基于MATLAB的運(yùn)動(dòng)物體軌跡跟蹤-畢業(yè)論文文本版

推薦精選推薦精選推薦精選摘要視頻運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤算法是計(jì)算機(jī)視覺(jué)領(lǐng)域的一個(gè)核心課題，也是智能視頻監(jiān)控系統(tǒng)的關(guān)鍵底層技術(shù)。它融合了圖像處理、人工智能等領(lǐng)域的研究成果，已經(jīng)廣泛應(yīng)用于安保監(jiān)控、智能武器、視頻會(huì)議、視頻檢索等各個(gè)領(lǐng)域。因此，檢測(cè)與跟蹤算法研究具有極其重要的理論意義和實(shí)用價(jià)值。運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤涉及到計(jì)算機(jī)圖像處理、視頻圖像處理、模式識(shí)別、以及人工智能等諸多領(lǐng)域，廣泛地應(yīng)用于軍事、工業(yè)、生活等各個(gè)方面。研究?jī)?nèi)容分為三個(gè)方面：圖像的預(yù)處理、運(yùn)動(dòng)目標(biāo)的檢測(cè)和運(yùn)動(dòng)目標(biāo)的跟蹤。在圖像的預(yù)處理方面，采用均值濾波，抑制噪聲；并應(yīng)用形態(tài)學(xué)的方法進(jìn)行濾波和去除小黑點(diǎn)，改善圖像質(zhì)量。在運(yùn)動(dòng)目標(biāo)的檢測(cè)方面在運(yùn)動(dòng)目標(biāo)檢測(cè)方面，本文對(duì)常用的三種方法進(jìn)行了分析，包括幀間差分法和背景差分法，并指出其優(yōu)缺點(diǎn)及主要的適用范圍;重點(diǎn)研究了幀間差分法，幀間差分法比較簡(jiǎn)單，對(duì)環(huán)境的適應(yīng)能力強(qiáng)，但是檢測(cè)到的運(yùn)動(dòng)目標(biāo)不精確。在運(yùn)動(dòng)目標(biāo)的跟蹤方面，也做了初步的研究。采用最小外界矩形框來(lái)定位目標(biāo)，借助最近領(lǐng)域法預(yù)測(cè)目標(biāo)位置，縮小目標(biāo)的搜索范圍，提高目標(biāo)的跟蹤速度。推薦精選推薦精選推薦精選關(guān)鍵詞：運(yùn)動(dòng)目標(biāo)檢測(cè)，運(yùn)動(dòng)目標(biāo)跟蹤，顏色直方圖，視頻監(jiān)視系統(tǒng)AbstractVideomovingtargetdetectionandtrackingalgorithmisacoreareaof??computervisionissues,butalsothekeytointelligentvideosurveillancesystemunderlyingtechnology.Itcombinesimageprocessing,artificialintelligenceresearch,hasbeenwidelyusedinsecuritymonitoring,smartweapons,videoconferencing,videoretrievalandotherfields.Therefore,thedetectionandtrackingalgorithmisextremelyimportanttheoreticalandpracticalvalue.

Movingtargetdetectionandtrackingrelatedtocomputerimageprocessing,video,imageprocessing,patternrecognitionandartificialintelligencefields,widelyusedinmilitary,industrial,andotheraspectsoflife.Researchisdividedintothreeareas:imagepreprocessing,movingtargetdetectionandtrackingofmovingtargets.Inimagepreprocessing,theuseoffiltering,noisesuppression;andapplythemethodofmorphologicalfilteringandremovalofblackspecksandimproveimagequality.

推薦精選推薦精選推薦精選Inmovingtargetdetectioninmotiondetection,thepaperthreecommonlyusedmethodsofanalysis,includinginter-framedifferenceandbackgrounddifferencemethod,andpointedouttheiradvantagesanddisadvantagesandthemainscopeofapplication;focusontheframedifferencemethod,framedifferencemethodisrelativelysimple,adaptabletotheenvironment,butthedetectedmovingtargetimprecise.

Trackingthemovingtarget,butalsomadeapreliminarystudy.Rectangularboxwiththeoutsideworldtolocatetheminimumtarget,withthemostrecentmethodtopredictthetargetlocationareasandnarrowthesearchtargettoimprovethetrackingspeed.EYWORDS：Movingtargetdetection，Movingtargettracking，Colorhistogram，Videosurveillancesystems推薦精選推薦精選推薦精選摘要 1Abstract 2第一章緒論 61．1課題的研究背景及意義 61．2國(guó)內(nèi)外的研究現(xiàn)狀，發(fā)展動(dòng)態(tài) 81．2．1國(guó)外研究現(xiàn)狀 81．2．2國(guó)內(nèi)研究現(xiàn)狀 101．2．3難點(diǎn)與發(fā)展趨勢(shì) 111.3本論文的研究?jī)?nèi)容和論文結(jié)構(gòu) 12第二章視頻運(yùn)動(dòng)目標(biāo)檢測(cè)算法分析 142.1幀間差分法 142.2邊緣檢測(cè) 162.3背景差分檢測(cè) 192.4光流法 20第三章圖像的預(yù)處理 213.1圖像灰度化 21推薦精選推薦精選推薦精選3.1.1分量法 213.1.2最大值法 213.1.3平均值法 213.1.4加權(quán)平均法 223.2圖像的二值化 223.3圖像濾波處理 233.4形態(tài)學(xué)圖像處理 243.4.1腐蝕 243.4.2膨脹 25第四章目標(biāo)跟蹤及預(yù)測(cè)方法 264.1.運(yùn)動(dòng)目標(biāo)跟蹤的方法 264.1.1.基于區(qū)域的跟蹤 264.1.2基于特征的跟蹤 274.2本文采用的技術(shù)方案 284.2.1直方圖和質(zhì)心 284.2.2最小外接矩形 284.3運(yùn)動(dòng)特征的提取和運(yùn)算 29第五章總結(jié)與展望 30推薦精選推薦精選推薦精選第一章緒論1．1課題的研究背景及意義隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展，計(jì)算機(jī)能力得到了極大的提高，使得利用計(jì)算機(jī)實(shí)現(xiàn)人類的視覺(jué)功能成為目前計(jì)算機(jī)領(lǐng)域最熱門(mén)的課題之一。該領(lǐng)域稱之為計(jì)算機(jī)視覺(jué)，它是計(jì)算機(jī)技術(shù)，電子信息工程，微電子技術(shù)等多學(xué)科的一個(gè)共同的衍生點(diǎn)，是一門(mén)新興的技術(shù)。計(jì)算機(jī)視覺(jué)研究的目標(biāo)是使計(jì)算機(jī)具有通過(guò)圖像（和靜止的圖像相比，運(yùn)動(dòng)圖像包含了更多的信息)認(rèn)知周圍環(huán)境信息的能力，這種能力不僅能使計(jì)算機(jī)能感知環(huán)境中物體的幾何信息，包括它的形狀、位置、姿態(tài)、運(yùn)動(dòng)等，而且能對(duì)它們進(jìn)行描述、存儲(chǔ)、識(shí)別與理解。在過(guò)去的二十多年里，如何利用計(jì)算機(jī)把運(yùn)動(dòng)目標(biāo)檢測(cè)出來(lái)并對(duì)感興趣的部分進(jìn)行跟蹤，從而實(shí)現(xiàn)對(duì)目標(biāo)運(yùn)動(dòng)行為的理解和描述，一直是一個(gè)具有挑戰(zhàn)性的課題，也是一項(xiàng)非?；钴S的研究領(lǐng)域。運(yùn)動(dòng)目標(biāo)的檢測(cè)與跟蹤，目的是通過(guò)對(duì)視頻圖像的分析，實(shí)現(xiàn)對(duì)場(chǎng)景中目標(biāo)的定位、識(shí)別和跟蹤，從而做到對(duì)目標(biāo)行為的分析，在完成日常管理外還能對(duì)發(fā)生的異常情況做出反應(yīng)。對(duì)視頻的自動(dòng)檢測(cè)可以減少對(duì)視頻信號(hào)的存儲(chǔ)并能實(shí)現(xiàn)自動(dòng)報(bào)警。它可以指導(dǎo)操作人員去解決一些潛在的問(wèn)題．還可以極大的減少視頻傳輸所需要的帶寬，并且只存儲(chǔ)一些感興趣的片斷。推薦精選推薦精選推薦精選運(yùn)動(dòng)目標(biāo)的檢測(cè)和運(yùn)動(dòng)目標(biāo)的跟蹤，這兩方面工作是一個(gè)承接的關(guān)系，但同時(shí)也相互影響。運(yùn)動(dòng)目標(biāo)檢測(cè)是第一部分，它就是實(shí)時(shí)地在被監(jiān)視的場(chǎng)景中檢測(cè)運(yùn)動(dòng)目標(biāo)，并將其提取出來(lái)。運(yùn)動(dòng)目標(biāo)跟蹤也是銜接運(yùn)動(dòng)目標(biāo)檢測(cè)和目標(biāo)行為分析和理解的一個(gè)重要環(huán)節(jié)。所謂運(yùn)動(dòng)目標(biāo)跟蹤，就是在運(yùn)動(dòng)目標(biāo)檢測(cè)的基礎(chǔ)上，利用目標(biāo)有效特征，使用適當(dāng)?shù)钠ヅ渌惴?，在連續(xù)圖像中尋找與目標(biāo)最相似的圖像的位置，簡(jiǎn)單的說(shuō)就是給目標(biāo)定位。在實(shí)際應(yīng)用中，運(yùn)動(dòng)目標(biāo)跟蹤不僅可以提供目標(biāo)的運(yùn)動(dòng)軌跡和準(zhǔn)確定位目標(biāo)，為下一步的目標(biāo)行為分析與理解提供了可靠的數(shù)據(jù)來(lái)源，而且也可以為運(yùn)動(dòng)目標(biāo)檢測(cè)提供幫助，從而形成一個(gè)良性的循環(huán)。運(yùn)動(dòng)目標(biāo)的檢測(cè)、跟蹤技術(shù)是一個(gè)對(duì)實(shí)時(shí)性和識(shí)別精度有較高要求的高科學(xué)技術(shù)。在技術(shù)上涉及到計(jì)算機(jī)圖像處理、視頻圖像處理、模式識(shí)別、以及人工智能等諸多領(lǐng)域，因而具有較強(qiáng)的研究?jī)r(jià)值。而且它在軍事、工業(yè)和科學(xué)研究方面的應(yīng)用極為廣泛，如：視頻監(jiān)視、虛擬現(xiàn)實(shí)、運(yùn)動(dòng)目標(biāo)捕獲、智能交通、軍事制導(dǎo)等。正是由于這些顯著的優(yōu)點(diǎn)及其廣泛的應(yīng)用前景，研究圖像目標(biāo)的檢測(cè)與跟蹤具有重要的意義。視覺(jué)跟蹤技術(shù)具有廣闊的應(yīng)用前景，并不僅僅局限于上述所介紹的幾個(gè)方面。實(shí)現(xiàn)一個(gè)具有魯棒性、準(zhǔn)確性的視覺(jué)跟蹤系統(tǒng)是當(dāng)前視覺(jué)跟蹤技術(shù)努力的方向。隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展，視覺(jué)跟蹤技術(shù)作為計(jì)算機(jī)視覺(jué)領(lǐng)域中的核心技術(shù)之一，在一些關(guān)鍵技術(shù)中具有越來(lái)越重要的作用。推薦精選推薦精選推薦精選1．2國(guó)內(nèi)外的研究現(xiàn)狀，發(fā)展動(dòng)態(tài)1．2．1國(guó)外研究現(xiàn)狀圖像的類型主要有三種：可見(jiàn)光圖像、紅外圖像和雷達(dá)圖像。其中可見(jiàn)光圖像是通過(guò)光學(xué)成像原理得到的；紅外圖像是通過(guò)不同物體表面輻射的熱量不同的而得到的；雷達(dá)圖像則是合成孔徑雷達(dá)、毫米波雷達(dá)、激光雷達(dá)等不同成像手段得到的圖像。針對(duì)它們不同的特點(diǎn)，也就產(chǎn)生了不同的檢測(cè)跟蹤算法。本文針對(duì)可見(jiàn)光圖像中的運(yùn)動(dòng)目標(biāo)進(jìn)行分析研究。巨大的商業(yè)價(jià)值和應(yīng)用價(jià)值使越來(lái)越多的公司和學(xué)術(shù)機(jī)構(gòu)致力于這種技術(shù)的研究。美國(guó)，英國(guó)等國(guó)家己經(jīng)展開(kāi)了大量相關(guān)項(xiàng)目的研究。1997年，由美國(guó)國(guó)防高級(jí)研究項(xiàng)目署DARPA(DefenceAdvancedResearchProjectsAgency)領(lǐng)頭，以美國(guó)卡耐基梅隆大學(xué)為首，麻省理工學(xué)院等高校參與了視頻監(jiān)控系統(tǒng)項(xiàng)目VSAM（VSAM：Systemforvideosurveillanceandmonitoring，意為：視頻監(jiān)控系統(tǒng))的研究開(kāi)發(fā)，并于2000年基本完成．此項(xiàng)目主要研究的是針對(duì)戰(zhàn)場(chǎng)及普通民用場(chǎng)景進(jìn)行監(jiān)控的自動(dòng)視頻理解技術(shù)：分布于各個(gè)不同位置的攝像頭獲取的視頻信號(hào)通過(guò)一個(gè)分布式的網(wǎng)絡(luò)連接匯集到操作中心，只需要一個(gè)操作人員就可以監(jiān)控一個(gè)相當(dāng)廣闊的空間范圍．同時(shí)，在很大程度上減少了操作人員的勞動(dòng)強(qiáng)度，系統(tǒng)能夠自主檢測(cè)異常情況的發(fā)生，而且只有在檢測(cè)到異常的情況下系統(tǒng)才會(huì)發(fā)出信號(hào)，提醒操作人員作相應(yīng)的處理。從2000年開(kāi)始，DARP又設(shè)立了HID（HumanIdentificationataDistance)計(jì)劃，美國(guó)有13所大學(xué)和5個(gè)研究中心參與了這個(gè)項(xiàng)目的研究，包括卡內(nèi)基梅隆大學(xué)、馬里蘭大學(xué)、麻省理工大學(xué)、哥倫比亞大學(xué)等。其任務(wù)是開(kāi)發(fā)多模式的、大范圍的視覺(jué)檢測(cè)技術(shù)，以實(shí)現(xiàn)遠(yuǎn)距離情況下人的檢測(cè)、分類和識(shí)別，增強(qiáng)國(guó)防、民用等場(chǎng)合免受恐怖襲擊的自動(dòng)保護(hù)能力。歐盟贊助研究的PRISMATICA系統(tǒng)，該系統(tǒng)融合了多種智能檢測(cè)設(shè)備(智能攝像頭、非接觸智能卡、無(wú)線視頻傳輸?shù)?，用于地鐵站的安全監(jiān)視。國(guó)外一些公司近年來(lái)相繼推出了具備一定智能功能的視頻監(jiān)視系統(tǒng)，如:娜威的DETECAC公司提供的Detec系統(tǒng);美國(guó)ObjectVideo公司提供的ObjectVideoVEW、ObjectVideoForensics。它們實(shí)現(xiàn)了在用戶定義規(guī)則下對(duì)監(jiān)視場(chǎng)景進(jìn)行監(jiān)測(cè)、跟蹤、分類、統(tǒng)計(jì)的軟件系統(tǒng)，可在諸如有人闖入、盜竊、提包遺失或者未經(jīng)許可在限制區(qū)域閑逛等違反自定義規(guī)則的情況下報(bào)警。另外還有ObjectVideoOnBoard一構(gòu)建在DSP處理器上的嵌入式視頻監(jiān)視系統(tǒng);在日本，推薦精選推薦精選推薦精選一家公司發(fā)展的基于的三維激光攝像機(jī)的自行車輛及行人檢測(cè)系統(tǒng)，系統(tǒng)的主要目的是獲得交通流參數(shù)，以動(dòng)態(tài)地智能地控制交通信號(hào)。推薦精選推薦精選推薦精選1．2．2國(guó)內(nèi)研究現(xiàn)狀相對(duì)而言，國(guó)內(nèi)在目標(biāo)跟蹤技術(shù)方面的研究起步較晚。主要的研究團(tuán)隊(duì)有中科院自動(dòng)化所模式識(shí)別國(guó)家重點(diǎn)實(shí)驗(yàn)室、北京大學(xué)視覺(jué)與聽(tīng)覺(jué)信息處理國(guó)家重點(diǎn)實(shí)驗(yàn)室及清華大學(xué)智能技術(shù)與系統(tǒng)國(guó)家重點(diǎn)實(shí)驗(yàn)室。中科院自動(dòng)化所模式識(shí)別國(guó)家重點(diǎn)實(shí)驗(yàn)室的主要目標(biāo)是實(shí)現(xiàn)一個(gè)動(dòng)態(tài)場(chǎng)景集成分析演示系統(tǒng)并最終推向?qū)嵱?，而北京大學(xué)視覺(jué)與聽(tīng)覺(jué)信息處理國(guó)家重點(diǎn)實(shí)驗(yàn)室的工作主要是實(shí)現(xiàn)高度智能化的機(jī)器感知系統(tǒng)，并在言語(yǔ)聽(tīng)覺(jué)技術(shù)、三維視覺(jué)信息處理、智能機(jī)器人等研究領(lǐng)域取得許多研究成果。清華大學(xué)智能技術(shù)與系統(tǒng)國(guó)家重點(diǎn)實(shí)驗(yàn)室主要從事人工智能基本原理、基本方法的基礎(chǔ)與應(yīng)用基礎(chǔ)研究，包括智能信息處理、機(jī)器學(xué)習(xí)、智能控制，以及神經(jīng)網(wǎng)絡(luò)理論等，還從事與人工智能有關(guān)的應(yīng)用技術(shù)與系統(tǒng)集成技術(shù)的研究，主要有智能機(jī)器人、聲音、圖形、圖像、文字及語(yǔ)言處理等。交通流參數(shù)，以動(dòng)態(tài)地智能地控制交通信號(hào)。在國(guó)內(nèi)，也己有一些具備智能功能的視頻監(jiān)視產(chǎn)品上市，如:北京黃金眼科技的黃金眼，北京行者科技的行者貓王等產(chǎn)品。但是，目前國(guó)內(nèi)使用中的視頻監(jiān)視系統(tǒng)大部分均側(cè)重于視頻數(shù)據(jù)的壓縮、傳輸和存儲(chǔ);其報(bào)警功能大都利用紅外，煙霧等外接傳感器實(shí)現(xiàn);視頻數(shù)據(jù)到達(dá)終端以后還是需要由人來(lái)實(shí)時(shí)觀測(cè)分析，或者是存儲(chǔ)起來(lái)以備事后查閱。這種系統(tǒng)仍需耗費(fèi)大量的人力物力，卻只能實(shí)現(xiàn)部分的預(yù)期功能，遠(yuǎn)遠(yuǎn)無(wú)法滿足日益增長(zhǎng)的對(duì)監(jiān)視系統(tǒng)智能化的需求。推薦精選推薦精選推薦精選1．2．3難點(diǎn)與發(fā)展趨勢(shì)基于計(jì)算機(jī)視覺(jué)的運(yùn)動(dòng)物體檢測(cè)和跟蹤方法，目前國(guó)內(nèi)外有很多機(jī)構(gòu)和學(xué)者對(duì)其進(jìn)行研究。由于該領(lǐng)域的研究對(duì)象復(fù)雜，研究?jī)?nèi)容涉及多種學(xué)科，目前還存在以下研究難點(diǎn)還沒(méi)有較好地解決。運(yùn)動(dòng)物體檢測(cè)方法對(duì)周圍環(huán)境中光線亮度漸變和微小噪聲干擾的適應(yīng)性能。自然光線和燈光的亮度是在不斷變化的，平時(shí)人眼可能感覺(jué)不到這些光線亮度的變化，但是在對(duì)場(chǎng)景中運(yùn)動(dòng)物體進(jìn)行檢測(cè)時(shí)，光線亮度的細(xì)微變化和微小噪聲的干擾會(huì)對(duì)檢測(cè)結(jié)果產(chǎn)生很大影響。如果檢測(cè)算法不能適應(yīng)這些變化，可能會(huì)導(dǎo)致檢測(cè)失敗。運(yùn)動(dòng)物體的有效分類問(wèn)題。運(yùn)動(dòng)物體跟蹤的關(guān)鍵是能否識(shí)別出運(yùn)動(dòng)物體。如果目標(biāo)識(shí)別的方法不當(dāng)，通常會(huì)導(dǎo)致跟蹤中目標(biāo)丟失或出現(xiàn)虛假跟蹤目標(biāo)。所以，為了提高跟蹤算法的有效性，必須首先解決好運(yùn)動(dòng)目標(biāo)的有效分類問(wèn)題。運(yùn)動(dòng)物體之間的遮擋與重疊的跟蹤問(wèn)題。目前許多跟蹤方法能夠很好地對(duì)單個(gè)物體進(jìn)行跟蹤，但是當(dāng)場(chǎng)景中出現(xiàn)多個(gè)跟蹤物體時(shí)，特別是這些運(yùn)動(dòng)物體之間存在相互遮擋和重疊時(shí)，如何有效分離目標(biāo)并正確跟蹤將是很困難的。目標(biāo)跟蹤中提高運(yùn)算速度問(wèn)題在目標(biāo)檢測(cè)中，通過(guò)第一幀圖像與背景作差獲得了動(dòng)態(tài)目標(biāo)信息，如何將得到的目標(biāo)信息在接下來(lái)的每一幀中快速找到，以節(jié)省運(yùn)算量和運(yùn)算時(shí)間是非常重要的。要知道，如果視覺(jué)場(chǎng)景中有多個(gè)運(yùn)動(dòng)目標(biāo)的話，如果運(yùn)算量不夠小，運(yùn)算速度不夠快很可能導(dǎo)致系統(tǒng)崩潰。這也是目標(biāo)跟蹤的一個(gè)優(yōu)化問(wèn)題。推薦精選推薦精選推薦精選1.3本論文的研究?jī)?nèi)容和論文結(jié)構(gòu)本文視頻源來(lái)自靜止的單攝像機(jī)采集的可見(jiàn)光視頻，通過(guò)視頻格式轉(zhuǎn)換軟件，將攝像頭錄制的視頻格式轉(zhuǎn)換成matlab能夠解碼的視頻編碼方式，最后用matlab進(jìn)行仿真研究。具體工作內(nèi)容為：針對(duì)攝像頭靜止的情況研究視頻序列中的運(yùn)動(dòng)目標(biāo)跟蹤，結(jié)合基于運(yùn)動(dòng)的和基于色彩的方法，以人體或汽車為目標(biāo)，當(dāng)目標(biāo)進(jìn)入攝像機(jī)視野時(shí)，我們首先對(duì)他進(jìn)行檢測(cè)，然后通過(guò)區(qū)域檢測(cè)合并屬于該目標(biāo)的運(yùn)動(dòng)區(qū)域，同時(shí)通過(guò)對(duì)運(yùn)動(dòng)目標(biāo)特征的提取來(lái)確定目標(biāo)的身份。在每一幀對(duì)視頻場(chǎng)景做檢測(cè)后，我們直接利用已檢測(cè)到的目標(biāo)特征在接下來(lái)的每一幀進(jìn)行跟蹤。跟蹤情況會(huì)比較簡(jiǎn)單，根據(jù)直方圖的信息和質(zhì)心的位置就可以對(duì)目標(biāo)進(jìn)行定位和跟蹤。原理框圖如下：本文的結(jié)構(gòu)安排如下：推薦精選推薦精選推薦精選第一章，前言部分，介紹了對(duì)運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤問(wèn)題研究的背景與意義，重點(diǎn)對(duì)運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤的發(fā)展?fàn)顩r進(jìn)行了總結(jié)。以及本文的主要研究?jī)?nèi)容和本文的章節(jié)安排。第二章，介紹運(yùn)動(dòng)目標(biāo)檢測(cè)的技術(shù)和本文所采用的方法。對(duì)常見(jiàn)的幾種目標(biāo)檢測(cè)方法進(jìn)行了分析和比較。第三章，對(duì)圖像進(jìn)行預(yù)處理，解決在運(yùn)動(dòng)目標(biāo)檢測(cè)中產(chǎn)生的陰影和空洞等問(wèn)題。第四章，對(duì)目標(biāo)跟蹤及預(yù)測(cè)方法進(jìn)行歸類分析，采用質(zhì)心和最大外接矩形框結(jié)合的方法跟蹤，定位目標(biāo)的坐標(biāo)，計(jì)算出目標(biāo)的速度和加速度。第五章對(duì)本論文的工作進(jìn)行了總結(jié)和回顧，指出研究中的不足，并對(duì)今后的研究和發(fā)展方向進(jìn)行了展望。第二章視頻運(yùn)動(dòng)目標(biāo)檢測(cè)算法分析運(yùn)動(dòng)目標(biāo)檢測(cè)與提取是指通過(guò)運(yùn)動(dòng)及圖像特征分析(如色彩灰度、邊緣、形狀等)，檢測(cè)視頻序列中是否存在與背景有相對(duì)表觀運(yùn)動(dòng)的前景目標(biāo)，則將其從原始圖像序列中提取出來(lái)。它是視覺(jué)信息提取的一個(gè)關(guān)鍵步驟，是更高層次的視頻圖像分析如目標(biāo)跟蹤、目標(biāo)分類的重要基礎(chǔ)。在視頻監(jiān)控、目標(biāo)跟蹤、視頻語(yǔ)義解釋等系統(tǒng)中，運(yùn)動(dòng)目標(biāo)檢測(cè)的作用更是顯得尤其重要。因此，如何快速準(zhǔn)確地從視頻圖像序列中提取出系統(tǒng)所關(guān)心的運(yùn)動(dòng)目標(biāo)，是諸多研究人員所關(guān)心的一個(gè)問(wèn)題。對(duì)人體跟蹤之前首先要對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行檢測(cè)與識(shí)別，其結(jié)果對(duì)以后的目標(biāo)跟蹤是非常重要的，運(yùn)動(dòng)區(qū)域的分割質(zhì)量直接影響到后續(xù)的跟蹤效果。推薦精選推薦精選推薦精選本章主要介紹幾種常見(jiàn)的檢測(cè)算法，幀間差分、邊緣檢測(cè)、背景差分檢測(cè)、光流法。本文重點(diǎn)分析幀間差分法。2.1幀間差分法幀間差分法是一種通過(guò)對(duì)視頻圖像序列中相鄰兩幀作差分運(yùn)算來(lái)獲得運(yùn)動(dòng)目標(biāo)輪廓的方法，它可以很好地適用于存在多個(gè)運(yùn)動(dòng)目標(biāo)和攝像機(jī)移動(dòng)的情況。當(dāng)監(jiān)控場(chǎng)景中出現(xiàn)異常物體運(yùn)動(dòng)時(shí)，幀與幀之間會(huì)出現(xiàn)較為明顯的差別，兩幀相減，得到兩幀圖像亮度差的絕對(duì)值，判斷它是否大于閾值來(lái)分析視頻或圖像序列的運(yùn)動(dòng)特性，確定圖像序列中有無(wú)物體運(yùn)動(dòng)。假設(shè)視頻圖像序…天中，選取任意連續(xù)兩幀圖像（x，y）和（x，y），則他們的差分圖像(x，y)為:（x，y）=（x，y）-（x，y），其中(x，y)表示圖像中像素點(diǎn)空間坐標(biāo)。把差分圖像從(x，y)和一個(gè)閉值T進(jìn)行比較，判定圖像中各個(gè)像素點(diǎn)是運(yùn)動(dòng)目標(biāo)像素點(diǎn)還是背景像素點(diǎn)，從而提取運(yùn)動(dòng)目標(biāo)(x，y)。式中的閉值T可以預(yù)先給定也可以采用自適應(yīng)的方法確定。幀間差分法的基本原理如圖2-1所示:推薦精選推薦精選推薦精選幀間差分法的優(yōu)點(diǎn)是：算法實(shí)現(xiàn)簡(jiǎn)單，程序設(shè)計(jì)復(fù)雜度低；對(duì)光線等場(chǎng)景變化不太敏感，能夠適應(yīng)各種動(dòng)態(tài)環(huán)境，穩(wěn)定性較好。其缺點(diǎn)是：兩幀間目標(biāo)的重疊部分不容易被檢測(cè)出來(lái)，不能提取出對(duì)象的完整區(qū)域，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(lái)的部分是兩幀中相對(duì)變化的部分，所以兩幀間目標(biāo)的重疊部分就很難被檢測(cè)出來(lái)；同時(shí)依賴于選擇的幀間時(shí)間間隔。對(duì)快速運(yùn)動(dòng)的物體，需要選擇較小的時(shí)間間隔，如果選擇不合適，當(dāng)物體在前后兩幀中沒(méi)有重疊時(shí)，會(huì)被檢測(cè)為兩個(gè)分開(kāi)的物體：而對(duì)慢速運(yùn)動(dòng)的物體，應(yīng)該選擇較大的時(shí)問(wèn)差，如果時(shí)間選擇不適當(dāng)，當(dāng)物體在前后兩幀中幾乎完全重疊時(shí)，則檢測(cè)不到物體。檢測(cè)目標(biāo)在兩幀中變化的信息，這樣會(huì)存在較多的偽目標(biāo)點(diǎn)，檢測(cè)出的目標(biāo)往往比實(shí)際的目標(biāo)大一些，這是由于實(shí)際目標(biāo)顏色或者灰度在一定的區(qū)域內(nèi)較為均勻所導(dǎo)致的。本文采用幀間差分法來(lái)完成目標(biāo)的檢測(cè)。推薦精選推薦精選推薦精選原圖像處理后的圖像2.2邊緣檢測(cè)邊緣是指圖像周圍像素灰度有劇烈變化的那些像素的集合，它存在與目標(biāo)與背景、目標(biāo)與目標(biāo)、區(qū)域與區(qū)域之間。圖像的邊緣有方向和幅度兩個(gè)特性。通常沿邊緣方向的像素變化平緩，而垂直于邊緣走向的像素變化劇烈。這種變化可能呈現(xiàn)階躍型和房頂型，分別對(duì)應(yīng)景物中不同的物理狀態(tài)。例如階躍型變化地帶兩邊的像素的灰度值有顯著不同，常常對(duì)應(yīng)目標(biāo)的深度和反射邊界；而房頂型變化地帶位于灰度值從增加到減小的變化轉(zhuǎn)折點(diǎn)，常常反映表面法線方向的小連續(xù)。微分運(yùn)算是檢測(cè)邊緣的重要手段。對(duì)于前者，灰度變化曲線的一階導(dǎo)數(shù)在邊緣處呈現(xiàn)極值，二階導(dǎo)數(shù)呈現(xiàn)零交叉；對(duì)于后者，在邊緣處一階導(dǎo)數(shù)呈現(xiàn)零交叉，二階導(dǎo)數(shù)呈極值。目前常用算子的有Prewitt、Sobel、Roberts、Canny算子。Prewitt算子是一種一階微分算子的邊緣檢測(cè)，利用像素點(diǎn)上下、左右鄰點(diǎn)的灰度差，在邊緣處達(dá)到極值檢測(cè)邊緣，去掉部分偽邊緣，對(duì)噪聲具有平滑作用。其原理是在圖像空間利用兩個(gè)方向模板與圖像進(jìn)行鄰域卷積來(lái)完成的，這兩個(gè)方向模板一個(gè)檢測(cè)水平邊緣，一個(gè)檢測(cè)垂直邊緣。推薦精選推薦精選推薦精選對(duì)數(shù)字圖像f(x，y)，Prewitt算子的定義如下：G(i)=|[f(i-1,j-1)+f(i-1,j)+f(i-1，+1)]-[f(i+1,j-1)+f(i+1,j)+f(i+1，j+1)]|G(j)=|[f(i-1,j+1)+f(i,j+1)+f(i+1，+1)]-[f(i-1,j-1)+f(i,j-1)+f(i+1，j-1)]|則P(i,j)=max[G(i),G(j)]或P(i,j)=G(i)+G(j)經(jīng)典Prewitt算子認(rèn)為：凡灰度新值大于或等于閾值的像素點(diǎn)都是邊緣點(diǎn)。即選擇適當(dāng)?shù)拈撝礣，若P(i,j)≥T，則(i,j)為邊緣點(diǎn)，P(i,j)為邊緣圖像。這種判定是欠合理的，會(huì)造成邊緣點(diǎn)的誤判，因?yàn)樵S多噪聲點(diǎn)的灰度值也很大，而且對(duì)于幅值較小的邊緣點(diǎn)，其邊緣反而丟失了。該算子包含兩組3x3的矩陣，分別為橫向及縱向，將之與圖像作平面卷積，即可分別得出橫向及縱向的亮度差分近似值。如果以A代表原始圖像，Gx及Gy分別代表經(jīng)橫向及縱向邊緣檢測(cè)的圖像，其公式如下:圖像的每一個(gè)像素的橫向及縱向梯度近似值可用以下的公式結(jié)合，來(lái)計(jì)算梯度的大小及方向。如果以上的角度推薦精選推薦精選推薦精選Θ等于零，即代表圖像該處擁有縱向邊緣，左方較右方暗。Roberts邊緣檢測(cè)算子是一種利用局部差分算子尋找邊緣的算子,Robert算子圖像處理后結(jié)果邊緣不是很平滑。經(jīng)分析，由于Robert算子通常會(huì)在圖像邊緣附近的區(qū)域內(nèi)產(chǎn)生較寬的響應(yīng)，故采用上述算子檢測(cè)的邊緣圖像常需做細(xì)化處理，邊緣定位的精度不是很高。Robert邊緣檢測(cè)算子大小僅為2X2，是一種局部差分算子，采用對(duì)角線方向相鄰兩像素差進(jìn)行梯度幅度檢測(cè)，水平、垂直邊緣的檢測(cè)性能好于斜線方向的性能，定位精度比較高，速度比較快，對(duì)于具有陡峭的低噪聲圖像效果較好。但對(duì)于噪聲比較敏感，且具有功能性的限制(如，它是非對(duì)稱的，不能檢測(cè)諸如45度倍數(shù)的邊緣)。雖然如此，但是由于簡(jiǎn)單，還是會(huì)用于硬件實(shí)現(xiàn)中。2.3背景差分檢測(cè)背景減法是利用當(dāng)前圖像與背景圖像作差分以提取運(yùn)動(dòng)區(qū)域的一種運(yùn)動(dòng)檢測(cè)方法，也是目前使用較為普遍的一種方法。它一般能夠提供目標(biāo)完整的數(shù)據(jù)。它的基本思想是:首先通過(guò)一定的背景建模的方法得到背景模型(x，y);建立背景模型后，把后來(lái)采集到的視頻序列的每一幀圖像推薦精選推薦精選推薦精選(x，y)同背景圖像(x，y)進(jìn)行差分;對(duì)得到的差分圖像(x，y)進(jìn)行二值化處理后得到(x，y);當(dāng)差分圖像中某一像素點(diǎn)大于閾值時(shí)，則認(rèn)為是運(yùn)動(dòng)目標(biāo)像素，否則是背景像素。用公式表示如下:背景減法的計(jì)算速度很快，得到的結(jié)果直接給出了目標(biāo)的位置、大小、形狀等，從而可以獲得關(guān)于運(yùn)動(dòng)目標(biāo)區(qū)域的完整精確的描述，但對(duì)場(chǎng)景中的動(dòng)態(tài)變化，如光照條件的變化、攝像頭受到的輕微擾動(dòng)等因素都是十分的敏感，會(huì)出現(xiàn)很多偽目標(biāo)點(diǎn)從而降低目標(biāo)檢測(cè)的準(zhǔn)確性。因此基于背景差分的運(yùn)動(dòng)目標(biāo)檢測(cè)算法的關(guān)鍵在于尋找理想的背景模型。推薦精選推薦精選推薦精選2.4光流法光流是空間運(yùn)動(dòng)物體在觀測(cè)成像面上的像素運(yùn)動(dòng)的瞬時(shí)速度。光流的研究是利用圖像序列中的像素強(qiáng)度數(shù)據(jù)的時(shí)域變化和相關(guān)性來(lái)確定各自像素位置的“運(yùn)動(dòng)”，即研究圖像灰度在時(shí)間上的變化與景象中物體結(jié)構(gòu)及其運(yùn)動(dòng)的關(guān)系。光流是指圖像中灰度模式運(yùn)動(dòng)的速度。它是景物中可見(jiàn)點(diǎn)的三維速度矢量在成像平面上的投影，它表示了景物表面的點(diǎn)在圖像中位置的瞬時(shí)變化。一般情況下，可以認(rèn)為光流與運(yùn)動(dòng)場(chǎng)沒(méi)有太大區(qū)別，因此就可以根據(jù)圖像運(yùn)動(dòng)來(lái)估計(jì)相對(duì)運(yùn)動(dòng)?；诠饬鞣椒ǖ倪\(yùn)動(dòng)檢測(cè)采用了運(yùn)動(dòng)目標(biāo)隨時(shí)間變化的光流特性，把光流計(jì)算得到的運(yùn)動(dòng)量作為一個(gè)重要的識(shí)別特征來(lái)判斷運(yùn)動(dòng)目標(biāo)。;在運(yùn)動(dòng)的某一特定時(shí)刻，圖像上的像素點(diǎn)投景到三維物體上的點(diǎn);然后根據(jù)每個(gè)像素點(diǎn)的速度矢量特征來(lái)動(dòng)態(tài)分析圖像，如果圖像中不存在運(yùn)動(dòng)目標(biāo)，那么光流矢量在整個(gè)圖像區(qū)域是連續(xù)變化的，如果目標(biāo)相對(duì)圖像背景運(yùn)動(dòng)時(shí)，那么運(yùn)動(dòng)目標(biāo)所形成的速度矢量必然不同于鄰域背景速度矢量，從而檢測(cè)出運(yùn)動(dòng)目標(biāo)的具體位置和相關(guān)運(yùn)動(dòng)參數(shù)。第三章圖像的預(yù)處理3.1圖像灰度化在RGB模型中，如果R=G=B時(shí)，則彩色表示一種灰度顏色，其中R=G=B的值叫灰度值，因此，灰度圖像每個(gè)像素只需一個(gè)字節(jié)存放灰度值（又稱強(qiáng)度值、亮度值），灰度范圍為0-255。一般有以下四種方法對(duì)彩色圖像進(jìn)行灰度化：推薦精選推薦精選推薦精選3.1.1分量法將彩色圖像中的三分量的亮度作為三個(gè)灰度圖像的灰度值，可根據(jù)應(yīng)用需要選取一種灰度圖像。f1(i,j)=R(i,j)f2(i,j)=G(i,j)f3(i,j)=B(i,j)其中fk(i,j)(k=1,2,3)為轉(zhuǎn)換后的灰度圖像在（i,j）處的灰度值。3.1.2最大值法將彩色圖像中的三分量亮度的最大值作為灰度圖的灰度值。f(i,j)=max(R(i,j),G(i,j),B(i，j))3.1.3平均值法將彩色圖像中的三分量亮度求平均得到一個(gè)灰度圖。f(i，j)=(R(i,j)+G(i,j)+B(i,j))/33.1.4加權(quán)平均法根據(jù)重要性及其它指標(biāo)，將三個(gè)分量以不同的權(quán)值進(jìn)行加權(quán)平均。由于人眼對(duì)綠色的敏感最高，對(duì)藍(lán)色敏感最低，因此，按下式對(duì)RGB三分量進(jìn)行加權(quán)平均能得到較合理的灰度圖像。推薦精選推薦精選推薦精選f(i,j)=0.30R(i,j)+0.59G(i,j)+0.11B(i,j))原圖像灰度化后的圖像3.2圖像的二值化就是將圖像上的像素點(diǎn)的灰度值設(shè)置為0或255，也就是將整個(gè)圖像呈現(xiàn)出明顯的黑白效果。將256個(gè)亮度等級(jí)的灰度圖像通過(guò)適當(dāng)?shù)拈y值選取而獲得仍然可以反映圖像整體和局部特征的二值化圖像，表示二值圖像的二維矩陣僅由0/1值構(gòu)成。在圖像處理中，二值圖像占有非常重要的地位，首先，圖像的二值化有利于圖像的進(jìn)一步處理，使圖像變得簡(jiǎn)單，而且數(shù)據(jù)量減小，能凸顯出感興趣的目標(biāo)的輪廓。其次，要進(jìn)行二值圖像的處理與分析，首先要把灰度圖像二值化，得到二值化圖像。灰度化圖像二值化圖像推薦精選推薦精選推薦精選3.3圖像濾波處理從視頻中獲得的圖像含有大量的點(diǎn)狀或尖峰狀噪聲，多數(shù)是由于光線的變化等原因引起的，而且運(yùn)動(dòng)速度較快會(huì)引起運(yùn)動(dòng)模糊現(xiàn)象。濾波處理就是要有效地去除這兩種噪聲。去噪的方法有很多，大致分為兩大類：時(shí)域去噪和頻域去噪。時(shí)域去噪的代表方法有加權(quán)平滑法、中值濾波、二值形態(tài)學(xué)法等；頻域去噪的代表方法有經(jīng)典數(shù)字濾波器、同態(tài)濾波、小波分析等。經(jīng)過(guò)分析比較本文采用時(shí)域去噪中的形態(tài)學(xué)法濾波，matlab中自帶函數(shù)bwareaopen()可以刪除小面積圖像，還有采用腐蝕的方法可以將要找的區(qū)域更加明顯。原圖像濾波后的圖像3.4形態(tài)學(xué)圖像處理數(shù)學(xué)形態(tài)學(xué)是由一組形態(tài)學(xué)的代數(shù)運(yùn)算子組成的，它的基本運(yùn)算有4個(gè)：膨脹（或擴(kuò)張）、腐蝕（或侵蝕）、開(kāi)啟和閉合，它們?cè)诙祱D像和灰度圖像中各有特點(diǎn)。基于這些基本運(yùn)算還可推導(dǎo)和組合成各種數(shù)學(xué)形態(tài)學(xué)實(shí)用算法，用它們可以進(jìn)行圖像形狀和結(jié)構(gòu)的分析及處理，包括圖像分割、特征抽取、邊界檢測(cè)、圖像濾波、圖像增強(qiáng)和恢復(fù)等。數(shù)學(xué)形態(tài)學(xué)方法利用一個(gè)稱作結(jié)構(gòu)元素的推薦精選推薦精選推薦精選“探針”收集圖像的信息，當(dāng)探針在圖像中不斷移動(dòng)時(shí)，便可考察圖像各個(gè)部分之間的相互關(guān)系，從而了解圖像的結(jié)構(gòu)特征。數(shù)學(xué)形態(tài)學(xué)基于探測(cè)的思想，與人的FOA(FocusOfAttention)的視覺(jué)特點(diǎn)有類似之處。作為探針的結(jié)構(gòu)元素，可直接攜帶知識(shí)（形態(tài)、大小、甚至加入灰度和色度信息）來(lái)探測(cè)、研究圖像的結(jié)構(gòu)特點(diǎn)。3.4.1腐蝕把結(jié)構(gòu)元素B平移a后得到Ba，若Ba包含于X，我們記下這個(gè)a點(diǎn)，所有滿足上述條件的a點(diǎn)組成的集合稱做x被B腐蝕(Erosion)的結(jié)果。如圖所示，X是被處理的對(duì)象，B是結(jié)構(gòu)元素。不難知道，對(duì)于任意一個(gè)在陰影部分的點(diǎn)a，Ba包含于X，所以X被B腐蝕的結(jié)果就是那個(gè)陰影部分。陰影部分在X的范圍之內(nèi)，且比X小，就象X被剝掉了一層似的，這就是為什么叫腐蝕的原因。腐蝕的示意圖推薦精選推薦精選推薦精選3.4.2膨脹膨脹(dilation)可以看做是腐蝕的對(duì)偶運(yùn)算，其定義是:把結(jié)構(gòu)元素B平移a后得到Ba，若Ba擊中X，我們記下這個(gè)a點(diǎn)。所有滿足上述條件的a點(diǎn)組成的集合稱做X被B膨脹的結(jié)果。如圖所示，圖中X是被處理的對(duì)象，B是結(jié)構(gòu)元素，不難知道，對(duì)于任意一個(gè)在陰影部分的點(diǎn)a，Ba擊中X，所以X被B膨脹的結(jié)果就是那個(gè)陰影部分。陰影部分包括X的所有范圍，就象X膨脹了一圈似的，這就是為什么叫膨脹的原因。膨脹的示意圖原圖像腐蝕后的圖像推薦精選推薦精選推薦精選第四章目標(biāo)跟蹤及預(yù)測(cè)方法目標(biāo)跟蹤的目的是通過(guò)對(duì)視頻圖像的分析，計(jì)算每幀圖像中目標(biāo)的位置坐標(biāo)，并根據(jù)不同的特征，將連續(xù)圖像中同一運(yùn)動(dòng)目標(biāo)聯(lián)系起來(lái)，得到每個(gè)目標(biāo)完整的運(yùn)動(dòng)軌跡和狀態(tài)。也為運(yùn)動(dòng)分析、場(chǎng)景理解、突發(fā)事件檢測(cè)或行為理解提供了可靠的數(shù)據(jù)。同時(shí)，運(yùn)動(dòng)目標(biāo)的跟蹤信息也可以作為反饋信息對(duì)運(yùn)動(dòng)目標(biāo)檢測(cè)和背景模型的更新等提供了幫助。各種跟蹤方法因跟蹤過(guò)程、場(chǎng)景假設(shè)、運(yùn)動(dòng)目標(biāo)類型、運(yùn)動(dòng)目標(biāo)的運(yùn)動(dòng)特征、攝像機(jī)及攝像機(jī)的運(yùn)動(dòng)、物體的變形、背景的變化、運(yùn)動(dòng)目標(biāo)運(yùn)動(dòng)的不規(guī)則、及物體在運(yùn)動(dòng)過(guò)程上顏色及形狀的改變等的不同而差異很大。4.1運(yùn)動(dòng)目標(biāo)跟蹤的方法4.1.1基于區(qū)域的跟蹤基于區(qū)域的跟蹤算法基本思想是：首先通過(guò)預(yù)先人為確定的方法或圖像分割的方法得到包含目標(biāo)的模板，然后在序列圖像中，運(yùn)用相關(guān)算法跟蹤目標(biāo)。對(duì)灰度圖像可以采用基于紋理和特征的相關(guān)，對(duì)彩色圖像還可利用基于顏色的相關(guān)等?；趨^(qū)域匹配的跟蹤方法不僅實(shí)現(xiàn)簡(jiǎn)單，而且可以應(yīng)用于當(dāng)圖像中目標(biāo)特征不明顯且其他方法都失效的場(chǎng)合。但是，由于它的區(qū)域相似性的判別依據(jù)為圖像間的灰度相關(guān)性，因此一旦連續(xù)視頻幀圖像間光照強(qiáng)度突變，或者噪聲較大，或者目標(biāo)運(yùn)動(dòng)的形態(tài)發(fā)生變化，都會(huì)對(duì)這種方法造成很大的影響，同時(shí)為了減少計(jì)算量，一般會(huì)選擇很小的搜索區(qū)域?qū)е履繕?biāo)丟失。推薦精選推薦精選推薦精選4.1.2基于特征的跟蹤基于特征匹配跟蹤方法首先從視頻序列中選擇運(yùn)動(dòng)目標(biāo)適當(dāng)?shù)奶卣髯鳛楦櫶卣鳎绻战?、邊緣、有明顯標(biāo)記的區(qū)域?qū)?yīng)的點(diǎn)、線、曲線等，并且在下一幀圖像中根據(jù)約束條件來(lái)尋找提取特征，然后將提取的當(dāng)前幀圖像中的目標(biāo)特征與模板特征相比較，根據(jù)比較的結(jié)果來(lái)確定目標(biāo)，從而實(shí)現(xiàn)目標(biāo)的跟蹤。基于特征的跟蹤方法是通過(guò)各幀間運(yùn)動(dòng)目標(biāo)個(gè)體特征的匹配實(shí)現(xiàn)跟蹤。用于匹配的個(gè)體特征有目標(biāo)的周長(zhǎng)、面積、質(zhì)心等全局特征和線段、角點(diǎn)等局部特征，也可將多個(gè)特征組合成更高一級(jí)的特征。與基于區(qū)域的跟蹤算法的不同之處在于，后者使用目標(biāo)整體作為相關(guān)時(shí)的對(duì)象，而前者使用目標(biāo)的某個(gè)或某些局部特征作為相關(guān)時(shí)的對(duì)象。這種對(duì)于運(yùn)動(dòng)目標(biāo)的尺度、形變和亮度等變化不敏感;同時(shí)，即使場(chǎng)景中出現(xiàn)部分遮擋，只要有一些特征點(diǎn)可見(jiàn)，仍然可以保持對(duì)運(yùn)動(dòng)目標(biāo)的跟蹤。4.2本文采用的技術(shù)方案本文采用第一種類型即基于區(qū)域的跟蹤來(lái)對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行描述，完成跟蹤。之所以采取這種跟蹤策略是由于它具備目標(biāo)未被遮擋時(shí)跟蹤精度高且穩(wěn)定的優(yōu)勢(shì)。推薦精選推薦精選推薦精選4.2.1直方圖和質(zhì)心在了解了跟蹤路線以后，接下來(lái)就要對(duì)運(yùn)動(dòng)目標(biāo)(檢測(cè)到的目標(biāo))的特征進(jìn)行選擇了。本文在進(jìn)行目標(biāo)跟蹤時(shí)選取了兩個(gè)特征點(diǎn)：直方圖和搜索窗的質(zhì)心。4.2.2最小外接矩形連通體分析得到運(yùn)動(dòng)目標(biāo)區(qū)域，進(jìn)一步可得到連通區(qū)域在的X軸上最大最小值，和Y軸上最大最小值，，連接四個(gè)點(diǎn)（，）（，）（，）（，）得到最小外接矩形。最小外接矩陣的高為：H=-;寬度為：L=-；質(zhì)心的坐標(biāo)：（+H/2，+L/2）；用直方圖檢測(cè)出目標(biāo)質(zhì)心目標(biāo)的軌跡4.3運(yùn)動(dòng)特征的提取和運(yùn)算我們?cè)谇懊嫱ㄟ^(guò)跟蹤的方法已經(jīng)得到了運(yùn)動(dòng)物體的