【运动目标的跟踪和目标检测与仿真研究10000字】

运动目标的跟踪和目标检测与仿真研究目录TOC\o"1-3"\h\u24147第一章绪论 426748一、研究课题的目的与意义 415668二、国内外研究现状 518338三、目标跟踪的难点 610242（一）外界因素的干扰 631638（二）目标的阴影与遮挡 61966（三）跟踪特征难于选择 624607四、论文主要工作 727922第二章Opencv相关介绍 77699一、OpenCV介绍 729551二、opencv安装和环境配置 810866三、opencv的特点 920376四、OpenCV功能介绍 1029508第三章相关理论基础 1114805一、图像处理 1120625二、颜色空间选择 123972（一）颜色空间RGB 1216872（二）颜色空间HSV 1313045（三）颜色空间RGB与颜色空间HSV的转换 131361三、图像二值化 148997四、图像降噪 1515007（一）中值滤波 1521051（二）低通滤波 157804五、图像形态学滤波 1614576（一）膨胀和腐蚀 16674（二）开运算和闭运算 1822097六、本章小结 205411第四章目标识别与跟踪 201661一、视觉系统跟踪的主要流程分析 2022192二、地面目标检测识别方法 2112354（一）光流法 2124629（二）帧间差分法 212258（三）背景差分法 2223116三、运动目标跟踪的算法 2226080（一）质心跟踪算法 2223889（二）Camshfit算法 266628四、本章小结 2826405第五章卡尔曼滤波相关知识及算法 2829539一、卡尔曼滤波介绍 2815321二、基于Kalman滤波的Camshift跟踪算法 2932603三、结果分析 3128886四、本章小结 3228754第六章总结与展望 327752一、总结 3222166二、展望 3320687参考文献 33摘要在计算机视觉领域中，运动目标跟踪是关键问题之一，其在视频监控、军事、视频编码、交通等领域有着重要而广泛的应用。图像及视频运动目标检测与跟踪算法作为计算机视觉领域核心技术之一，已经取得诸多研究成果，国内外学者对运动目标跟踪进行大量、深入的研究，提出许多有效的运动目标跟踪算法。本课题主要利用卡尔曼滤波和Camshift算法相结合，提高运动目标跟踪精度，将算法进行改进，并通过仿真对比实验，提高对运动目标跟踪有效性和优越性。在学习过程中，利用软件程序等对现有的技术进行学习和熟练掌握，对一些算法和程序进行仿真和实现。主要用到的软件包括仿真软件和数据库的使用与配置。希望通过学习和研究已有技术和进行仿真练习和掌握，以及结合本专业已经掌握的知识能对图像处理有更好更深刻的认识和理解。首先对开源视觉库OpenCV和卡尔曼滤波相关的理论知识进行了简单介绍，主要是对其数据库内的函数以及相关应用进行学习；然后介绍了视觉系统中对于图片信息的处理方法，例如颜色空间的选择与转换、图像去噪、图像二值化以及数学形态学滤波等方式方法。最后结合之前所学的理论知识，将开源视觉库OpenCV和卡尔曼滤波等算法相结合，对运动目标的跟踪和目标检测进行仿真，实现好人提高对运动目标跟踪的有效性和优越性。关键字：卡尔曼滤波；目标跟踪；目标识别绪论一、研究课题的目的与意义在计算机视觉领域中，运动目标跟踪是关键问题之一，其在视频监控、军事、视频编码、交通等领域有着重要而广泛的应用。图像及视频运动目标检测与跟踪算法作为计算机视觉领域核心技术之一，已经取得诸多研究成果，国内外学者对运动目标跟踪进行大量、深入的研究，提出许多有效的运动目标跟踪算法。在日常生活中，运动图像是我们接触比较多的，手机录视频，民用无人机视频图像的实时回传，行人、行驶的交通工具以及其他运动物体都应用到对运动目标的跟踪或者检测，因此在现代生活中，越来越多的人去关注和发展对于运动目标的关注，而且这项技术是计算机视觉和数字图像处理的一个热门方向，广泛应用于机器人导航、智能视频监控、工业检测、航空航天等诸多领域。研究对运动目标的检测与跟踪，可以更好的方便我们的生活，甚至可以在军用领域发挥巨大作用。如：可以对患病老人进行实时的跟踪和监视，避免其发生意外；可以对留守儿童进行监视以达到保护目的；可以应用于警方对于嫌疑人的追捕和情报获取中等诸多方面二、国内外研究现状运动目标检测作为计算机视觉技术的一个分支，就是对视场内的运动目标，如人或者交通工具，进行实时的观测，并将其分类，然后分析他们的行为。目前，国际上许多高校和研究所，如麻省理工学院、牛津大学等都设置了针对运动目标检测的研究组或者研究实验室。美英等国家已经研究了大量的相关项目。一些著名的公司和研究机构，如IBM、MICROSOFT、等近几年对智能监控系统进行大龄研究，部分成果已经转换为产品投入到市场。目前在国内的研究机构中，中国科学院北京自动化研究所下属的模式识别国家重点实验室监控研究处于领先地位。他们在交通场景视觉监控、人的运动视觉监控和行为模式识别方面做了深入研究。另外他们也总结了英国雷丁大学VIEWS的车辆交通监控原型系统的研究经验。国内其他大学如上海交通大学、北京航空航天大学也对这方面进行了研究。三、目标跟踪的难点目标识别与跟踪包括很多重点和难点问题，是一个繁琐的过程。目标识别与跟踪的重点问题是在现实情况中地面目标移动的复杂程度、目标与背景之间对比程度和背景的稳定性，甚至可能出现和目标相似的物体出现时导致难以分辨和跟踪、跟踪过程当中目标被遮挡等各种因素。在实现当中各种各样的原因都会影响到跟踪的效果。外界因素的干扰背景因素产生的扰乱是外界因素中的重难点问题，如果背景和目标的颜色、灰度或者形状上比较接近，那么如何把目标从背景中提取出来就是一个难题，提取效果不好就会导致跟踪窗口容易去跟踪其他物体；如果目标进行高速的移动也会使视觉设备难以把目标提取出来，从而影响跟踪效果；如果周围有很大的噪声或者是视觉系统设备的分辨率过低时，也会干扰跟踪。不仅如此，当气候、光等其他因素产生改变时，也会有可能致使跟踪行为失败。（二）目标的阴影与遮挡对于视觉跟踪系统，目标阴影与遮挡的情况经常会发生。如果当背景中亮度产生改变就会造成目标产生一定阴影从而影响跟踪行为；如果目标在一段时间内被完全遮盖住就会导致信息的丢失致使跟踪失败。（三）跟踪特征难于选择一般针对于视觉跟踪系统，利用视觉进行跟踪往往都会选择一些相对比较明显的特征，例如色彩、外形轮廓等等。但是由于在跟踪过程中运动目标的特征信息会不断的发生变化，因此就会致使一些特征信息难以进行判断，因而跟踪效果不好。所以如何选取一个好的跟踪特征是跟踪的一个难点问题[1]。四、论文主要工作通过学习有关识别与跟踪的知识，本文围绕运动目标的识别与跟踪来进行学习介绍。利用Python和OpenCV视觉库搭建仿真实践平台，以下几个方面是本文进行研究的主要内容：1、对开源视觉库opencv相关知识点进行简单介绍2、在视觉图像处理方面，采用颜色空间模型、图像噪声消除、图像二值化处理和形态学滤波的方法对获取的图像进行处理。3、对于卡尔曼滤波以及相关算法进行简单介绍3、介绍相关的目标检测识别的方法4、在目标的跟踪上，主要是对Camshfit跟踪算法进行和Kalman滤波的基本原理进行研究学习介绍以及程序仿真。Opencv相关介绍一、OpenCV介绍OpenCV是一个基于BSD许可发行的跨平台计算机视觉库，可以运行在Linux、Windows、Android和MacOS操作系统上。它轻量级而且高效，由一系列C函数和少量C++类构成，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。OpenCV采用C语言进行优化，而且，在多核机器上面，其运行速度会更快。同时，由于计算机视觉与机器学习密不可分，该库也包含了比较常用的一些机器学习算法。二、opencv安装和环境配置首先在OpenCV官网下载OpenCV计算机视觉库，根据自己的需要下载相应的版本。然后进行OpenCV安装。安装OpenCV也是非常简单，直接双击运行文件，选择相应的安装目录。安装完成后在自己的电脑上添加环境变量，右击“我的电脑”，选择“属性”，在属性界面选择“高级系统设置”，打开系统属性界面，选择“环境变量”，然后在“系统变量”下新建系统变量。添加好环境变量后，就可以建立实例工程了。环境配置好后，实现简单的图片加载，添加必要的头文件。三、opencv的特点是开源计算机视觉，使用目的是开发实用应用程序独立与操作系统、硬件和图形管理器具有通用的图像/视频载入、保存和获取模块具有底层和高层的应用开发包内部代码完全开放，方便于初学者完成快速的入门学习多平台支持快速的图像处理能力和强大的矩阵运算能力统一的结构和编程风格提供一些用于指令集开发的优化代码四、OpenCV功能介绍OpenCV作为一个开源视觉库，不但包含基本的计算机视觉，而且也包含图像监控和目标识别等方面内容，可为用户二次开发提供的理想的应用开发平台。OpenCV主要的应用功能包括以下几个部分：OpenCV具有基础的数字图像处理函数，可以实现对图像或矩阵的滤波、边缘检测等功能，也可以实现对图像数据的采样与差值、图像色彩空间转换、形态学处理以及图像二值化等操作。图像处理功能。对于图像数据可以实现复制、转换、设置、分配、释放数据等操作。包含运动目标检测与跟踪模块函数，例如光流算法模块，背景检测差分模块。输入输出功能。摄像头获取的视觉或者图像文件作为输入，经由OpenCV相关处理，输出视频和图像文件。提供目标识别函数，OpenCV中包含隐马尔科夫模型和运动目标特征法，用以实现目标识别的功能。具备GUI功能，可以实现视频图像的显示、基本事件的处理及控制滚动条等功能。对矩阵和向量可以实现矩阵积、特征值、奇异值、以及解方程等操作。包含各种分析方法。对摄像头的定位。包含队列、树、集合等各种动态数据结构。相关理论基础一、图像处理图像处理的基本流程，首先从视觉系统中提取目标的图像，对于图像的颜色空间进行选择，选取相对于比较好用的HSV空间模型对图像进行初步的处理，然后对噪音的进行剔除，二值化处理，最后在经过形态学滤波等流程进一步处理识别，输出图像信息，为后续的运动目标识别跟踪提供了理论依据。具体流程图，如图3-1所示。3-1图像处理基本流程图二、颜色空间选择视觉系统经常能够用到的颜色空间模型有RGB、HSV等。其中RGB是目前最常用的颜色系统之一。（一）颜色空间RGBRGB主要是以红、绿、蓝三种颜色作为最基础的颜色，经过这三种颜色相互变化以及叠加可以得到其他不同的颜色，俗称为三基色模式[2]。一般情况下RGB分为256个等级，可以经过控制三个基础色的大小来控制输出的颜色。RGB模型中色度关系如式（3-1）所示：（3-1）依据上式可以建立出RGB的空间模型，如图3-2所示：图3-2RGB空间坐标系从上图可以看出，设（0，0，0）的位置的颜色是黑色，其他三种颜色，红、绿、蓝会根据自身的坐标发生变化。如果当三个坐标值均为最大值时，就是（1，1，1）的位置为白色。如果将（0，0，0）与（1，1，1）的坐标相连接，这条线就是灰度变化线。（二）颜色空间HSVHSV与RGB采用三原色混合来描述色彩的方式不同，而是通过S（饱和度）、V（亮度）和H（色调）来描述色彩。如图3-3所示图3-3HSV颜色空间模型其中S用来描述饱和度，取值为0~1，数值越接近1颜色越饱和，V描述明亮程度，取值是从0（黑色）到255（白色），H则用来描述色相，取值是0~360度，该颜色空间是六棱锥，每一个棱都与一个H分量相应，而S则表示颜色的坐标点与中轴之间的距离，V是六棱锥从底部到定点的数值[3]。（三）颜色空间RGB与颜色空间HSV的转换假设（R,G,B）分别代表颜色的红、绿、蓝的坐标，设是R、G、B中的最大者，设是最小者。要找到（H,S,V）的值，如下式所示：（3-2）（3-3）（3-4）然后通过设定特定的颜色阈值来划分出来目标颜色的范围。通过调节颜色通道阈值，利用二值化的方法显示出来合适的颜色进而找到适合的数值进而对其进行形态学处理，然后与原图像进行“按位与”，最终得到通过颜色特征所识别到的跟踪目标前景图[4]。三、图像二值化图像二值化法主要是依据图像中目标和背景存在灰度值不同的情况，因此可以把图像分解成为不同灰度级的组成，通过设定一个特定值T，把图像中的每一个像素点分开。然后利用产生的二值化图像来得到所需要检测目标的运动信息。设定值Ｔ将图像分成目标和背景两部分，设输入图像g（x,y），输出图像为g`（x,y），如式（2-5）所示则：（3-5）上式就是图像二值化处理的原理，0代表目标信息，1代表背景信息。二值化效果，如图3-4所示：图3-4二值化处理效果图四、图像降噪（一）中值滤波中值滤波原理就是：先通过需要进行处理的像素（x,y）来确定出一个模板，然后把该图像中所包含的像素进行有序调整，然后把中位值设为这个点的像素值。设F（x,y）代表点（x,y）的灰度值，模板的大小用A表示，滤波后表达式[5],如式（2-6）所示。（3-6）中值滤波在特定的情况下，既能够避免图像模糊，同时对图像降噪能够起到特别的效果。如图3-5所示。图3-5（二）低通滤波低通滤波是提前设定出一个函数来只允许低频的信号通过。如式（2-7）所示。（3-7）式中，F（u,v）代表原始图像经过了傅立叶处理后的图像；H（u,v）则是提前设定的传递函数函数；G（u,v）是经过处理之后得到的图像。低通滤波效果如图3-6所示图3-6二值化处理效果图五、图像形态学滤波主要是用来消除图像中的噪声，从而获取到较好的地面运动目标的运动的数据信息。（一）膨胀和腐蚀膨胀的运算符是“⊕”，其定义如式：（3-8）利用模板B的元素与原始图像A进行与运算，不断对图像里所有的元素进行扫描，叠加，计算出图像最大值来替换原图像的像素值。下图是将原始图像A进行膨胀处理的效果图，如图3-7所示。图3-7膨胀处理A⊕B运算程序处理结果如图3-8所示：图3-8膨胀处理效果腐蚀的运算符是“－”，其定义如下：（3-9）利用模板B的元素与原始图像A进行运算，不断对图像里所有的元素进行扫描，叠加，计算出图像最小值来替换原图像的像素值。如图所示，原始图像A腐蚀处理的效果图，如图3-9所示。图3-9腐蚀处理A-B运算处理结果如下图3-10所示：图3-10腐蚀处理效果（二）开运算和闭运算开运算的基本原理是先腐蚀、后膨胀过程。如图3-11所示：图3-11开运算原理效果图图像先被腐蚀去除掉噪声，然后在对处理图进行放大，放大我们需要的区域。程序运算结果如下图3-12所示：图3-12开运算过程效果图闭运算基本原理是先膨胀、后腐蚀的过程。如图3-13所示：图3-13开运算原理效果图图像先膨胀，后腐蚀，它可以去除掉内部的影响。程序运算结果如下图3-14所示：图3-14闭运算过程效果图六、本章小结本章主要对视觉系统中的图像处理的基本流程进行主要的介绍。先对于图像处理的总体流程以图的方式进行了描述，然后对于每一步的流程分别进行了简单的讲解。在颜色空间的选择上主要介绍了视觉常用的颜色空间模型有RGB、HSV等；图像去噪的滤波方法上介绍了中值滤波和低通滤波两种滤波方法；进一步处理方面介绍了自适应阈值法二值化和数学形态学滤波法，为后面章节中地面目标识别跟踪提供了理论依据。目标识别与跟踪地面目标的识别是指从视频序列中将目标提取出来，并且获得目标的各种信息。运动目标识别是实现目标分析、目标定位、目标跟踪等功能的基础。一、视觉系统跟踪的主要流程分析1、收集图像数据：通过视觉设备来捕获到视频信息，将视频图像信息传给控制板。2、视频图像信息的处理：利用颜色空间选择、图像降噪、图像二值化、图像形态学滤波等方法对图像进行处理。3、移动目标识别：目标信息的识别是实现目标跟踪的必备阶段。4、目标跟踪：通过识别目标后利用目标的数据信息进行跟踪[6]。二、地面目标检测识别方法（一）光流法光流法是通过图像中每一个像素在时间上发生的不同的改变和图像之间本来的相关性来提取出目标的信息。一般来说，光流是根据目标本身或者视觉系统的移动而产生的。光流中包含了目标信息，因此常常可以被使用来确定目标的目前的运动状况。用光流法对地面目标进行识别时，随着时间上发生的改变，运动的目标的位置也会随着发生一定的改变。因此光流也会因为时间发生改变而产生改变。用光流法不足就是计算的次数很多，在对实时的图像进行处理的时候特别容易产生延时反应，实时性和准确性很差，因此很不适用对于实时性要求比较高的视觉跟踪系统。（二）帧间差分法帧间差分法是在背景处于稳定的情况下，通过对相邻的几帧图像之间进行对比，对相邻图像的相应地方的灰度值来通过差分计算，获取到相邻图像对应位置的差值的绝对值。帧间差分法不易受到由于光线变化产生的影响。帧间差分法的算法介绍：设定第k帧图像用表示和k-1帧图像用表示，那么，相邻帧的差分图像:（4-1）其中表示图像的离散坐标，设定的阈值为T，将图像同阈值T进行比较[7]：（4-2）帧间差分法也有局限性，受到目标的移动快慢的影响。当目标的移动较快时，检测范围比目标范围要宽，当运动移动较慢时，检测范围比目标范围要窄。（三）背景差分法背景差分法就是把目标跟背景进行差分运算后，进行更进一步的处理，获得目标运动的灰度图，是一种比较通用的，对相对静止的场景来进行运动切分的方法。对其进行二值化处理来获得目标运动的范围，为了躲开由于环境光照发生改变而产生的影响，根据目前获得的图像帧，背景图像会进行同步的改变和更新。如果把T设定为前景的灰度阈值，It是当前图像、Bt是背景图像，那么流程就如下所示：1、对开始捕获的视频图像进行平均值运算，从而获取平均值作为开始的背景Bt；2、对当前图像和背景进行灰度的减运算；公式为；3、对于当前帧的像素，若有，则该像素点为前景点；4、对所获得的的前景图来进行进一步的形态学滤波处理，进一步优化效果，例如闭运算、膨胀、开运算、腐蚀等操作；5、背景图像依据当前捕获的图像帧来进行实时的改变更新[8]；不会受到运动目标的移动速度的影响是这种方法最大的优势，因此可以获得相对完整的移动目标的信息，缺点是当光照条件发生变化时，就会出现一些伪运动点，会在一定程度上对提取结果的精确性产生影响。运动目标跟踪的算法（一）质心跟踪算法质心跟踪算法是一种重要的形心跟踪算法，质心跟踪是基于对目标能量矩的计算，其特点之一是阈值的大小随目标与背景之间的对比度高低而变化；二是在整个目标图像面积上对于高于阈值得信息做积分运算，求取质心；三是波门足够大，能够框柱目标[9]。质心跟踪算法实现步骤：1、接受边界框坐标并计算质心图4-1要使用质心跟踪构建简单的对象跟踪算法，第一步是接受来自对象检测器的边界框坐标，然后使用它们来计算质心。质心追踪算法假定我们传递一组边界框的（X，Y）坐标对于每个检测到的对象的每一个帧。（1）这些边界框可以是任何类型的对象检测器生成，前提是要针对帧中的每一帧进行计算视频。（2）有了边界框坐标后，必须计算“质心”或更简单地计算边界框的中心（x，y）坐标。上面的图4-1演示了接受一组边界框坐标并计算质心。（3）由于这些是提供给我们算法的边界框的第一组初始集合，因此我们将为其分配唯一的ID。2、计算新边界框与现有对象之间的欧氏距离图4-2此图像中存在三个对象，用于使用Python和OpenCV进行简单的对象跟踪。计算每对原始质心（紫色）和新质心（黄色）之间的欧氏距离。对于视频流中的每个后续帧，应用计算对象质心的步骤1；但是，首先需要确定是否可以将新的对象质心（黄色）与旧的对象质心（紫色）相关联，而不是为每个检测到的对象分配新的唯一ID（这会破坏对象跟踪的目的）。因此，要计算每对现有对象质心和输入对象质心之间的欧氏距离（用绿色箭头突出显示）。从图4-2中可以看到，在图像中检测到三个对象。靠近的两对是两个现有对象。3、更新（x，y）现有对象的坐标图4-3简单质心对象跟踪方法将关联的对象的对象距离最小化。质心跟踪算法的主要假设是一个给定的对象将潜在地移动在后续的帧之间，可以构建对象跟踪器将质心与后续帧之间的最小距离相关联。在图4-3中，质心跟踪器算法将最小化其欧氏距离的质心关联起来。4、注册新对象图4-4在使用Python和OpenCV进行对象跟踪中，如果输入检测的数量多于被跟踪的现有对象，则需要注册新对象。“注册”仅表示将新对象添加到跟踪对象列表中。图4-4演示了使用最小欧氏距离关联现有对象ID，然后注册新对象的过程。5、注销旧对象任何合理的对象跟踪算法都必须能够处理对象丢失，消失或离开视野时的情况。实际情况下，如何处理这些情况实际上取决于对象跟踪器的部署位置，因此可以将在旧对象无法与任何现有对象匹配的情况下（总共N个后续帧）注销旧对象（二）Camshfit算法Camshfit算法是针对于连续持续的视频进行检测的，该算法采用引入一个反馈系统，将经过上一次检测得到的结果作为下一次进行检测过程的输入，可以将搜索的区域限制在跟踪的目标位置的周围。其基本的思想就是对于整个视频中的图像进行相关处理，并且采用Meanshift算法对该序列中的每一帧图片都进行计算，从而得到最优的迭代结果。所以正是因为Camshift算法对于每一帧图片都进行一定的处理，从而确保Camshift算法可以不断的去调节跟踪窗口的大小，这样的情况下，即使改变了运动目标的形状的大小，该算法也可以根据目标的变化的情况来适当地调节窗口来进行持续跟踪。算法的基本流程，如图4-5所示：图4-5Camshift算法跟踪原理图具体步骤如下：1、对目标区域内的颜色直方图进行计算。2、依据上一步得到的颜色直方图进行进一步的处理，将起始获得的图像进一步转变成为颜色概率的分布图像。3、Meanshift算法迭代过程。Meanshift算法是CamShift算法的重要核心内容，其主要的事情就是用于找到地面运动目标的中心在当前帧图像中的具体位置的情况[10]。利用CamShift算法实现的效果如下图4-6所示：图4-6Camshift算法效果图四、本章小结地面对于运动目标识别是在对于视觉设备研究热点问题，其本质就是在视频中获得到的图像中来提取出来目标的运动范围，并对图像中存在的噪声进行处理等。本章介绍了其中基础的检测识别的方法，如帧间差分法、光流法、背景差分法和他们的适用情况和相关的限制要求进行了介绍研究。进而接着介绍了跟踪上能用到的运动目标跟踪算法，为后面卡尔曼滤波实验作出理论基础。卡尔曼滤波相关知识及算法一、卡尔曼滤波介绍卡尔曼滤波也称线性二次估计，是一种算法，卡尔曼滤波会根据各测量量在不同时间下的值，考虑各时间下的联合分布，产生比仅基于单个测量值更精确的未知变量的估计。它适用于估计一个动态系统的最优状态，即便是观测到系统状态参数含有噪声，观测值不准确，卡尔曼滤波也能完成对状态真实值的最优估计。基本思想是：采用信号与噪声的状态空间模型，利用前一时刻地估计值和现时刻的观测值来更新对状态变量的估计，求出现时刻的估计值。卡尔曼滤波不要求信号和噪声都是平稳过程的假设条件。对于每个时刻的系统扰动和观测误差（即噪声），只要对它们的统计性质作某些适当的假定，通过对含有噪声的观测信号进行处理，就能在平均的意义上，求得误差为最小的真实信号的估计值。因此，自从卡尔曼滤波理论问世以来，在通信系统、电力系统、航空航天、环境污染控制、工业控制、雷达信号处理等许多部门都得到了应用，取得了许多成功应用的成果。二、基于Kalman滤波的Camshift跟踪算法Kalman滤波是一种通过利用线性系统状态来进行滤波的方程，通过输入观测到的数据信息，对于线性系统状态进行了最优化计算。每一种通过传递函数来体现的系统或者包含外部变量数据的自动回归系统都可以变成通过状态空间来进行表示的系统，进而用Kalman滤波进行最优化的计算。在卡曼尔滤波中得到的任何数据都无法消除的不确定性，增益也与观测数据毫无关系。Kalman滤波原理的过程[11]：首先对状态空间模型进行创建：（5-1）空间模型中，分别代表这系统噪声和测量噪声。，Q即下文的过程激励噪声Q，，R即下文的测量噪声R。Kalman滤波主要公式：（1）状态预测公式：（5-2）代表在k时刻时先验状态预测值，是滤波时中间计算数据，是根据k-1时刻的预测结果。表示k-1时刻的后验状态预测值，是经过滤波得到的结果（2）状态预测协方差：（5-3）是k时刻的先验预测协方差是滤波的中间计算数据。表示k-1时刻的后验预测协方差，是经滤波获得的结果。（3）滤波增益：（5-4）H是状态变量到测量的转换矩阵。（4）状态估计：（5-5）（5）状态估计协方差：（5-6）图5-1Kalman滤波工作原理图图4-10Kalman滤波和Camshift跟踪效果图三、结果分析跟踪算法的性能指标选取以下三方面：（1）跟踪算法完成跟踪任务时间算法不同对相同视频进行跟踪算法运行所消耗的时间根据算法的复杂程度决定的，复杂程度越低的跟踪算法可以实现凭借较少的硬件设备很快的实现跟踪任务。跟踪地面运动目标严格要求在算法方面要有很好的运算速度，所以实现跟踪算法的执行时间是算法的重要性能指标之一。（2）跟踪准确性跟踪地面运动目标的准确性是指跟踪搜索窗口中目标所占区域与跟踪搜索窗口总区域的大小的比值，若比值越大，则跟踪准确度越高，跟踪效果越好。（3）戴斯系数戴斯系数主要是用来描述离散数据的相似程度。在地面运动目标的跟踪中，利用戴斯系数就可以表示出在此跟踪算法中，地面运动目标出现的区域B和候选区域A的相似程度关系，戴斯系数定义为：（5-7）戴斯系数的数值越小，则说明目标出现区域B和候选区域A的相似程度越大，跟踪效果就越