电子信息工程毕业论文-基于卡尔曼滤波目标跟踪算法的研究.doc

毕业论文（设计） 题 目 基于卡尔曼滤波目标跟踪算法的研究 学生姓名 曾玉洁学 号 20111305037 院 系 电子与信息工程学院专 业 电子信息工程指导教师 张艳艳二一五 年 五 月 二十八 声 明本人郑重声明：1持以“求实、创新”的科学精神从事研究工作。2本论文是我个人在导师指导下进行的研究工作和取得的研究成果。3本论文中除引文外，所有实验、数据和有关材料均是真实的。4本论文中除引文和致谢的内容外，没有抄袭其他 人或其他机构已经发表或撰写过的研究成果。5其他同志对本研究所做的贡献均已在论文中作了声明并表示了谢意。 作者签名： 日 期： 目 录第1章 绪论11.1研究背景11.2国内外研究现状11.3本文的研究内容21.4本论文的章节安排3第2章 运动目标检测32.1目标检测的常用方法32.1.1帧间差分法32.1.2背景图像差分法52.2基于形态学的目标检测算法62.2.1 腐蚀72.2.2 膨胀82.2.3开运算和闭运算92.3本章小结10第3章 基于卡尔曼滤波的跟踪算法103.1卡尔曼滤波的简单介绍113.2卡尔曼滤波的递推算法113.2.1卡尔曼滤波算法框图113.2.2卡尔曼滤波各初值的设置123.2.2.1系统状态方程和观测方程123.2.2.2 状态转移矩阵和观测矩阵133.2.2.3系统噪声和观测噪声133.2.3卡尔曼滤波的递推过程143.3本章小结15第4章 基于卡尔曼滤波的目标跟踪154.1运动目标跟踪的常用方法154.1.1基于轮廓的跟踪法154.1.2基于特征的跟踪法154.1.3基于模型的跟踪法154.1.4基于区域的跟踪法154.2静态背景下基于卡尔曼滤波的目标跟踪方法164.2.1单目标跟踪164.2.2 多目标跟踪194.3 本章小结22第5章 结论22致 谢25基于卡尔曼滤波目标跟踪算法的研究曾玉洁南京信息工程大学电子与信息工程学院，江苏 南京 210044摘要：本论文先借助Kalman滤波算法来建立数学模型，然后使用Matlab语言来实现动态目标的跟踪实验。预测跟踪目标的关键在于，怎样从大量有干扰噪声的观测数据中得到所需的参考量的估计值，同时用这一系列数据预测目标下一时刻的状态。卡尔曼滤波的递推过程简而言之概括为，将前一时刻对当前时刻目标状态的估计值和当前时刻的观测数据来得到当前时刻的最优估计值，再对下一时刻的运动状态进行预测，以此循环，达到及时准确跟踪的效果。Kalman滤波使用要求比较严格，必须满足三个条件：动态系统是线性的；观测是状态的线性组合；噪声是附加的，而且服从正态分布。在这三个条件不充分的情况下，卡尔曼滤波可以正常发挥作用，但是会暴露其劣势。关键词：卡尔曼滤波；目标跟踪；目标检测；Target Tracking Algorithm Based On Kalman FilterZeng Yujie School of Electronics & Information Engineering，NUIST，Nanjing 210044，ChinaAbstract： In this thesis ，At first ,we use Kalman filter algorithm to build mathematical model， and then use the Matlab language to realize the dynamic target tracking experiment. the key of estimating tracking targrt is How to get the estimation of the required amount of reference frome observation data with noise,at the same time ,estimating the state of the next moment by this series of data. The recursive process of Kalman filter in short words summed up as using the estimation of before moment to the current moment and the current observation value to get the optimal estimation of the current time,and then estimating the tracking state of the next moment,in this cycle,realizing timely and accurate tracking results.The requirements of Kalman Filter use is much more strict，it must satisfy three conditions：The Dynamic system is linear；The observation system is a linear combination of the Dynamic system；Noise is additive，and obey the normal distribution.When these three requirements under the condition of inadequate ,the Kalman Filter work normally,but exposes its disadvantages.Key words：Kalman filter；target tracking；target detection.第1章 绪论1.1研究背景我们需要通过感觉来感知这个世界，来接收外界的信息，将我们和客观世界的物体联系起来。人类所接收的信息中超过一半的来自眼睛，眼睛得到的信息也是最直观的。通过它获取的大量丰富多彩的信息，让我们与外界有了交流。可是，人类视野的有限性限制了视觉系统在各领域的有效应用。因此，在科技水平高速发展的今天，有了计算机视觉这一学科的产生，同时推动了利用计算机来处理人类视觉系统有限而处理不了的视觉信息。计算机视觉则是一项综合性的学科，它具备了大量图像图形处理、智能识别、计算机等方面的知识，同时跨越了物理、数学、心理学等多重领域。它的目的是将研究所得的外界几何物体的运动状态、运动位置变化和形状等信息，用计算机语言描述出来，并进行存储，以便于下次对相似信息的识别和理解。 运动目标跟踪技术将图形处理和计算机视觉领域的很多先进技术融合在一起，在军事视觉制导、机器人视觉导航、深水导航、安全监测、及交通管理等许多方面都有广泛的应用。目标跟踪很大部分上受实际环境和运动目标模型的影响，因此加大了基于计算机视觉技术的目标跟踪研究的发展，从而促进了这一分支在计算机视觉领域中的发展。但是，目前的发展仍然不够成熟，那么如何准确跟踪，已成为智能化视频监控系统中一项重要的技术。1.2国内外研究现状Kalman滤波是一种递推算法的数据处理方法，作为数值计算的一种优化方法，它需要有效地与实际应用相结合，然后收集当前系统的测量值，同时结合前一时刻的数据，再根据线性最小方差原则，获得最优估计值，明显改善了动态目标的跟踪精度。卡尔曼滤波器通过过滤掉当前运动目标系统中的观测噪声，从而得到当前时刻目标位置的最佳估计值，因此输出的可以是运动目标的当前位置的状态估计值，可以是运动目标下一时刻的状态估计值，也可以是运动目标前一时刻的状态估计值。我们讨论的基本卡尔曼滤波器是在线性的条件下进行的，而对于非线性系统下的目标的状态估计，我们一般会使用扩展卡尔曼滤波器（EKF）。在此基础之上，更多的一些实用型和非线性，非高斯系统下的的卡尔曼滤波技术也得到了发展。从卡尔曼滤波被发现到现在广泛应用的几十年来，它在涉及了很多领域，例如在人脸识别，图像目标边缘检测等图形图像处理领域有着重要地位；同时，在工程中卡尔曼滤波器也倍受青睐，具体应用有：动态定位系统；经济学，智能导航，无人机拍摄，人机互动，跟踪监控等。在这经济和科技高速发展的二三十年里，计算机技术发展迅速，运动目标跟踪技术作为一项很有前景的项目，在计算机视觉研究领域占据了重要地位，并一直有人对其进行大量的研究，获得了很多的经验。我们可以先将视频进行分帧处理，这样可以将视频的信息用一连串连贯的图像输入到计算机中。同时也促进了图形图像技术的发展，接下来的是更多更复杂的研究。卡尔曼滤波算法的初步研究是在线性高斯条件下进行的，观察噪声和预测噪声的概率分布一般被假设为高斯白噪声。在实际跟踪的应用中，往往由于拍摄环境的变化和运动复杂程度的加大，而导致运动状态很多时候都是非线性非高斯的，因此经常造成跟踪失败。1990年代对粒子滤波的研究，就是为了让在非高斯非线性条件下的目标跟踪更精确。Condensation算法是计算机视觉领域中关于粒子滤波器的第一篇论文，作者是Isard和Blake。之后有一种基于民主整合的跟踪算法，是由Spengler等人提出的。这些算法对后续运动目标跟踪技术的研究是非常有用的。还有一些应用性研究，Maryland大学开发的实时视觉监控系统通过建立外观模型实现了同时对多人的跟踪，在检测和跟踪室外运动行人的基础上，对他们之间简单的交互进行自动监控，而且这一研究被用于军事中无人机的控制；在商业领域中也有目标跟踪的相对应用，如基于视觉的手势识别等技能被IBM和微软等一些国际性的企业有效运用；利用无人机拍摄视频图像，并对数据信息进行分析和处理，这里运用的是多传感器监控。除此之外，外国的很多与图像和视频技术研究相关的期刊和杂志专注于研究最先进的图像处理技术的研究，它们是图像技术和视频跟踪领域的领先者，它引领着研究者在这个领域的研究方向，有IEEE Transaction on Image Processing，Signal Processing等各种杂志，还有IEEE International Conference on Computer Vision， IEEE International Conferencen Image Processing等一些重要的国际会议，这些都是一个很好平台供研究者交流经验与专业知识。20世纪八十年代，我国着手研究目标跟踪技术，到今天，我国在这一领域有了质的飞越，结合智能模式识别和图形图像处理和等诸多先进科技来研制了一批实际的系统，如华中科技大学的图像识别与人工智能研究所，还有很多高校和研究致力于目标跟踪、运动目标检测等方面的研究，并且取得了不俗的成绩。国内的一些研究人员也在这方面取得了很不错的成绩，宁华中等利用基于图像边缘检测的方法提取目标，然后运用粒子滤波器能够跟踪复杂的人体运动；于慧敏等在解决处于运动背景中的目标的检测和跟踪问题的研究上取得了不俗的成绩；罗嘉等在几何模型的基础上提出了一种将目标跟踪与运动估计的稱合变分模型。这些研究者的工作推动着国内该领域的发展。国内也有很多优秀的学术期刊成为了广大视频目标跟踪技术研究者的交流平台，并成为很多初级研究人员的重要参考资料，对计算机视觉领域的发展有很重要的推动作用。如今，视觉跟踪已不止应用在于民用领域了，其应用范围扩展到了在军事领域。Kumar R等人向着在现代战争中，在空战时利用飞机来跟踪敌方空中目标的方向进行研究，并有了一定的成果。Tsao和wen本着在不断变化的战争环境中能有效得定位和跟踪对方目标，并对其进行持续而精确的跟踪的出发点，针对战场上的敌方目标跟踪方向进行了研究。1.3本文的研究内容若需要对某一特定的运动目标进行跟踪检测，并需要对某一时间的运动位置、运动方向、速度等信息进行预先估计，才能达到对目标的控制。本文主要从跟踪单目标和跟踪多目标两个方面来研究对卡尔曼滤波算法，然后利用Matlab仿真工具进行跟踪，再对实验效果进行了分析与讨论。完成视频运动目标的检测。背景图像差分法的基本思想是选取背景模型，然后利用当前模型和背景模型进行差分运算，将得到的二值图像结果值与阈值相比较，大于阈值的是运动区域，小于阈值的是背景区域。对卡尔曼滤波进行研究，完成卡尔曼滤波的递归公式推导。基本目标跟踪算法有五种，基于卡尔曼滤波发的目标跟踪属于基于区域匹配的跟踪算法，首先确定目标在图像中的具体位置，然后经过卡尔曼滤波不断地递归更新，得到一个最准确的路径。最终经过Matlab仿真检验算法的是否可行，对实验结果进行仔细分析，总结出来算法跟踪的准确性和优劣性。1.4本论文的章节安排第一章为绪论，主要介绍论文的研究背景，分析了国内外该课题的在发展状况。第二章是运动目标的检测，利用背景差分法提取目标，然后利用数学形态学方法对检测出来的目标进行优化。第三章为基于卡尔曼滤波跟踪算法的研究，显示简单介绍了介绍了基本的几种运动目标跟踪的方法，然后完成了卡尔曼滤波递归公式的推导。第四章为用Matlab进行仿真跟踪，分别对基于卡尔曼滤波的单目标和多目标的跟踪实验分析。第五章对本文进行总结与展望。本文的流程可以概括为：Kalman滤波递推算法公式推导目标跟踪仿真实验目标检测总结讨论绪论图1.1 本文主要流程第2章 运动目标检测2.1目标检测的常用方法运动目标检测的方法很多，这里介绍帧间差分法和背景图像差分法两种常用的方法。2.1.1帧间差分法帧差法，又名两帧差法。将相邻两帧灰度图像相减，得到一个以二进制形式表达的图像，然后将二进制图像像素值与设好的阈值进行比较，如果得到的结果大于阈值，那么就是运动目标。这种方法在运动目标的检测运算中比较常见，因为易于实现，计算难度也比较小。我们首先将第k帧图片 和第k-1帧图片 进行灰度处理，然后再做帧差运算，公式表示为 （2-1）式中： - 阈值； - 帧差运算得到的二值图像。其中的大小是经验值。阈值过大或者过小都会影响提取出来的目标的完整性。若选取过大，检测出来的目标不完整，T若选取过小，图像噪声会增大，所以要根据经验来适度设置阈值大小，从而能较好地过滤残留的背景部分。接下来，针对不同阈值情况进行了帧差法目标检测的实验，用于实验的图像是从一段大小为320X240，帧速率为18帧/秒的视频中截取的相邻两帧图像，如图所示为不同阈值下帧间差分法所检测到的目标结果（b）（a） （d） （c） （f） （e） 图2.1 帧差法检测目标结果（a）是第k帧灰度图；（b）是第k+1帧灰度图；（c）是T =10的检测结果；（d）是T =30的检测结果；（e）是T =50的检测结果；（f）是T =70的检测结果；（g）是T =90的检测结果；（h）是T =110的检测结果；（h） （g） 2.1.2背景图像差分法背景图像差分法又叫背景减除法，是通过背景图像差分法来获取视频目标进行跟踪；背景图像差分法是现在检测运动目标最常用的一种方法，它是事先将视频分成一帧一帧的图像，然后选取背景模型，再将当前帧图像和背景图像进行灰度处理，接下来两者做减法运算，得到一个二值化图像，然后将二值图像像素值与事先设定的一个阈值相比较，认为大于阈值的就是运动目标，小于阈值就是背景模型。阈值大小决定了检测算法的灵敏度。设图像序列第k帧图片 及建立的背景模型 ，则背景减除法的公式表示为： （2-2） 式中： - 设定的阈值； - 检测后得到的二值图像。通过背景减除法得到的二值图像 中，白色部分代表检测出来的运动目标；黑色部分代表背景。接下来，针对不同阈值情况进行了背景图像差分法的目标检测的实验，用于实验的图像是从一段大小为320X240，帧速率为18帧/秒的视频中截取的两帧图像，如图所示为不同阈值下背景图像差分法所检测到的目标结果： （b）（a） （d） （c） （e）（f） （g）（h） 图2.2 背景图像差分法法检测目标结果（a）是背景灰度图像；（b）是当前帧图灰度图像；（c）是T =10的检测结果；（d）是T =30的检测结果；（e）是T =50的检测结果；（f）是T =70的检测结果；（g）是T =90的检测结果；（h）是T =110的检测结果；2.2基于形态学的目标检测算法数学形态学常用的方法有腐蚀、膨胀、开运算、闭运算等，这些方法主要运用于图像图形处理。我们首先介绍一下腐蚀和膨胀的原理，然后运用开运算和闭运算来进行目标检测的优化。对比以上实验结果，我们可以总结出来背景差分法提取出来的目标更加适合用于视频目标跟踪，所以本文选择背景差分法用于检测运动目标。而以上用于实验的视频是在室内拍摄的，光照变化不明显，下面实验将对一段公路上的车辆行驶视频进行运动目标检测，视频大小为640X360，帧速率为29帧/秒。因为对于在室外拍摄的视频来说，受到光照等环境影响比较大，利用背景差分法提取出来的目标噪声相对而言也会比较大，下图为通过背景图像差分法检测目标效果图：（b） （a） 图2.3 检测出来的目标图像；（a）是背景帧图像；（b）是当前帧图像；（c）背景差分法检测出来的结果；（c）可以明显观察得到，检测出来的图像中含有很多的噪声，这时可以对图像进行数学形态学处理，来使检测出来的目标更加清晰准确。2.2.1 腐蚀腐蚀是将边界小毛刺消除掉，我们可以利用它来去除目标区域多余的东西。在下图2.21中，A是处理过的二值图像（黑点显示部分）；B是结构元素，origin代表中心点。进行腐蚀运算时，拿结构元素的中心点与待处理的二值图像上的每个黑点相对比，如果二值图像的黑点包含了结构元素的所有点，则二值图像中该点保留，否则消除该点；右边是腐蚀后的结果。XBAoooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooOrigin图2.4 腐蚀运算 2.2.2 膨胀膨胀与是腐蚀是对偶的关系。在图2.22中，A是处理过的二值图像（黑点显示部分），B是结构元素，origin代表中心点。进行膨胀运算时，拿结构元素的重点点和处理过的二值图像上的黑点逐个对比，如果结构元素有任意一个点属于二值图像中的黑点，那么这点就是黑点；右边是膨胀后的结果。oooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooOriginABXoooooooooooooooooooooooooooooooooooo图2.5 膨胀运算 2.2.3开运算和闭运算开运算在数学上是先进行腐蚀运算后进行膨胀运算的过程，它能使检测出来的目标区域轮廓变得光滑，去掉小毛刺，目标区域的大小是没有太大变化的。使用的函数为open（A，B）闭运算在数学上是先进行膨胀运算后进行腐蚀运算的过程，利用它可以填充检测出来的目标区域内的细小空洞，连接相邻的边界，使轮廓变得光滑。使用的函数为close（A，B）这里还会用到一个图像填充的函数imfill（X，holes），用于填充图像区域和空洞。在复杂的外界环境变化的情况下，系统噪声也会增强，这时检测出来的目标轮廓可能比较粗糙，目标区域有一些小的噪声孔，这时需要进行多次开运算和多次闭运算来对检测出来的目标进行优化。往往再经过一定次数的腐蚀和相同次数的膨胀之后，提取出来目标会更加效果更佳。图2.6 单个目标经数学形态学方法处理的检测效果图2.6所示，为图2.3（c）经开运算、闭运算和图像填充处理之后的目标检测效当视频中出现了多个目标时的检测结果：（a）（b） 图2.7 多个目标经数学形态学方法处理的检测效果；（a）是背景帧灰度图像；（b）是当前帧灰度图像；（c）是经数学形态学方法处理的结果；（c）2.3本章小结运动目标检测技术是运动目标跟踪技术的基础，本章的主要内容是运动目标的检测，为下面章节的运动目标跟踪提供了依据。首先对运动目标检测用到的相关知识进行简要的介绍，然后通过结合自己所拍摄的视频情况，选择了比较简单的背景图像差分法。运动目标检测技术是运动目标跟踪的基本技术，它是实现精确的目标跟踪的基础。然后采取了数学形态学的处理方法，以检测出来完整和准确的目标。所以，选择合适的运动目标检测方法技术有利于提高运动目标跟踪系统的精确度。第3章 基于卡尔曼滤波的跟踪算法3.1卡尔曼滤波的简单介绍1940年，维纳对最优估计问题进行了研究，然后提出了维纳滤波。Winner滤波使用起来不是很方便，因为它不仅要求信号是平稳随机过程，还需要把所有计算过的数据储存起来，由于维纳滤波器的非递推特性，后续研究者对滤波器的设计有了更进一步的需求。1960年，卡尔曼提出了卡尔曼滤波器。这是一种基于线性最小均方差预测的最优线性递归滤波方法，实质上是一种数据处理方法。维纳滤波是在当前时刻同时处理之前整个时间段内的所有观测数据，这样才能得到目标系统的状态估计值。然而，卡尔曼滤波是递推性质的滤波，它在目标跟踪中不仅利用当前的测量值，而且充分利用以前的测量数据，根据线性最小方差原则求出最优估计值，并建立数学递推模型，来更新目标状态估计值。这两种基本滤波各有各的优点，但在计算机视觉领域来说，卡尔曼滤波更占优势，因为它采取的是递推算法，所以计算量和需要储存的数据量大幅度减少，从时域方面来说，卡尔曼滤波更符合实时更新计算的要求。卡尔曼滤波首先被应用在航天领域，当卡尔曼在NASA埃姆斯研究中心访问时发现，卡尔曼滤波可以有效地利用到阿波罗计划的轨道预测领域，随着斯坦利.施密特（Stanley Schmidt）实现了卡尔曼滤波器，最后在阿波罗飞船的导航电脑使用了这种滤波器。在Swerling （1958）， Kalman （1960）与 Kalman and Bucy （1961）发表.过几篇具有权威性的关于卡尔曼滤波的论文之后，关于卡尔曼滤波的研究和应用开始热门起来。3.2卡尔曼滤波的递推算法3.2.1卡尔曼滤波算法框图在卡尔曼滤波的递推过程中，遵循的是先预测，再实测，最后对估计值进行修正的顺序进行的，在基于卡尔曼滤波的目标跟踪算法中，需要使用每个时刻目标的位置状态信息和速度状态信息。这时需要从视频图像帧中建立目标模板，再将目标从目标模板中提取出来，然后将两者进行相似性匹配，匹配成功的情况下，将此目标模板的信息当作卡尔曼滤波器的输入，在目标被遮挡的情况下，则直接以卡尔曼滤波器的预测值作为目标的位置信息。图3.1 Kalman滤波算法框图利用卡尔曼滤波进行跟踪过程：卡尔曼滤波器利用观测值进行估计运动状态，该过程分为两部分：预测和更新。预测部分主要是对运动目标下一时刻的运动状态进行估计，用到当前运动物体的的状态信息和预测误差协方差；更新部分主要是作出反馈，用当前实际观测值与上一时刻对当前时刻的估计值预测出下一时刻的估计值。不断地循环以上步骤，这就是卡尔曼滤波器的递归原理。卡尔曼滤波器很明显的一个特点是，它是直接作用于以往的所有数据来估计当前的状态值，所以卡尔曼滤波器非常容易实现，同时卡尔曼滤波器的滤波效果在一维空间的运动目标状态估计中有了有效地应用。3.2.2卡尔曼滤波各初值的设置3.2.2.1系统状态方程和观测方程研究对象为视频中的行人，视为在水平线上做匀速直线运动，则写成离散形式的系统状态方程可以表示： （3-1） 观测方程可以表示为： （3-2） 3.2.2.2 状态转移矩阵和观测矩阵在对视频进行分帧处理之后，运动目标在相邻帧图像之间的运动变化缓慢，可近似认为是匀速运动，由运动学公式 （3-3） （3-4） 其中 代表相邻帧时间间隔。这时卡尔曼滤波的状态向量可以表示为： （3-5）分别表示目标的中心点坐标（在此，以标记目标的圆形的圆心来表示）； 分别表示运动时目标中心点在X轴、Y轴方向的运动速度。那么： （3-6） （3-7） （3-8） （3-9）结合匀速运动的运动学特征，将各状态向量用式子写成矩阵形式 （3-10） 其中，状态转移矩阵为： （3-11） 因为观察到的是目标的中心位置信息，故观测向量可以表示为： （3-12） 这里 分别表示第K帧图像的检测模块中，标记目标的圆形圆心的坐标，将观测点到运动目标之间的距离记为H，称为观测矩阵。则 （3-13） 故算得 （3-14） 3.2.2.3系统噪声和观测噪声在（3-1）和（3-2）两个式子中。这里的 分别是4*1维的系统噪声和和2*1维的观测噪声向量，两者互不相关，且两个都是高斯白噪声，则记Q和R分别为W和V的协方差矩阵： EW=0 EV=0； （3-15） （3-16） 系统噪声协方差矩阵Q，和Q的值：（3-17） 观测噪声协方差矩阵R，和R的值： （3-18） 为观测噪声中两个分量的方差，这里设定 ，则观测噪声的协方差矩阵是2*2的单位矩阵。误差协方差矩阵的初始值可以设定为 （3-19） 状态向量的初始值为： （3-20） 根据这些初值和相关公式，对状态不断地进行预测和修正，就可以预测实时图像中运动目标的位置变化情况。3.2.3卡尔曼滤波的递推过程根据以上总结下来卡尔曼滤波一共有以下五个递推公式，（1）系统预测方程： （3-20）（2）预测误差协方差矩阵： （3-21）（3）卡尔曼增益： （3-22）（4）更新后的状态方程： （3-23） （5）更新后的误差协方差矩阵： （3-24）3.3本章小结本章首先介绍了几种常见的运动目标跟踪的而方法，我们可以看到，本课题研究的基于卡尔曼滤波的目标跟踪算法是属于基于区域的跟踪法，在前面一章已经讨论过怎么检测和提取运动目标，这一章节详细推导出来了卡尔曼滤波的五大公式，接下来一个章节便是用Matlab来进行仿真，先检测提取出来目标，然后根据数学模型来对目标进行跟踪。第4章 基于卡尔曼滤波的目标跟踪4.1运动目标跟踪的常用方法4.1.1基于轮廓的跟踪法基于轮廓的跟踪发是在目标进入视野开始变检测运动目标的轮廓信息，随后在跟踪过程中不断更新轮廓参数。基于轮廓跟踪法的弊端是检测出来的运动目标轮廓依赖于初始值，如果初始预测错误，那么后续跟踪便捕捉不到目标。4.1.2基于特征的跟踪法基于特征的跟踪法是选取目标的某个特征进行跟踪。基于特征的跟踪法的缺点是，若选择的目标特征不够明显，又或者在后续跟踪中目标特征丢失了，那么跟踪也将中断。4.1.3基于模型的跟踪法基于模型的跟踪法也叫做基于 3D 的跟踪法，这种跟踪方法的关键是首先建立目标模型相对应的3D模型，然后将目标模型与当前模型相匹配。基于模型的跟踪法优点是可靠，并且运用了3D跟踪法，较为直观，各方位都能观察到。缺点是过于依靠3D模型，这样显得计算难度也会加大，所以不易实现。4.1.4基于区域的跟踪法基于区域的跟踪法是基于时域的目标跟踪方法，主要是运用前一时刻与当前时刻或者当前时刻与下一时刻的匹配程度以及运动区域的状态信息进行跟踪。基于区域的跟踪法的优势是，在一般的视频中，运动目标做的是平移运动，所以应用面比较广，也比较容易实现。一些滤波的跟踪方法，包括卡尔曼滤波方法和粒子滤波方法，都属于基于区域的跟踪法。4.2静态背景下基于卡尔曼滤波的目标跟踪方法4.2.1单目标跟踪在静态背景情况下的单目标跟踪是在拍摄视频时，相机的方向是固定的，背景是静态的，通常采用背景图像差分法来检测运动目标。该实验所用的素材为一段在室内拍摄的单个目标运动的视频，时长为7秒钟，大小为320X240，帧速率为18帧/秒，如图为视频跟踪过程中的的部分截图：绿色圆代表的是预测模型的跟踪路径；红色圆代表的是经卡尔曼滤波更新后的跟踪路径。（b）（a） （d）（c） （f）（e） 图4.1 基于卡尔曼滤波的单目标跟踪效果；（a）是第23帧跟踪图像；（b）是第46帧跟踪图像；（c）是第69帧跟踪图像；（d）是第92帧跟踪图像；（e）是第110帧跟踪图像；（f）是第127帧跟踪图像；通过对上面的六幅图片进行观察，我们可以发现，视频中行人是慢慢进入摄像区域的，因此目标的形状和面基是逐渐改变的，卡尔曼滤波器的圆形跟踪窗口大小随之而变。卡尔曼滤波器在预测运动目标位置的同时对目标的宽度和高度进行了预测，这样可以保持跟踪窗口和在摄像区域视野的目标面基大小一致，从而跟踪比较准确。从跟踪的结果可以看出，两个轨迹基本上是重合的，说明通过卡尔曼滤波方法得到的预测值比较符合实际的观测值。以上实验是在观测点距离视频目标较近，背景单一的情况下得到的跟踪结果，接下来我们跟踪一个观测距离较远，背景略微复杂一点的目标，看看跟踪效果如何，用到的视频为一段大小为320X240的视频，以下为跟踪效果截图：（b）（a） （d）（c） （f）（e） 图4.2 基于卡尔曼滤波的复杂背景下的单目标跟踪效果；（a）是第5帧跟踪图像；（b）是第13帧跟踪图像；（c）是第16帧跟踪图像；（d）是第19帧跟踪图像；（e）是第23帧跟踪图像；（f）是第25帧跟踪图像；通过对以上六副图片的观察，我们可以直观地感受到观测距离变远了，标记跟踪目标的圆形半径明显变小，图4.2（a）为背景帧图像；图4.2（b）目标开始进入视野，标记圆形进行跟踪；图4.2（c）和图4.2（d）正常跟踪；图4.2（e）跟踪略有偏差，没有跟上目标；图4.2（f）跟踪正常。由此可以总结出来在观测距离变远的情况下，目标跟踪结果略有偏差，但大体路线还是保持准确的，这可能是因为背景的复杂程度和光线的变化导致阴影等因素，从而造成了跟踪的偏差。以上两个实验不管是近距离或者远距离，都是单个目标的跟踪，我们来看看在这个程序下的多个目标跟踪情况，视频为一段大小为320X240的视频，视频中有两个运动目标，以下为跟踪效果截图：（b）（a） （d）（c） （f）（e） 图4.3 基于卡尔曼滤波单目标跟踪程序下的多目标跟踪效果图4.3（a）中开始有两个目标同时进入视野，由于光线比较昏暗，只捕捉到了一个目标；4.3（b）中目标渐渐进入视野，继续跟踪；4.3（c）中红色和绿色两个