（电路与系统专业论文）基于SSDA算法改进的运动目标跟踪[电路与系统专业优秀论文].pdf

摘要r7 7 2 5 1 6 摘要 图像的目标跟踪，一直是计算机视觉、图像处理和模式识别领域 非常活跃的课题之一，涉及众多学科，在军用、民用领域有着重要的 应用。正因如此，对目标跟踪的研究吸引了大批研究人员。目前的跟 踪算法主要有：基于相关的跟踪方法、基于特征的跟踪方法、基于模 型的跟踪方法、基于光流的跟踪方法、基于主动轮廓线的跟踪方法。 本文在研究了已有的运动目标跟踪算法的基础上，针对现有跟踪 算法的一些不足，从减小匹配计算量以及减小搜索范围的角度，提出 改进方法。通过对现有的序列相似性检测改进提高了算法的抗噪性 能，并且利用目称的结构特点，有选择地抽取比较点，从而提高算法 速度。介绍了几种运动预测方法，最后结合预测算法，给出一个由运 动预测、区域全局搜索、序列相似性检测匹配算法组合的目标跟踪方 案，通过仿真实验表明该算法的可行性。 关键字：目标跟踪目标检测序列相似性检测奇异值运动预测卡 尔曼滤波相位相关 图书分类号：t p 3 9 1 4 a b s t r a c t a b s t r a c t o b j e c tt r a c k i n gi s o n eo ft h em o s ti m p o r t a n ts u b j e c t si nc o m p u t e r v i s i o n ，i m a g ep r o c e s s i n ga n dp a 挺e r nr e c o g n i t i o n 。i th a sm a n yi m p o r t a n t a p p l i c a t i o n si nm i l i t a r ya n dc i v i lf i e l d s b e c a u s eo ft h i s ，m a n yr e s e a r c h e r s a r ea b s o r b e di ni t n o w ，t h e r ea r ef i v em a i nm e t h o d si no b j e c tt r a c k i n g ： o b j e c tt r a c k i n g b a s e do n c o r r e l a t i o n ，o b j e c tt r a c k i n g b a s e do n c h a r a c t e r i s t i c ，o b j e c tt r a c k i n gb a s e do nm o d e l i n g ，o b j e c tt r a c k i n gb a s e d o no p t i c a lf l o w ，a n do b j e c tt r a c k i n gb a s e do ns n a k e 。 o nt h eb a s i so ft h ee x i s t e dm e t h o d s ，w ef o c u s e do nh o wt or e d u c e t h ec a l c u l a t i o no ft h ek e m e la l g o r i t h m - m a t c h i n ga l g o r i t h ma n dt h er a n g e o fs e a r c h i n g s s d aw h i c hi su s e da st h ek e r n e la l g o r i t h mw a si m p r o v e d i nt w oa s p e c t s ：t a k ec o n s i d e r a t i o no fn o i s ew h i c hc o u l db ei n t r o d u c e dt o t h e s y s t e md u r i n gi m a g et r a n s i t i o n ，p r o c e s s i n g ；m a k e u s eo ft h e c h a r a c t e r i s t i co ft h eo b j e c tt os e l e c tt h ep o s i t i o n sf o rc a l c u l a t i n gt h e m a t c h i n ge r r o r a tl a s t ，ap r a c t i c a b l es c h e m ew h i c hi sc o m p o s e do f m o t i o np r e d i c t i o n ，g l o b a ls e a r c h i n gi nab l o c k ，a n ds s d a ，w a ss i m u l a t e d t h er e s u l to ft h es i m u l a t i o ns h o w ss m a l lc a l c u l a t i o na n dg o o d p e r f o r m a n c eo ft h es c h e m e k e y w o r d ：o b j e c tt r a c k i n g ，o b j e c td e t e c t i n g ，s e q u e n c es i m i l a r i 够 d e t e c t i o na l g o r i t h m ，s i n g u l a rv a l u e s ，m o t i o np r e d i c t i o n ，k a l m a nf i l t e r ， p h a s e c o r r e l a t i o n 2 第一一章绪论 第一章绪论 本章阐述了在图像序列中研究目标跟踪的意义及本文的选题背景；总结了运 动目标跟踪的技术，以及当前的研究现状，并指出了所存在的问题；最后概括了 本文的主要研究工作。 1 1 选题背景和研究意义 图像的目标跟踪，就是在各帧图像中检测用户感兴趣的目标，并在后继各帧 中定位出这些目标。这一问题一直是计算机视觉、图像处理和模式识别领域非常 活跃的课题，涉及图像图形学、最优估计、最优控制、模式识别等众多学科，在 许多方面有着重要的应用。如在安全领域，使用目标跟踪的数字视频监视系统已 开始取代传统的模拟监视系统。数字监视系统可扩展性好，自动化程度高。在军 事领域，己用于无人侦察机战场侦查，巡航导弹末端制导，对地攻击直升机和主 战坦克火力控制系统。 正是由于目标跟踪在军、民等领域有着重要作用，对目标跟踪的研究吸引了 不同国家的大批研究人员。国外对目标跟踪的研究开始较早，随着硬件处理能力 的提高和跟踪算法的改进，己有成熟的产品出现。例如以色列军方研制的火控系 统带有电视跟踪型自动目标跟踪系统，依靠电视( 昼间通道) 热成像( 夜间和恶劣 天气通道) 摄像机输出的图像，自动地跟踪目标，能够在数公里的距离上精确地 锁定目标。国内的诸多大学如国防科技大学、西安电子科技大学、大连理工大学 等也正从事这一方面的研究。 1 2 常用的图像处理和跟踪算法 一般而言，大多数检测和跟踪算法只适用于某一特定情况，检测跟踪一类特 定目标，通用的算法并不存在。对于不同的应用环境、图像类型和性能要求，都 有各自不同的跟踪方法。例如，当图像探测传感器与目标较远，或者传感器本身 性能限制时，得到的目标图像仅有几个像素点，最多几十个像素点。此时的目标 图像并不具备描述目标基本形状的信息，因而可以提取目标的质心或形心，作为 月标的位置描述，并以此建立图像跟踪算法；当传感器输出的目标图像较为清晰 第一耄绪沦 时，则可选择目标边或者拐点作为跟踪系统的输入。下面将介绍一下对目前比较 常用的目标跟踪算法以及嚣个算法存在的问题。 ( 1 ) 基予相关静鼹踩方法。它豹主要愚怒是在滏嚣穰中寻找写上一鞍唾l 嚣 标区域相关性( c o r r e l a t i o n ) 最大的区域 1 。具体做法就是将系统的基准图像 在实时图像上以不同的偏穆值位移，然厝根据一定的相似性度量准则对每一个偏 穆篷下对应熬嚣个鹜豫基准莺豫及与基准圈像鞫释大小懿实辩鹫稼遘行鞠 关处理，根据判别准则和相关处理结果，判断目标在实时图像中的位置。这种方 法在很多应用系统中被采用，是一种最常用的方法，其原因一方蕊是因为它的简 单瞧，另一方嚣是当銎豫中霆标不赘羲时，其它臻踩方法都失效，蠢只有这静方 法还能继续运作。不过，阳于它利用图像间的灰度相关性作为区域相似性的判别 依据，所以一旦连续帧之间光照强度发生变化，或糟耳标运动的姿态发生变化， 对这耱方法豹彩嚷都缀大。 ( 2 ) 基予特征的跟踪方法。对目标特征描述的研究成为这种算法的关键内 容，热俺挺敬特征方l 傻袭薤鋈像僖患瓣数据量大大蘧绩，魏努这举孛蒋 蒌亿捻遴 的本身是否爨有对某些畸变不敏感的性质，同时还希攫这种特征化描述可对更深 层次的处理提供可靠信息。 2 对红外成像制导跟踪模式进行了分析和选择，分 辑院较了中心蠹踪算法、逑缘蠹黥算滚、特征彦弼飘鬻算法、稳关羰踪算法等瓣 特点，并在此基础上提出了多模置信魔和智能控制躐踪算法。当前常用的特征有 质心或形心、目标图像的奇异值分解，目标图像的缎特征等。 ( 3 ) 撼于模型的跟踪方法 3 - 5 。浚方法利用点、线、区域把被跟踪的目标 拟合成一个几何模型，该方法含有高鼷的语义描述和知识，因此，它的可靠性觅 滏。它浆缺点楚计冀萋魄浚大，因为它褥要耗费大豢豹舞阔寒嚣籁复杂静摸蘩， 以处理模型的平移、旋转和变形等，而鼠还需要知j 耋大量关于所袋跟踪目标的先 验知识。 ( 4 ) 基于光流的跟踪方法 6 1 8 1 7 。光流分析照非常有用的运动估计技术， 它大致可分为两种：连续光流法和离散光流法。连续的光流分析法假设物体点的 6 第一鬻绪论 获度在运动前后保持不变，列出光流方程，然后求解。这种连续光流法存在以下 几个问题： ( a ) 遥运数字差分寒馁诗塑像获痰懿绱辙商，馒缮该类方法露噪声 鬻敏 感。 ( b ) 时间开销非常大。 这些闻溪袋霉连续巍浚法在嚣兹较难应焉至l 安舔魏鏊稿鼹黎系统中。与连续 光流法不同，离散光流法不是对整幅图像的每个点都汁算光流，而是只计算特征 点的光流，它首先提取序列图像中的特征点，再通潋特征匹配求褥特征点处的光 浚。襄教竞溅法翡主要稳点在予： ( a ) 对噪声的敏感性降低。 ( b ) 处理图像种很少数的特征点，计算量降低。 不迄，离敬光滚法瞧程在一些不楚，主要是：缨裂豹是耩蘸光浚场，导致瓣 于提取运动目标的精确形状。 ( 5 ) 蒸予主动轮藤线鹣焱踪方法。叁簌1 9 8 7 年鹾。k a s s 蓄先撬爨主动轮纛线 的极小化模烈 9 ，目n s n a k e 模型后，不断有人在他的理论基础上j 赴行改进，先后 提出t b a l l o o n 模型 1 0 、卷积模型 1 1 、o v f 1 2 嗣g g v f 1 3 等改进模型，对 待算方法豹敬遴有a m i n i 稳麓润延运算法 1 4 】。w d l a r n s 酶贪婪算法 1 5 】等。愆 存在一个始终制约s n a k e 成用和发展的麓要问题，因为它要求初德应尽可能靠近 翻标的真实轮廓，这在某然情况下是赡以实现的。目前大多采用手工选取的方法 寒竣嚣秘戆透赛，这耱方式，特甏是对不蕊羽静銎栎，不仅穗当繁续，蠢虽绘轮 廓线的自动嫩成造成了困难，此外手工设置的初始点很难达到很商的密度，而密 度低就不能完整地表达轮廓上的细节。 1 3 本论文研究的_ 主要肉容及章节安排 本论文通过理论与实验相结合的方法对运动目标跟踪中的烛问题进行了 磺究，全文共出6 章组成： 第一章，绪论。 第二章，研究目标检测的方法。目标检测是目标跟踪的前提，是图像处理中 的一个重要缌成部分。在送章，根据被处理豹豳像蹩运动的还怒静止的，将嗣 第一章绪论 标检测分为静止图像中的目标检测以及运动图像中的目标检测，介绍一下这两种 情况下目标检测的方法。 第三章，研究目标匹配的算法。图像匹配在目标跟踪中地位很高，是跟踪的 核心。首先研究了普通相关匹配，由于其匹配过程非常耗时，根本无法用于实时 跟踪，故紧接着又研究了速度较快s s d a ，然后针对其缺点，介绍了一种改进的算 法。改进的算法在速度、抗干扰性能上比原s s d a 算法提高很多。然后又介绍了 两种抗旋转、缩放变换的匹配算法一矩不变算法与图像奇异值不变匹配算法，并 通过线性代数的知识从理论上证明了奇异值在图像算法中的不变性。 第四章，研究运动预测算法。在第三章中讨论的几种图像匹配的算法，采用 的搜索方法是全局逐一搜索的，计算量比较大，本章将讨论通过运动预测来减小 搜索范围，从而减少目标跟踪中的计算量。介绍了几种预测的方法：线性预测、 二次曲线拟合法、k a l m m l 滤波法。并针对目标跟踪过程中可能出现的背景移动提 出用相位相关法计算背景运动，并分析了实际处理与理论上的偏差现象。 并最 后通过分析选择一个目标跟踪的方案，从仿真结果看，该方案性能很好。 第五章，总结与展望。 第二章目标检测 第二章目标检测 当人观察景物时，视觉系统会对景物进行分割，这样人所看到的就不是一个 复杂景物，而是许多物体的集合。由此可见目标的提取在视觉系统中有着重要作 用，它是人们进行后继处理( 如目标分类、识别) 的基础。在图像处理中，目标 检测相当于人的视觉系统提取目标，是图像处理中的一个重要组成部分。根据被 处理的图像是运动的还是静止的，目标检测可以分为静止图像中的目标检测以及 运动图像中的目标检测。本章将简单介绍一下这两种情况下目标检测的方法。 2 1 静止图像中的目标检测 在静止图像中，可以利用的信息很少，常采用的方法都是基于灰度处理的。 如：固定闽值的二值化、无监督、自适应的0 t s u 二值化方法等。 2 1 1 固定阈值的二值化 根据一个指定的阈值，对图像进行分割，大于该阈值的认为是目标( 或背景) ， 小于该阈值的则是背景( 或目标) 。采用固定阈值分割图像，适合于目标与背景 有较强对比度时的分割。这种方法计算简单。但由于实际中背景与目标都是比较 复杂的，两者的对比度并不是足够的强，所以采用这种方法效果并不是很好。 2 1 2o t s u 分割算法 0 t s u 1 6 方法是经典的非参数、无监督自适应闽值分割方法。理想情况下， 存直方图上分别代表物体和背景的两个峰之间有一个明显的谷，谷底就是最优闽 值。但在一些实际的图像中谷底很平，直方图上的双峰特性并不明显，这时寻找 最佳阈值就比较困难了。o t s u 方法就是针对这种情况提出的，并且它不需要其 他先验知识，是一种常用的图像分割算法。 0 t s u 算法利用图像的零阶累积矩( c u m u l a t i r em o m e n t ) 、一阶累积矩来最大 化判别函数，选择最佳阈值。假设图像的灰度区间是0 2 5 5 ，则闽值为k 的灰 阶将图像分为两个部分：一类是灰度位于0 一k 内的点，另一类是灰度位于k + l 9 第二章目标检测 一2 5 5 之间的点。设灰阶为，的点出现的概率为p 。分别求出这两类点的零阶矩、 一阶矩： 0 9 ot 2 0 91 女2 ，= k p ， ，= 0 ，= 255 p ， ，= k + l l = t o t = ，4p ，珊o t ，= 0 ，= 2 55 l 女= ，8p ，l 女 l = k + 1 两类点集合的方差分别为 k 盯。2 = ( ，一。女) 2p ，仞。t ，= o 2 5 5 仃1 t2 = ( z 一1 女) 2p ，1 t ，= k + 1 2 1 1 2 1 2 2 1 3 2 1 4 2 1 5 2 1 6 定义判别函数为： 11 吖= 咏+ c l 概， 2 1 7 如果某个k 使得吒。2 最小，则表明以该分割点处分割的每一部分更聚集在一 起，分割效果最好。这个k 就是经过0 t s u 方法计算出来的阈值，是使得类内方 差最小或类间差最大意义下最优的阈值。设待处理图像为图( 2 1 ) ，其灰度直方 图为图( 2 2 ) ，双峰特性并不明显，采用0 t s u 方法计算出阈值为1 2 5 ，用它二值 化图像，得到图( 2 3 ) 。 第二章目标检测 图( 2 1 )图( 2 3 ) 图( 2 2 ) 对比图像( 2 1 ) 与( 2 3 ) ，可以看出即使在图像灰度直方图双峰特性不明显的 时候，使用经过o t s u 方法计算的阈值来提取目标的效果还是比较好的。 2 2 运动图像中的目标检测 在运动图像中提取目标也可以采用上面的方法，但这样做的计算量很大( 固 定阈值虽然计算量小，但在实际景物图像很少能采用该方法) ，完全没有利用图 像序列的信息，下面的方法将利用多帧的信息检测静止背景下的目标，运动的背 景下目标的检测首先采用后文介绍的方法( 第四章) 估计背景运动，然后再采用 静止背景下目标检测的方法来检测目标。 静止背景下的目标检测方法主要可以分为基于特征的方法、基于光流场的方 法、相邻帧求差值的差分法、自适应背景相减法以及背景模型法。基于特征的方 法从相继两幅或多幅不同时刻的图像中抽取显著特征，利用了特征位置的变化信 息来检测目标。基于光流场的方法是通过计算图像的光流场，然后根据光流信息 检测目标。基于相邻帧差的瞬时差分法以及自适应背景相减法可以归为基于图像 问的差分法。背景模型方法是使用背景的参数模型来模拟背景图像的像素值，通 过判别新到的像素值是否与这个模型相匹配来实现目标像素的检测。下面将逐一 介绍。 第二章目标检测 2 2 1 基于特征的方法 基于特征的方法是利用特征位置的变化信息来检测目标的。通常分为三步 ( 1 )从相继两幅或多幅不同时刻的图像中抽取显著特征，如与拐角、边界、 有明显标记的区对应的点、线或曲线等。 ( 2 ) 在图像帧间寻找特征点的对应关系。 ( 3 ) 依据这些特征之间的对应来计算物体的结构( 形状、位置等) 和运动信息。 基于特征方法的优点在于抗噪性能好，适用于长时间大运动量的处理。但复 杂点是特征提取和对应问题，并且目前的方法在求解三维运动参数中还含有个 需要先验知识才能确定的因子。 2 2 2 光流法检测目标 当物体运动时，在图象上对应物体的亮度模式也在运动，从而称光流是图象 亮度模式的视在运动。光流法的主要优点在于对目标在帧间的运动的限制较少， 可以处理大的帧间位移。最初光流场的计算是由h o r n 和s c h u n c k 1 7 提出来的， 卜- 面将对其做简单介绍。 微分法是基于光流连续性的，这个概念是仿照流体动力学产生的，在这里运 动的是光信号，也就是灰度。在流体动力学中，流体质量密度p 的连续性方程为： 詈+ v ( 即) = 0 2 - 2 - 1 该方程对二维和三维流体均有效，它以微分方程的形式反映了流体中的质量 守恒，密度的瞬变被流体密度，妒的散度所平衡。 考虑光流时，p 由灰度g 代替，同时由于灰度是不会积累的，所以上式可以简化 为： 詈+ 酏= 0 2 2 2 2 这一方程就是光流方程( o f e ，o p t i c a lf l o we q u a t i o n ) 。对于一维的情况，光 流的连续性表现为简单的形式： 筹二章疆标检测 o 二：羔= ! 詈棚塞= o 2 2 3 从中可以枣接确定一维遮度： 一警妻 2 2 。4 西苏 “ 对于二维的情况，光流方程为： 詈蝴斑= 。 2 卫5 其中“= g i + z y j 所以仅仅有光溅方程只能褥封： n 2 阿a g a a t 旷2 一鲁， 2 圳 这一现象称为孔径趣麟( 动态图像分析李智勇，沈振康，杨t e g ) 。解决的 办法：在物体表明的其它点也计算某个段，而这个以：如栗两$ 露与前面的。方 向垂直，则物体的运动遵腱声= h 。q + 段2 岛，q ，岛分别是两个计算出的速度方向 豹单位矢量。 “。“芹l l s c h u n c k 给出了计算光流场的思路：h o r n 辩l s c h u n c k 根据同一运动物体 雩l 起豹光漉臻盛是连续戆，乎海静，嚣提出了如下黪趣在光流场f 段1 上黪附加 一， 约束，即要对宅； 曩2 晦n 案) 2 + 警灿( 静2 ) 蚴 z 。z 。z 尽可能的小a 另一方面，幽基本等式，当然要求： 芑。班絮溉寺+ 寺1 2 蚴 z 曩s 也要尽可能的小于是h 。r n 和s c h u n c “将光流场( 竺 的计算归结为求如下的变分 游蘧酶察： 肌c 挚2 + 罄n 学n 够n + 吐+ 段+ 寺+ 盼十( 堡) 2 柳训。z z 。 第二章目标检测 其中五是一参数，它决定了上述两种误麓( 一种是偏离光滑性要求的误差e s ，另 种是偏差基本等式的误藏e c ) 之间的相对权重。当图像灰度值的测量是精确的， n e c 应绘软燹大懿重褪，这嚣壹豹曼篷霹疆取褥，l 、一黧。爰之，当鬻像获凄逡豹测 蹩中含有很多噪声，因而e c 这一项不能反映对基本簿式的偏离情况，五可取较大 ( 小于1 ) 的值。 上瑟套绥豹党滚冀法，诗冀夔是图豫中每个豫豢患豹毙浚，飘越又穆为髑爨 光流法。虽然基于光流的方法不需要避行连续图像间特征的匹配，根据假设和一 嫂其它的信息就可以计算出物体的运动和结构，但光流计算在理论上和实际上仍 存在诲多不避之处： ( 1 ) 只邋用于短时间小逡动量的处理。光流计算的基本等式怒假定相邻两幅 图像中对应两点的灰度值不变而得到的。在这个假设条件下，首先要求相邻两i 嚆 謦傣霾疆瓣溺t 跑较短，黉求速度毖缀小予2 0 令像素枣囊。 ( 2 ) 易受噪声干扰。该算法用到了微分运算，而微分运算是对噪声敏感的， 阶数越高，对噪声越敏感。 ( 3 ) 诗冀速度馒，误夔较大。 正是由于这些缺点，如果没有特别的硬件装黄，报难应用于序列图像的实时 性操作。 2 2 3 差分法 列用视频序列中连续掰帧或几帧的溷豫差值来掇取目标。下圈是差分法的基 本思路： 首先，计算两帧的藏值： 逸( 置y ) = | 五茗，y ) 一五一i ( x ，硎 2 3 1 然后，对于得到的麓值图像d ( x ，y ) ，取一个闽值t ，认为如果d ( x ，y ) 大于 t 则表示该点是物体的边缘，反之则认为该点是背激或者物体内部的点。将物体 边缘点连接麟寐，诗算繇毽淘豹蟊积，瓣采压积大予莱阂僮两认为是真实懿莲 标，否则是虚假目标。 第二耄洱标检测 ( a ) 第k 桢( b ) 第k + 1 帧( c ) 相减褥到的检测鹜标 图2 4 圉( 2 4 a ) 、( 2 , 4 。b ) 是图像序列中的聪帧，( 2 ，4 c ) 悬慕媚差分法捻测的目标，训 以看出：在图像背景穰简肇盟目标运动不大的时候，差分法可醵稔测出鹜标，算 法复杂度低，便于实时使用，由于相邻骶帧的时间间隔一般比较斑，因此该方法 黠光线变化不敏感。该方法的缺点是搀取的丑标有纛影，强标的边缘细节模糊。 2 2 4 自适_ 陂背景相减法 参考文献 | 鞠黯予蘩本懿差篷法遘行竣进，提爨一秘垂逶瘟熬蜚景媚减法， 具体改进如下： ( 1 ) 改变以点差异的变化检测为以点为中心的旗子块的差分图像，这样可以 在一定程度上消除噪声熬澎舔。 ( 2 )对差分图像的二值化处理采用自适应统计最佳二值化方法，区别前景 图像及目标阁像的位置，改进了使用固定闽值所带来的缺点 ( 3 )稀耀形态学方法去狳噪声予貔熹，羁蕉恣鲻毪分辑、溪涂空弱处瑗以 及区域标记完成目标检测分析和实现完整提取目标。 参考文献 1 8 1 中的仿嶷实验表明使用了这种自邋应的背景相减法的确能够 检测爨完整懿嚣标区域。 2 2 5 背最模型法 基于背豢建模的方法楚嚣前运动分割中最常用的稀方法，它蹩稻埽当静掰 像与背景图像的差分来检测运动区域的一种技术。该方法的关键鼹背景图像的描 述模型即鸳袋模型，它楚鹜彖瀵减法分割蔻景弱标的蒸础。背景模型有单模态翻 第二耄毽标检测 多模惫两静 1 9 。前者在每个背景点上的颜色分布魄较集中，可以用单个概率分 布模型来描述，后者的分布则比较分敝，需要多个分布模型来熬删描述。自然抖 申嚣诤多景物窝霰多入逡褥髂，驽表露藤渡绞疆攒鹩瓣袭、飘扬魏旗蜒、盗襁器 荧屏等，都黧现出多模态的特性。最常用的描述背景点颜色分稚的概率模型燕离 斯分布( 正态分布) 。 骛景慈筷戆方法是嚣靛静壹摄橡税潺囊系统中使灞褥最轰广泛懿方法。巍予 其算法速廉快便于实现，疆加有利子蕊在实时系统中的应用，方法也趋予成熬。 爿前的研究方向是怎样将该方法扩展剿可以适应运渤摄像机模裂下的运动视僦 蓉统中。 小结： 霹标捡溅是霆爨鼹黥瓣蠡提，楚黼豫蹙瑾中靛个重要缀裁藩分。掇摄不 同的情况，本章简单介锱了几种目标检测的方法，并分析了各个方法的特点。 第三章溷像匹配 第三章图像匹配 目标跟踪就是在连续的图像序列中能够捕捉指定的目标，为了提高跟踪的准 确性，就要不断地根据新图像来调整跟踪的对象，也就是要让跟踪系统知道在当 前鹜豫中，瓣标是嚣么，在耀里，这藏鬻要圈像豹黩澄，图豫区嚣l 在妥标舔踪中 非常重要，题跟踪的核心。 图像匹配就是根据已细模式的图像在一幅陌生图像中寻找对应该模式的子 鬻像酶过程，它是圈像理解帮辊器褫滗| l 留基疆。夔饕辩学技术懿发震，鹜豫蘸辩 技术已成为图像信息处理领域中的关键技术之一，有着广泛的应用背景，在工、他 检测、遥感测量、生物医学、交通管理和图像数据库检索等领域中。匹配研究涉 及舞了诲多鞠关知识领域，懿图像采铎、交换、预簸淫、努害l 、将篷提取等，并 且将计算机视觉、多维信号处理和数假计算方法等紧密结合。 目前的甄配方法主要柯：基于灰度相关的匹配、基于特征的贩配等。基于灰 凄穗关的匿酸就是逐檬素魄蠲一定大小豹图豫灰度激阵与参考圈像的灰凄怒臻 按某种相似性度量方法谶行搜索比较的匹配方法，篡优点是方法简单、抗干扰性 能好、易于硬件实现，缺点是计算量大。基于特征的题配算法是麓先提取反映图 像重要信意静特征，然纛豁这些特蔹为对象送行嚣酝。这垂的特铤可戮是曩搽静 质心，也可以是目标上的任意一点，但必须保证这一特征具有高度的稳定性：不 易受外界因紫如光照强度的变化、噪声等因素的于扰，在目标跟踪中经常使用的 特锰有；不变矩特征，鹜像翡特征奇器德等。基予特征的区配募浚优点是计算速 度提高了，但缺点是算法比较复杂，不易于硬件实现，而且它的魅配性能在很大 程度上取决予特征提取的质量，匹配精壤不高 2 0 1 。 本章主鬟锌对图像蕊凝算法进行磷究，讨论基零的相关匿醚舞法、不变缒蕊 配算法、改进的序列相似性检测算法( s s d a ) ，以及图像的奇异值匹配算法。 3 。1 耱关禚嚣算法 相关匹配算法的基本恩路是：用一个确定的模极在图像的搜索区内逐点进行 获凄戆跑较，然嚣诗算瘩以各点为基患豹帮摸扳形狡楣蘑熬区域与该摸投灰凌戆 第三章餮豫匹配 相似性度量值，根据在各个基点计算的相似度，我出最大的，即液示以该点为赫 点蚋和模投影状相嗣的区域与模板最榴似。 霰设，蕊耱；辏援莛辫 嚣撂强像1 6 1 6( e ) 糁两) 分块耘遮 圈( 3 3 t ) 说骧图像匹配的恻予 对算法改进如下：首先分别计算目标嗣像与特搜索图像的灰度梯度( 水平梯 度或垂真梯度，般而言，实际的圈像不会如图l 那样横平竖直，所以只要计算 一个方囱魏霹戮了) ，并黻藏毽五辩它们进行量纯处瑾；大予鬻篷酶送壤汜为l ， 小于阈馕豹记为0 ，从颓得到二值梯度图，其中记为l 的点是图像的特征点。然 后随机抽取部分特征点对图像进行匹配。 同祥黻上圈为镶，如采计算静楚( b ) 静永平梯度，特征点位子箕垂蠹平分线 第三搴慝像匹配 上，耿若干特征点对图像计算匹配误麓，则很快就能判断( o ，o ) 不熄匹配点。 经过上述两点的改进爝的s s d a 算法流程如下 1 ) 诗冀强器蚕豫与德羧索餮豫各秘禁令方囱麓孺豫梯度。 2 ) 选取用于计算误熬的点：将梯魔图像中梯度大于闽值n 的点作为计算旺 配误差的特征点，在其中随机抽淑栉点，记为( ，五) 、( 之，办) ( 屯，五) 。为了 傈诞睡配算法的潦确往，所取点的数霹占模板内总点数的院铆不能太小。 3 ) 设髯待匹配点( 甜，v ) 一( o ，0 ) 。 4 ) 初始他设置：老= 1 ，e ( u ，r o ) = o 。 5 ) 计算口( ，v ，五) ，如莱p ( “，v ， ) 小于噪声闳德恐，转6 ) ，如果e ( “ ， ) 大于噪声闽值乃则认为这里的误差是由噪声引起的，置e ( 虬v ，五) = o ，并 对臻声点计数。懿祭噪声熹诗数越过噪声点诗数阕菹玛，爨结束本次臻 配，换下一个待嘎酉已点，转7 ) ，如果未超过阔值乃，转5 ) 。 6 ) e a u ，v ，) = 鬈( “，v ，k 1 ) 十p ( “，v ， ) ，比较e a u ，n 女) 与t h r e s h ( k ) 大小，如果小 于则k = k + l 。如聚k = n ，转7 ) ，否则转5 ) 。如果西，u ) 大子t h r e s h ( k ) 则转7 ) 。 乃记下k 篷，懿采还鸯待匹配点，换下一疆酝点，转4 ) ，雷粼转8 ) 。 8 ) 比较静个k ，找出疑大k 对应的位置( 越，v ) ，遮就是要找的躐配点。 3 3 。3 实验结采及分攒 实验采用图像如图( 3 3 2 ) ，待搜索图像大小2 5 6 x 2 5 6 ，目标图像大小4 8 4 8 。对基本的s s d a 算法和改进的s s d a 算法在带青噪声的情况下傲比较。噪 声模蘩是均德为0 ，方蓑为拶2 的高斯嗓声。 第三章图像匹配 待搜索图像目标图像 图( 3 3 2 ) 实验用的图像 比较的性能有： 1 ) 嚣鬻难确度。警蓬配误差在2 象素凌认为莲配成功，计算多次匹配鹣平 均成功率。 2 ) 计算量。在相关匹配过程中是乘加运算次数，在s s d a 中是加减运算次 数。 表1 和表2 是对图像做1 0 0 次瓯配得到的结果，其中噪声均方熬玎= o ，0 4 。 其中改进的s s d a ( 1 ) 算法只对图像做垂直方向梯度，没有噪声控制处理；改进的 s s d a ( 2 ) 簿法羲诗算垂j 啻方两梯凄又骞嗓声控制处理。掰寄s s d a 冀法区瑶蠢过程 中键用的阂值序列为t h r e s h ( 粉= i ，t ，选取的最大匹瓣点数辨= 1 5 0 。 为了与其他算法有个参照，我们同时也将相关法匹配的结果列入表中。相关 法中的裙似度定义为： 跽弦w ( u + i - 1 ，j + v - 1 ) 坝地2 霭篱习黟丽菰丽 3 _ 3 3 由于s s d a 算法的匹配程度与蝴值序列有关，丁越大，计算量就越大，匹配 成功概率也越大，所以全部实验通过改变闽值分两种不同情况进行仿真。 表3 3 1 蹩遴遗不溺的瓣僵设鬣，使褥尼静s s d a 算法静准确度稽似。其中 阈值参数如下： s s d a 算法中的r 驭3 0 2 5 5 。改进的s s d a ( 1 ) 算法中的r 取3 5 2 5 5 ，梯度闽 毽t 1 = 3 0 2 5 5 。改进静s s d a ( 2 ) 算法中静= 4 2 2 5 5 ，稀凌阏镶t l = 3 0 2 5 5 ，噪声 2 4 第三章图像匹配 闽值t 2 = 3 t ，噪声计数闽值乃= 3 。 表3 3 1三种算法的比较( 盯= 0 0 4 ) 算法计算量准确度 s s d a6 4 9 1 0 4 ( 加减运 8 9 算) 改进的5 1 1 0 4 ( 加减运 9 0 s s d a ( 1 ) 算) 改进的3 3 1 0 4 ( 加减运 9 0 s s d a ( 2 ) 算) 相关检测1 0 7 ( 乘加运算) 1 0 0 表3 3 2 是通过不同的阈值设置，使得几种s s d a 算法的计算量相似。其中 闽值参数如下： s s d a 中的丁取1 0 2 5 5 。改进的s s d a ( 1 ) 算法中的丁取3 5 2 5 5 ，梯度阈值 t 1 = 3 0 2 5 5 。改进的s s d a ( 2 ) 算法中的t = 6 0 2 5 5 ，梯度闽值t 1 = 3 0 2 5 5 ，噪声阈 值t z = 3 t ，噪声计数阈值乃= 3 。 表3 3 2 三种算法的比较( o r = 0 0 4 ) 算法计算量准确度 s s d a 5 1 7 1 0 4 ( 加减运 1 6 算) 改进的5 1 1 0 4 ( 加减运 9 0 s s d a ( 1 ) 算) 改进的5 1 1 0 4 ( 加减运1 0 0 s s d a ( 2 ) 算) 相关检测1 0 7 ( 乘加运算) 1 0 0 从仿真结果可见，由于改进的算法( 1 ) 考虑了图像的自身特点，所以在相似 的计算量条件下提高了匹配准确度，而改进的算法( 2 ) 由于加入了噪声控制，可 以进一步提高匹配准确度。总之，改进的s s d a 算法性能比基本的s s d a 提高 第三章凌像廷配 微多，在相同准确性的要求下，计算量可以减少2 5 5 0 。 作为对比，相关检测的计算量最大，基本运算怒乘加运算。s s d a 算法计算 ! 耄小，基本运算是葫藏运簿。 上文比较了s s d a 算法与相关匹配算法的性能，并针对实际威用中算法的不 足提出改避，激进后的算法性能比原算法有所提高。上西只是讨论该算法作为甄 黼算法的性溅，在实际应糟中，可以结合褪一细分鼷搜索策略、三步法搜索策略 等进一步提商性能。 3 。4 匿豫憋奇异筐嚣瓣算法 图像奇异值特征值以其稳定性和它在转置、平移、缩放、旋转和镜像变换下 蹙有静不交性，被谈为是一秘蚕橡茨代数耱经，广泛遭惹予塑像菠懿帮强豫识剩 2 8 2 9 。奇异值特征矢赞具有以下性质 3 0 3 ； ( 1 ) 稳定性图像灰度值出现小的变化时，其奇异值特征矢量不会发生大的 变化。 ( 2 ) 不交聿耋霹霭豫簸簿 菝转餮、疑转、平移帮镜像交换瓣，奄舅篷特链矢 量不发生改变。 基于这燎特性的奇异值特征矢量恩有良好的抗噪声和几何形变的能力，因此 当它用于图像匹配时，得剐了较好的效果。下面以缁放为代表证明奇异值特征傻 翡不变篷： 3 4 1 缩放变换的数学表达 浚磊。是某个矩形图稼瓣灰度矩阵，弼存在两令歪交矩薄( 瓯。鞠圪。) 及对角短 阵人= d i a g ( ，丑，五， ，l 凡，0 ，0 ，l0 ) 使下式成立： a 。n = u 。久。了。 当图像作整数倍的放大变化时，设是图像矩阵厶。中的一个像素点，则 敞大k 倍胡当予将每个豫繁点扩充为妒k 豹矩蓐强墨。 其中毛。= ( 兰尊a 第三章圈缘匹配 。_ m _ _ _ _ 一 变换后的矩阵记为： f q ，ka l 。、 a = |m0m | t , a o t e ld 。e 1 将a 1 做初等变换得到： f 名x么、 a “= fm 0 m f ，设对应的初等变换矩阵为p ，贝u 有：a ”；p a p r 1 4 l 4 j 名”4 7 = 睢瓣甜荔季 3 4 。2 计算a a 。的特缀毽 | 名“童。一曼| = | ( 三耋舅季嚣 五 陋b r a n h i 。- c * a - * b ，i 陋讣i v - c * b i n s m 式2 斜 所有行减去第一行得到得： 扩删k 榭7 1 = l mom | | 3 , 3 + 1 i 枷7 己榭f _ 五| k屯4 a 7 、l om f , 0 lo k 4 a 7 3 3 2 3 3 3 第一列加上最后列得到： 笫三章图像匹配 a a 7 = u a v v 7 a 7 u 7 ：u a a 7 u 7 所以阻净 2 o 。 删馘( 3 3 2 ) - 3 1 ) 捐黼黼卜刎 隐m 刚0 引m k 脓燃归 删。榭。 l 霉戮土式熬值与躯名7 褥行刭式篷毒关，露在土嚣已经诞鞠了 删7 p o 。 也即是4 47 。一五1 = o 时i 么”a 3 ) 如果越l 4 7 i ，七