(dāng)背景中含有輕微的擾動(dòng)對(duì)象(如樹枝、樹葉搖動(dòng)，水波等)，擾動(dòng)部分很容易就被誤判為前景運(yùn)動(dòng)目

9、標(biāo)。 外界光照條件的變化：一天中不同時(shí)間段光線、天氣等的變化對(duì)檢測(cè)結(jié)果的影響。 背景中固定對(duì)象的移動(dòng)：背景里固定對(duì)象可能移動(dòng)，如：場(chǎng)景中的一輛車被開走等，對(duì)象移走后的區(qū)域在一段較短的時(shí)間內(nèi)可能被誤認(rèn)為是運(yùn)動(dòng)目標(biāo)，但不應(yīng)該永遠(yuǎn)被看做是運(yùn)動(dòng)目標(biāo)。 前景運(yùn)動(dòng)目標(biāo)長(zhǎng)久停留在背景中：前景運(yùn)動(dòng)目標(biāo)可能長(zhǎng)久停留在背景中，如：城市交通中的紅燈時(shí)間，智能小區(qū)的車庫(kù)監(jiān)控中車輛入庫(kù)等，當(dāng)原來的運(yùn)動(dòng)轉(zhuǎn)為靜止之后的一段短時(shí)間內(nèi)可能被誤認(rèn)為還是運(yùn)動(dòng)目標(biāo)，但不應(yīng)該永遠(yuǎn)被看著是運(yùn)動(dòng)目標(biāo)。 背景更新：背景中固定對(duì)象的移動(dòng)、前景運(yùn)動(dòng)目標(biāo)成為背景中的長(zhǎng)久停留物或者外界光照條件的變化等因素都會(huì)使背景圖像發(fā)生變化，需要引入恰當(dāng)?shù)谋尘案?/p>

10、新機(jī)制才能達(dá)到合理檢測(cè)的目的。 由此可見，背景差分法的難點(diǎn)在于如何建立背景模型和維持背景，以適應(yīng)實(shí)際環(huán)境中的變化。常用的背景估計(jì)方法有如下幾種。 1基于自適應(yīng)的方法 即通過使用自適應(yīng)方程，對(duì)圖像序列加權(quán)平均，生成一個(gè)近似背景。這種方法通常在目標(biāo)移動(dòng)比較迅速的場(chǎng)景中十分有效。但是當(dāng)場(chǎng)景中存在移動(dòng)緩慢的物體時(shí)，檢測(cè)效果較差。同時(shí)它不能檢測(cè)雙峰背景。當(dāng)背景中有物體移入、移出時(shí)，背景恢復(fù)十分緩慢。常有的該類方法包括： (1)均值背景法 將最近捕獲的N幀視頻圖像的平均值作為當(dāng)前背景。這種方法在監(jiān)控場(chǎng)景不是很復(fù)雜、且場(chǎng)景中存在的變化較少時(shí)檢測(cè)效果較好。 (2)中值背景法 即記錄最近N個(gè)象素值，用這N個(gè)值的

11、中值作為背景； (3)自適應(yīng)變化檢測(cè)生成背景的方法 首先使用幀差法檢測(cè)場(chǎng)景中的變化區(qū)域，在確定變換區(qū)域后通過自適應(yīng)算法更新背景；在VSAM系統(tǒng)中通過對(duì)圖象序列中的當(dāng)前背景和當(dāng)前幀加權(quán)平均，自適應(yīng)地生成背景。 (4)基于Kalman 濾波器理論的背景生成方法 文獻(xiàn)【36】提出了一種基于Kalman濾波理論的漸消記憶遞歸最小二乘的背景重建算法，它適用于背景變化較慢的視頻場(chǎng)景。它將運(yùn)動(dòng)目標(biāo)視為對(duì)背景的隨機(jī)擾動(dòng)，應(yīng)用Kalman濾波器在零均值的退化公式，即漸消記憶遞歸最小二乘法來更新和重建背景。 2.基于分布模型的方法 (1)參數(shù)模型 即根據(jù)數(shù)據(jù)找到一個(gè)與之匹配的已知概率模型。具體過?的最優(yōu)估計(jì)的分布

12、程就是根據(jù)已知的一系列數(shù)據(jù)和參數(shù)為，找到參數(shù))(?f。這種方法的優(yōu)點(diǎn)是，可以只用幾個(gè)參數(shù)，這樣就能得到估計(jì)概率密度函數(shù)就能描述出整個(gè)概率分布，將大量數(shù)據(jù)壓縮成幾個(gè)簡(jiǎn)單的參數(shù)，用參數(shù)代替概率密度函數(shù)。但是參數(shù)概率估計(jì)信賴于模型形式，必須事先知道這一級(jí)數(shù)據(jù)服從何種概率模型，即必須知道這組數(shù)據(jù)的潛在概率模型的先驗(yàn)知識(shí)。如果概率模型假設(shè)不正確的話，概率估計(jì)將產(chǎn)生偏差。 由于視頻監(jiān)控場(chǎng)景在大多數(shù)情況下服從高斯分布，所以常用高斯模型的方法。這種方法基于這樣的假設(shè)：場(chǎng)景中任一點(diǎn)在某一段時(shí)間內(nèi)的觀測(cè)值都服?來描述這個(gè)點(diǎn)的統(tǒng)計(jì)特從正態(tài)分布，故可使用該點(diǎn)的均值和協(xié)方差矩陣?(T為閾值概率)，則該點(diǎn)可性。如果x點(diǎn)在

13、t時(shí)刻的分布模型是T,?,?)(xttt?匹配。被判定為前景點(diǎn)；否則判定為背景點(diǎn)，同時(shí)可稱 ),(x,?x和tttt 模型的更新是在每一幀新圖像捕獲后，通過一定方法自適應(yīng)的更新模型參數(shù)實(shí)現(xiàn)的。通常的更新公式是： ?x1(?)?(2.5)ttt (2.6)222?)?x?(1?)(tt?是0到1其中之間的常熟，其取值的大小體現(xiàn)了模型對(duì)背景是更新速率。適應(yīng)的快慢。 (2)非參數(shù)模型 這種方法不需要假設(shè)先驗(yàn)的概率密度函數(shù)，也不需要?。所以這種方法就設(shè)置參數(shù)，而是從數(shù)據(jù)點(diǎn)中直接得到概率密度的估計(jì)函數(shù)0f 是依據(jù)數(shù)據(jù)本身的結(jié)構(gòu)來得到概率密度函數(shù)。非參數(shù)的方法不像參數(shù)的方法那樣依賴于模型的選擇和參數(shù)估計(jì)，

14、它更 加適用于概率分布未知的一般情況下的問題。常用的方法有直方圖法，核估計(jì) 法，具體就是基于核估計(jì)的統(tǒng)計(jì)模型法。 2.1.3光流法是空間運(yùn)動(dòng)物體在被觀測(cè)表面上的象素點(diǎn)運(yùn)】(Optical Flow) 光流【13動(dòng)的瞬時(shí)速度場(chǎng)。光流場(chǎng)是通過二維圖像來表示物體點(diǎn)的三維運(yùn)動(dòng)的速度場(chǎng)。是數(shù)字視頻處理領(lǐng)域中在80年代早期建立的“光流分析法和由HornSchunk，即為或者稱為投影運(yùn)動(dòng)）二維運(yùn)動(dòng)估算的重要方法。其研究對(duì)象是二維運(yùn)動(dòng)(真實(shí)世界中的三維運(yùn)動(dòng)以透視或正交的投影方式在圖象平面上形成的“視覺運(yùn)，這一運(yùn)動(dòng)對(duì)應(yīng)著圖象中不同目標(biāo)的相對(duì)位置改變，也就對(duì)應(yīng)著圖象前后幀動(dòng)將圖像平面特定坐標(biāo)點(diǎn)上的灰度瞬時(shí)變化與S

15、chunkHorn相應(yīng)位置灰度的改變，在某些情形下，。這樣就導(dǎo)致了光流法的一些根本性缺陷：率定義為“光流矢量圖像中視頻目標(biāo)的運(yùn)動(dòng)不能反映為灰度的變化，如單色圓球繞其直徑自轉(zhuǎn)；另外，圖像中光源的運(yùn)動(dòng)而不是視頻目標(biāo)的運(yùn)動(dòng)也會(huì)導(dǎo)致灰度的變化，而這些都不是光流分析所能隔離或屏蔽的。但就大多數(shù)現(xiàn)實(shí)世界的投影運(yùn)動(dòng)而言，光流分析是有效的估算方法。而且，運(yùn)動(dòng)估算研的是“視覺運(yùn)動(dòng)”而非真實(shí)運(yùn)動(dòng)，所以可以對(duì)任何與圖像亮度變化無關(guān)的運(yùn)動(dòng)不予考慮。因此，光流場(chǎng)是一個(gè)二維矢量場(chǎng)，它包含的信息即是各象素點(diǎn)的瞬時(shí)運(yùn)動(dòng)速度矢量的信息。從光流的，這是光流形成速度場(chǎng))定義可以看出，由于光流有如下三個(gè)要素：一是運(yùn)動(dòng)(，它能攜帶信息

16、；)的必要條件；二是帶光學(xué)特性的部位(例如有灰度的象素點(diǎn)，因而能被觀察到。光流在視覺運(yùn)動(dòng)中的研從場(chǎng)影到成像平面三是成像投影()究中有非常重要的作用。視覺運(yùn)動(dòng)分析就是研究如何從變化著場(chǎng)景的一系列不同時(shí)刻的圖像中，提取出有關(guān)場(chǎng)景中物體的結(jié)構(gòu)、位置和運(yùn)動(dòng)信息。 Horn的光流計(jì)算基于如下兩個(gè)假設(shè)21：(1)圖像上的任何一點(diǎn)在t時(shí)刻所觀測(cè)到的亮度在時(shí)間間隔出內(nèi)是恒定不變的；(2)圖像上任一點(diǎn)都不是獨(dú)立的，光流在整個(gè)圖像范圍內(nèi)平滑變化。 假設(shè)在時(shí)間t，圖像中坐標(biāo)為(x,y)的像素，其灰度為，經(jīng)過時(shí))ty,f(x,間后，這一點(diǎn)運(yùn)動(dòng)到，其灰度為。因?yàn)??ty,t?x?x,y?y(x?x,y?)?f(t?這兩

17、個(gè)位置對(duì)應(yīng)的實(shí)際上是兩個(gè)不同時(shí)刻的同一個(gè)點(diǎn)，因此我們可以假設(shè)他們的灰度不變（既滿足灰度守恒），則有： (2.7) )?t,t?x,y?ytf(x,y,)?f(x? 如果認(rèn)為灰度隨的變化是平滑，連續(xù)的，則將上式的右邊用泰勒）y,t（x,級(jí)數(shù)展開，得 ?f?f?fdx?dy?dtf(x,y,t)?e,?f(x?x,y?yt?t)? (2.8) ?x?y?t其中，e包含的二次和高次項(xiàng)。 dtdy,dx, 經(jīng)過化簡(jiǎn)和約去二次項(xiàng)，得 ?fdx?fdy?f?0 （2.9） ?xdt?ydt?tdxdy，可得光流場(chǎng)的基本方程：記 ,u?v? dtdt?f?f?fu?v?0 （2.10） ty?x?TvU?u

18、 記光流場(chǎng)，其寫成梯度形式： TU?E?0(?E) （ 2.11） r?TvU?u有兩個(gè)變量，而基本等式只有一個(gè)方程，因此只 由于光流場(chǎng)能求出光流場(chǎng)沿梯度方面上的值，而不能同時(shí)間求出光流場(chǎng)的兩個(gè)速度分量u和v。這就是說從基本等式求解光流場(chǎng)是一個(gè)不適定問題。為了解決光流場(chǎng)計(jì)算不適定問題的方法，還需要加入另外的一些約束條件，從而使方程有解。例如Horn等人依據(jù)同一運(yùn)動(dòng)物體引起的光流場(chǎng)應(yīng)該是連續(xù)的、平滑的，即同一物體上相鄰點(diǎn)的速度是相似的，那么其投影到圖像上的光流變化也應(yīng)該是平滑的這一特點(diǎn)，提出了一種利用加在光流場(chǎng)上的附加約束，即整體平滑約束來將光流場(chǎng)的計(jì)算問題轉(zhuǎn)化為一個(gè)變分問題。 光流法的優(yōu)點(diǎn)21

19、在于光流不僅攜帶了運(yùn)動(dòng)目標(biāo)的運(yùn)動(dòng)信息，而且還攜帶了有關(guān)景物三維結(jié)構(gòu)的豐富信息，它能夠在不知道場(chǎng)景任何信息的情況下，檢測(cè)出運(yùn)動(dòng)對(duì)象。但是光流法需要較高的圖像幀采樣率，而且大多數(shù)光流的計(jì)算耗時(shí)，實(shí)時(shí)性和實(shí)用性都較差。另外，由于算法涉及偏微分，因此抗噪性能比較差。 2.2運(yùn)動(dòng)目標(biāo)跟蹤 運(yùn)動(dòng)目標(biāo)跟蹤(Motion tracking)主要是針對(duì)一段視頻序列，實(shí)現(xiàn)對(duì)運(yùn)動(dòng)的實(shí)時(shí)跟蹤，記錄目標(biāo)的運(yùn)動(dòng)軌跡，為后面的目標(biāo)行為分析提供依據(jù)。如何對(duì)目標(biāo)進(jìn)行高效的模式匹配以及如何有效的適應(yīng)目標(biāo)自身的運(yùn)動(dòng)變化、排除場(chǎng)景干擾，是一個(gè)優(yōu)秀的跟蹤方法必須解決的兩個(gè)關(guān)鍵問題。這兩個(gè)問題反映到跟蹤算法的性能上就是算法的實(shí)時(shí)性和穩(wěn)健

20、性。目前比較常用的運(yùn)動(dòng)目標(biāo)跟蹤方法包括以下幾種，下面分別進(jìn)行介紹。 2.2.1基于區(qū)域的跟蹤 基于區(qū)域匹配的跟蹤方法(Regionbased tracking)就是把圖像中運(yùn)動(dòng)目標(biāo)的連通區(qū)域的共有特征信息作為跟蹤檢測(cè)的一種方法。在連續(xù)的圖像中有很多種區(qū)域信息，如顏色特征、紋理特征等。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(jì)算區(qū)域的原始目標(biāo)之間的相關(guān)性來確定跟蹤目標(biāo)的位置。基于區(qū)域的跟蹤方法我們可以選取整個(gè)區(qū)域的單一特征來實(shí)現(xiàn)跟蹤，但是實(shí)際跟蹤過程中單一的特征不太好選擇，所以一般采用運(yùn)動(dòng)目標(biāo)的多個(gè)特征來進(jìn)行跟蹤。 例如：Wren用小區(qū)域特征進(jìn)行室內(nèi)單人的跟蹤9。該方法將人體

21、看作由頭、軀干、四肢等身體部分所對(duì)應(yīng)的小區(qū)域塊的合體，利用高斯分布建立人體和場(chǎng)景的模型，屬于人體的像素被歸屬于不同的身體部分，通過分別跟蹤各個(gè)小區(qū)域塊最終完成對(duì)整個(gè)人體的跟蹤。 2.2.2基于輪廓的跟蹤 基于輪廓的跟蹤方法(Contourbased tracking)的思想就是利用運(yùn)動(dòng)目標(biāo)的邊界輪廓作為輪廓模板，因?yàn)檫\(yùn)動(dòng)目標(biāo)邊緣特征能提供與運(yùn)動(dòng)方式、物體形狀無關(guān)的目標(biāo)信息，在后繼幀的二值邊緣圖像中跟蹤目標(biāo)輪廓，并且該輪廓能夠自動(dòng)連續(xù)地更新。近年來發(fā)展很快的兩種輪廓匹配的跟蹤算法是主動(dòng)輪廓線跟蹤算法(snake)和基于hausdorff距離的輪廓跟蹤算法。 Peterfreund10則采用基于卡

22、爾曼濾波的活動(dòng)輪廓來跟蹤非剛性的運(yùn)動(dòng)物體。相對(duì)于其它的跟蹤算法，基于輪廓的跟蹤方法具有計(jì)算復(fù)雜度低的優(yōu)點(diǎn)，如果開始時(shí)能夠合理地分開每個(gè)運(yùn)動(dòng)目標(biāo)并實(shí)現(xiàn)輪廓初始化的話，即使在有部分遮擋存在的情況下也能連續(xù)地進(jìn)行跟蹤，然而實(shí)際中初始化通常是很困難的。 2.2.3基于模型的跟蹤 基于模型的跟蹤方法11(Modelbased tracking)是通過攝像機(jī)和監(jiān)控場(chǎng)景的幾何學(xué)知識(shí)，將一個(gè)有精確幾何開關(guān)的三維模型投影成圖像，根據(jù)圖像中的位置變化來進(jìn)行跟蹤。目前主要涉及對(duì)人的跟蹤應(yīng)用，例如對(duì)人建立紙板模型(四肢、軀干等)進(jìn)行匹配。以人為例，傳統(tǒng)的人體表達(dá)方法有線圖法、二維輪廓、立體模型等?；谶\(yùn)動(dòng)模型跟蹤方法

23、的顯著優(yōu)點(diǎn)是即使在環(huán)境復(fù)雜的情況下，利用模型知識(shí)的結(jié)果，就可以較好地得到跟蹤結(jié)果。但是這種方法的 最大缺點(diǎn)就是計(jì)算工作量太大，實(shí)時(shí)性差，不太實(shí)用。2.2.4基于特征的跟蹤 基于特征的跟蹤方法8(Featurebased tracking)不考慮運(yùn)動(dòng)目標(biāo)的整體特征，即不關(guān)心目標(biāo)物體是什么，只通過目標(biāo)物體的一些特征如目標(biāo)的形狀、面積、顏色、位置等信息來進(jìn)行跟蹤。采用基于特征的跟蹤方法時(shí)主要包括特征的提取和特征的匹配兩個(gè)過程。在特征提取中要選擇適當(dāng)?shù)钠ヅ涮卣鳎⑶以谙乱粠瑘D像中提取特征；在特征匹配中將提取的當(dāng)前幀圖像中目標(biāo)的特征與特征模板相比較，根據(jù)比較結(jié)果來確定目標(biāo)，從而實(shí)現(xiàn)目標(biāo)的跟蹤。最常用的基

24、于特征的跟蹤方法就是計(jì)算目標(biāo)的質(zhì)心位置，將相鄰兩幀中質(zhì)心距離最近的目標(biāo)看作是同一目標(biāo)，從而完成跟蹤。基于特征的方法比較簡(jiǎn)單，不受目標(biāo)整體的影響，可以解決部分遮擋問題，跟蹤方便，特征的選擇和特征的提取效果是影響算法性能的關(guān)鍵。缺點(diǎn)就是伴隨著復(fù)雜運(yùn)動(dòng)，剛體運(yùn)動(dòng)目標(biāo)的特征提取就會(huì)產(chǎn)生困難，特別是在運(yùn)動(dòng)初始化的時(shí)候。 2.2.5基于粒子濾波的跟蹤 所謂濾波，就是從帶有干擾的信號(hào)中得到有用的信號(hào)的準(zhǔn)確估計(jì)值。濾波理論就是在對(duì)系統(tǒng)可觀測(cè)信號(hào)進(jìn)行測(cè)量的基礎(chǔ)上，根據(jù)一定的濾波準(zhǔn)則，采用某種統(tǒng)計(jì)最優(yōu)的方法，對(duì)系統(tǒng)的狀態(tài)進(jìn)行估計(jì)的理論和方法。粒子濾波算法37-38(Particle Filter)是一種蒙特卡羅(Monte Carlo)仿真求解貝葉斯概率的實(shí)用算法，主要解決非線性非高斯的問題。它的核心思想就是用一些離散的隨機(jī)采樣點(diǎn)(粒子)來近似表示目標(biāo)狀態(tài)變量的后驗(yàn)概率密度函數(shù)。所謂粒子，是描述目標(biāo)狀態(tài)的一種可能性(一個(gè)點(diǎn))，濾波就是要濾出目標(biāo)最可能的狀態(tài)，在估計(jì)理論也指由當(dāng)前和以前的觀測(cè)值來估計(jì)目標(biāo)當(dāng)前的狀態(tài)。在目標(biāo)跟蹤問題中，可以將位置視為目標(biāo)的狀態(tài)，也可以將位置、速度、加速度等視為目標(biāo)的狀態(tài)。 粒子濾波原理的實(shí)質(zhì)就是利用一系列隨機(jī)抽取的樣本(粒子)，來代替狀態(tài)的后驗(yàn)概率分布，當(dāng)粒子的個(gè)數(shù)變得足夠大時(shí)，通過這樣的隨機(jī)抽樣方法就可以得到狀態(tài)后驗(yàn)分布的很好近

相關(guān)知識(shí)

第二章 運(yùn)動(dòng)目標(biāo)監(jiān)測(cè)和跟蹤
健康監(jiān)測(cè)：實(shí)時(shí)跟蹤健康指標(biāo)和運(yùn)動(dòng)數(shù)據(jù)
目標(biāo)追蹤的新里程碑：DeepSort算法與目標(biāo)運(yùn)動(dòng)軌跡繪制
運(yùn)動(dòng)減脂：減脂監(jiān)測(cè)與評(píng)估：跟蹤關(guān)鍵指標(biāo)，掌握進(jìn)度與效果
在家做有氧運(yùn)動(dòng)如何設(shè)置合理的運(yùn)動(dòng)目標(biāo)和計(jì)劃？如何跟蹤效果
關(guān)愛健康 醫(yī)療跟蹤設(shè)備可監(jiān)測(cè)生理參數(shù)
applewatch睡眠跟蹤在哪檢測(cè)
技術(shù)與健康：測(cè)量和跟蹤體重的基本應(yīng)用程序
浙江華電臺(tái)州玉環(huán)一期北區(qū)154MW海上風(fēng)電項(xiàng)目環(huán)境跟蹤監(jiān)測(cè)、施工期環(huán)境監(jiān)理及環(huán)保驗(yàn)收相關(guān)服務(wù)招標(biāo)公告
探索蘋果手表神奇功能：精準(zhǔn)監(jiān)測(cè)血壓跟蹤

網(wǎng)址: 第二章 運(yùn)動(dòng)目標(biāo)監(jiān)測(cè)和跟蹤 http://m.gysdgmq.cn/newsview1895060.html