图象序列中机动目标的形心跟踪
机动目标跟踪反跟踪
参赛密码 （由组委会填写）第十一届华为杯全国研究生数学建模竞赛 学校东南大学 参赛队号10286119 队员姓名1.吕亮 2.荆丽 3.巨晓正
参赛密码 （由组委会填写） 第十一届华为杯全国研究生数学建模竞赛 题目机动目标的跟踪与反跟踪 摘要： 目标跟踪是指根据传感器（如雷达等）所获得的对目标的测量信息，连续地对目标的运动状态进行估计，进而获取目标的运动态势及意图。目标跟踪理论在军、民用领域都有重要的应用价值。目标机动是指目标的速度大小和方向在短时间内发生变化，通常采用加速度作为衡量指标。 机动目标跟踪的难点在于以下几个方面：(1) 描述目标运动的模型即目标的状态方程难于准确建立。通常情况下跟踪的目标都是非合作目标，目标的速度大小和方向如何变化难于准确描述；(2) 传感器自身测量精度有限加之外界干扰，传感器获得的测量信息如距离、角度等包含一定的随机误差，用于描述传感器获得测量信息能力的测量方程难于完全准确反映真实目标的运动特征； (3) 当存在多个机动目标时，除了要解决(1)、(2)两个问题外，还需要解决测量信息属于哪个目标的问题，即数据关联。本文主要对监测传感器的得到的目标数据进行分析，建立适当的跟踪模型，从而获取目标的运动态势及意图，达到跟踪的目的。由于以上多个挑战因素以及目标机动在战术上主动的优势，机动目标跟踪已成为近年来跟踪理论研究的热点和难点。 关键词：单目标模型目标跟踪
一、问题重述 现有3组机动目标的测量数据，数据分别包含在Data1.txt，Data2.txt，Data3.txt文件中，其中Data1.txt为多个雷达站在不完全相同时刻获得的单个机动目标的测量数据，Data2.txt为某个雷达站获得的两个机动目标的测量数据，Data3.txt为某个雷达站获得的空间目标的测量数据。 数据文件中观测数据的数据结构如下： 其中Data1.txt和Data2.txt数据的坐标系表示如下：原点O为传感器中心，传感器中心点与当地纬度切线方向指向东为x轴，传感器中心点与当地经度切线方向指向北为y轴，地心与传感器中心连线指向天向的为z轴，目标方位指北向顺时针夹角（从y轴正向向x轴正向的夹角，范围为0~360°），目标俯仰指传感器中心点与目标连线和地平面的夹角（即与xOy平面的夹角，通常范围-90°到90°）。 Data1.txt中的雷达坐标和测量误差如下： Data2.txt雷达坐标为[0,0,0]。对应两个目标的测量误差如下： Data3.txt的雷达坐标和测量误差为： 其余格式与Data1.txt和Data2.txt相同。 需完成的问题：
机动目标的追踪与反追踪的模型完整版123
（由组委会填写）第十一届华为杯全国研究生数学建模竞赛 学校大连理工大学 参赛队号10141005 队员姓名1.鲁欢 2.候会敏 3.程帅兵
（由组委会填写） 第十一届华为杯全国研究生数学建模竞赛 题目机动目标的跟踪与反跟踪模型的建立及求解 摘要： 本文主要对机动目标追踪与反追踪模型的建立及求解问题进行了相关计算，讨论结果大致如下： 问题一，根据附件中的数据，利用数值法求解各个时刻点处的加速度，挑出加速度数量较大的时刻，并绘出矩形图，以加速度持续较大的时刻点为机动时间范围，并进行统计其大小以及方向，追踪模型则是依据现时刻以及前一时刻估计出的的物理量如位置速度加速度等，并根据数据统计出目标的机动能力即两时刻加速度最大该变量作为下一时刻的加速度，来计算在这种极限状态下目标向四周逃离的最远边界，因而形成一个区域，其中心即为雷达天线下时刻所指方向。航迹计算将三雷达测得的数据转换到同一坐标系中在进行拟合得到。 问题二，首先进行了航迹起始的确定。采用联合概率数据关联(JPDA)算法，通过对确认矩阵拆分得到互联事件及互联矩阵，计算互联事件的概率来进行数据关联，然后按照确定航迹。为避免雷达对于仅有一个回波信号的失跟情况，采取调动多种检测手段对目标密切关注，并改进雷达的内部控制计算算法。 问题三，我们建立了微分方程模型。着重分析了在空间范围内的机动目标的切向加速度以及方向加速度随时间的变化规律。通过运用Excel进行数据的处理计算得出切向加速度以及法向加速度的数值，利用Matlab编程得出其变化规律的轨迹图像。再结合问题一中的追踪模型，得到在数据3情况下的变化规律。通过对比，得出模型一的结论应用于问题三，其结果产生较大的偏差。 问题四，我们建立了卡尔曼滤波预测模型。利用卡尔曼滤波对机动目标进行预测，经过多次循环得出200对的位置坐标，利用Matlab软件给出了模拟后的卡尔曼滤波波形图。再进行对坐标的空间及时间复杂度进行分析，得出最终的结
动态视频目标检测和跟踪技术(入门)
动态视频目标检测和跟踪技术 传统电视监控技术只能达到“千里眼”的作用，把远程的目标图像（原始数据）传送到监控中心，由监控人员根据目视到的视频图像对现场情况做出判断。智能化视频监控的目的是将视频原始数据转化为足够量的可供监控人员决策的“有用信息”，让监控人员及时全面地了解所发生的事件：“什么地方”，“什么时间”，“什么人”，“在做什么”。将“原始数据”转化为“有用信息”的技术中，目标检测与跟踪技术的目的是要解决“什么地方”和“什么时间”的问题。目标识别主要解决“什么人”或“什么东西”的问题。行为模式分析主要解决“在做什么”的问题。动态视频目标检测技术是智能化视频分析的基础。 本文将目前几种常用的动态视频目标检测方法简介如下： 背景减除背景减除（Background Subtraction）方法是目前运动检测中最常用的一种方法，它是利用当前图像与背景图像的差分来检测出运动目标的一种技术。它一般能够提供相对来说比较全面的运动目标的特征数据，但对于动态场景的变化，如光线照射情况和外来无关事件的干扰等也特别敏感。实际上，背景的建模是背景减除方法的技术关键。最简单的背景模型是时间平均图像，即利用同一场景在一个时段的平均图像作为该场景的背景模型。由于该模型是固定的，一旦建立之后，对于该场景图像所发生的任何变化都比较敏感，比如阳光照射方向，影子，树叶随风摇动等。大部分的研究人员目前都致力于开发更加实用的背景模型，以期减少动态场景变化对于运动目标检测效果的影响。 时间差分时间差分（Temporal Difference 又称相邻帧差）方法充分利用了视频图像的特征，从连续得到的视频流中提取所需要的动态目标信息。在一般情况下采集的视频图像，若仔细对比相邻两帧，可以发现其中大部分的背景像素均保持不变。只有在有前景移动目标的部分相邻帧的像素差异比较大。时间差分方法就是利用相邻帧图像的相减来提取出前景移动目标的信息的。让我们来考虑安装固定摄像头所获取的视频。我们介绍利用连续的图像序列中两个或三个相邻帧之间的时间差分，并且用阈值来提取出视频图像中的运动目标的方法。我们采用三帧差分的方法，即当某一个像素在连续三帧视频图像上均有相
基于动态图像序列的运动目标跟踪
浙江工程学院学报,第19卷,第3期,2002年9月 Journal of Zhejiang Institute of Science and T echnology Vol .19,No .3,Sep 12002 文章编号:100924741(2002)0320165206 收稿日期:2002201222 基金项目:国家自然科学基金资助项目(60103016),浙江省自然科学基金资助项目(601019),浙江省教育厅科研资助项目(2000036) 作者简介:周志宇(1974— ),男,浙江诸暨人,在职硕士研究生,从事计算机视觉的研究。基于动态图像序列的运动目标跟踪 周志宇,汪亚明,黄文清 (浙江工程学院计算机视觉与模式识别研究中心,浙江杭州 310033) 摘要:介绍了运动目标跟踪中基于特征、32D 、变形模型和区域的4种跟踪方法,着重分析了变形模型 中Snake 的跳跃模型跟踪方法和基于区域的几个有代表性的跟踪方法,说明了其在智能交通监控中的应用, 并给出了区域跟踪的实验结果。 关键词:动态图像序列;运动目标;变形模型;区域跟踪 中图分类号:TP391141 文献标识码:A 0 前 言 基于动态图像序列的运动目标跟踪技术在军事、国防、工业过程控制、医学研究、交通监控、飞机导航等领域有着广泛的应用前景。运动目标跟踪的目的就是通过对序列图像进行分析研究,计算出运动目标在连续帧图像中的位移,给出运动目标速度等运动参数,从而对缓解城市交通拥挤、堵塞现象提供依据。利用图像捕捉并跟踪我们感兴趣的运动目标,形成运动目标的序列图像由于比静止目标的一帧图像提供了更多的有用信息,使得可以利用序列图像检测出在单帧图像中很难检测出的目标。在复杂背景下对运动目标的跟踪以达到特定的目的,可靠性和精度是跟踪过程中的两个重要指标,为此,人们提出了许多方法来解决跟踪问题,但归纳起来,主要有基于特征、32D 、变形模型和区域的4种跟踪方法。 1 运动目标的跟踪方法 111 基于特征的跟踪方法用于目标的跟踪的个体特征有许许多多,不管是刚体运动目标,还是非刚体运动目标,在序列图像中相邻的两帧图像,由于图像序列间的采样时间间隔很小,可以认为这些个体特征在运动形式上具有平滑性,因此可以用直线 [1]、曲线[2]、参照点[3]等个体特征来跟踪运动目标。Liu [1]等人介绍了灰度图像中一种边缘直线匹配的算法。在边缘直线的提取中,首先,用图像边缘聚焦技术处理图像数据,消除不必要的图像噪声,形成了一个边缘,然后从边缘中分割出直线,并从中提取直线。用一种以直线的几何关系和灰度图像的信息为基础的匹配函数描述了两幅图像边缘直线的相似性,在连续帧图像中采用直线匹配的方法进行了运动参数的估计。 基于特征的跟踪方法有其显著的优点:a )由于使用的符号模型运动方式简单,运动具有平滑性,因此跟踪目标的算法就简单了;b )这种方法已经假设特征符号运动是相互独立的运动,因此在运动分析时
第一章 目标跟踪基本原理与机动目标模型1
第一章目标跟踪基本原理与机动目标模型1.1 引言目标跟踪问题作为科学技术发展的一个方面，设计的主要目的是可靠而精确的跟踪目标，其历史可以追溯到第二次世界大战前夕，即1937 年世界上出现第一部跟踪雷达站SCR-28 的时候、之后各种雷达、红外、声纳和激光等目标跟踪系统相继得到发展并且日趋完善。传统的跟踪系统是一对一系统，即一个探测器仅连续地瞄准和跟踪一个目标。随着科学技术的进步和现代战略战术的发展，人们发现提出新的目标跟踪概念和体制是完全可能的，在过去20 多年中，多目标跟踪的理论和方法已经获得很大发展，并已成为当今国际上十分活跃的热门研究领域之一，有些成果也已付诸于工程实际。简单地说，目标跟踪问题可以划分为下列四类：一个探测器跟踪一个目标（OTO）一个探测器跟踪多个目标（OTM）多个探测器跟踪一个目标（MTO）多个探测器跟踪多个目标（MTM）1.2 目标跟踪的基本原理1.2.1 单机动目标跟踪基本原理发展现代边扫描边跟踪（TWS）系统的目的是，仅在一个探测器条件下同时跟踪多个目标。然而，为达此目的，边扫描边跟踪系统必须首先很好地跟踪单个目标。一般地说，常速直线运动目标的跟踪与估计问题较为简单，而且易于处理。困难的情况表现在被跟踪目标发生机动，即目标速度的大小和方向发生变化的场合。图 1.1 为单机动目标跟踪基本原理框图。图中目标动态特性由包含位置、速度和加速度的状态向量X 表示，量测（观测）量Y 被假定为含有量测噪声V 的状态向量1的线性组合（HX＋V）；残差（新息）向量 d 为量测（Y）与状态预测量H X k k 之差。我们约定，用大写字母XY 表示向量，小写字母xy表示向量的分量。一般情况下，单机动目标跟踪为一自适应滤波过程。首先由量测（观测）量（Y）和状态预1测量H X k 构成残差（新息）向量d，然后根据d 的变化进行机动检测或者机k动辨识．其次按照某一准则或逻辑调整滤波增益与协方差矩阵或者实时辨识出目标机动特性，最后由滤波算法得到目标的状态估计值和预测值，从而完成单机动目标跟踪功能。图 1.1 单机动目标跟踪基本原理框图1.2.2 单机动目标跟踪基本要素单机动目标跟踪基本要素主要包括量测数据形成与处理，机动目标模型，机动检测与机动辨识，滤波与预测以及跟踪坐标系和滤波状态变量的选取。现分别简述之。1.2.2.1 量测数据形成与处理量测数据通常指来自探测器输出报告的所有观测量的集合。这些观测量一般包括目标运动参数，如位置和速度，目标属性，目标类型，数目或形成以及获取量测量的时间序列等。在单机动目标跟踪技术中，量测数据主要指目标运动学参数。量测数据既可以等周期获取，也可以变周期获取。在实际问题中常常遇到等速，为了提高目标状态率数据采集。量测数据大多含有噪声和杂波（多目标检测情况）估计精度，通常采用数据预处理技术以提高信噪比。目前常用的方法有数据压缩，包括等权和变权预处理以及量测资料中野值的剔除方法等技术。1.2.2.2 机动目标模型众所周知，估计理论特别是卡尔曼滤波理论要求建立数学模型来描述与估计问题有关的物理现象。这种数学模型应把某一时刻的状态变量表为前一状态变量的函数。所定义的状态变量应为能够全面反应系统动态特性的一组维数最少的变量。一般地，状态变量与系统的能量有关，譬如在目标运动模型中，状态变量中所包含的位置元素与势能有关，速度元素与动能有关。在目标模型构造过程中，考虑到缺乏有关目标运动的精确数据以及存在着许多不可预测的现象，如周围环境的变化及驾驶员主观操作等，只是需要引入状态噪声的概念。当目标作匀速直线运动时，加速度常常被看作是具有随机特性的扰动输入（状态噪声），并假设其服从零均值白色高斯分布，这时，卡尔曼滤波可直接使用。当目标发生诸如转弯或逃避等机动现象时，上述假设则不尽合理，机动加速度变成为非零均值时间相关的有色噪声。此时，为满足滤波需要常常采用白化噪声和状态增广方法。机动目标模型除了考虑加速度非零均值时间相关噪声假设外，还要考虑加速度的分布特性。客观上，要求加速度函数应尽可能的描述目标机动的实际情况。从目前的机动目标模型来看，所有建模方法均考虑了目标发生机动的可能性，并建立了一种适合任何情况和任何类型目标的机动模型，我们称这种模型为全局统计模型，其典型代表是传统的Singer 模型。然而，根据全局统计模型思想，每一种具体战术情况下的每
机动目标跟踪_张泽兵_05040056
(1) 算法描述 在该问题中，机动目标经历三个阶段：初始匀速直线阶段、匀速圆周运动阶段、返回匀速直线阶段。在此过程中线速度大小v 保持不变。 图1 如图1所示：θ为轨迹切线与横轴正向夹角。在初始匀速阶段和返回匀速直线阶段θ分别为0，π。在匀速圆周运动阶段θ从0到π均匀变化。 由 2/mv r ma =及/w v r =得 /w a v =（w 为角速度） 所以容易得到： /wt vt r θ==
cos x v v θ= sin y v v θ=- 状态变量 [,,,,]T x y s r r v a θ= 状态方程为： [][1][1]cos x x x x r n r n v T r n v T θ=-+=-+ [][1][1]sin y y y x r n r n v T r n v T θ=-+=-- [][1][1]a n n wT n T v θθθ=-+=-+ [][1][]v v n v n u n =-+ [][1][]a a n a n u n =-+ 即 []([1])[]s n a s n u n =-+,其中[][0,0,0,[],[]]'v a u n u n u n = 所以状态转换矩阵为 211,0,sin ,cos ,0210,1,cos ,sin ,02 0,0,1,,/0,0,0,1,00,0,0,0,1v T T v T T a a A T T v s v θθθθ??-???? ??--???????==-??? ????????????
假设[]v u n 和[]a u n 不相关，方差分别为2 v σ、2 a σ，因此得驱动噪 声 220,0,0,0,00,0,0,0,00,0,0,,00,0,0,0,v a Q σσ???? ? ?=???????? 观测矢量 [][][][]x y r n x n w n r n ??=+???? 其中[][][]x y u n w n u n ?? =???? 所以观测矩阵 1,0,0,0,00,1,0,0,0H ?? =???? ， 假设[]x u n 、[]y u n 不相关且方差分别为2 x σ和2 y σ 观测噪声 22,00,x y C σσ??=?????? 总结上述式子，得到这个问题的扩展卡尔曼滤波方程为 ??[|1]([1|1])s n n a s n n -=--
基于图像识别的目标跟踪系统(论文)
基于图像识别的目标跟踪系统 周立建1茅正冲2 （江南大学，江苏省无锡市 214122） 摘要：研究了在简单的背景下实现对图像的识别和跟踪。系统以ARM微处理器STM32为主控制器。在分析了驱 动电机和目标环境等因素的基础上，选择摄像头捕捉、采集图像并跟踪目标，通过合适的图像识别算法正确地处 理图像信息、识别目标。通过对水平和垂直驱动电机的控制，实现三维目标跟踪。能够实现系统对目标的大范围， 高精度的自动跟踪。 关键词：图像采集；图像信息处理；目标识别；目标跟踪 Target Tracking Based on Image Recognition System (IOT Engineering School of Jiangnan University,Wuxi Jiangsu Province ,214122) Abstract：Studied in the context of a simple implementation of image recognition and tracking. STM32 ARM microprocessor-based system controller. In the analysis of the drive motor and objectives on the basis of environmental factors, select the camera capture, image acquisition and target tracking, image recognition algorithm by an appropriate image processing information correctly, identify the target.Through horizontal and vertical drive motor control, to achieve three-dimensional tracking. System to achieve the target of large-scale, high-precision automatic tracking. Key words：Image acquisition；Image information processing；Target identification；Target tracking 1引言 图像处理技术的高速发展，相应地促进目标识别和跟踪技术的发展。尤其是在不同的环境下，如何实现目标识别和跟踪的稳定，具有很重要的理论价值和实际意义。 嵌入式平台集成度高,支持实时多任务操作系统,符合实时性和小型化的要求，同时克服了基于桌面pc机图像处理系统体积庞大，不具有实时特性等不足，可以面对日益复杂的应用。所以基于嵌入式平台的图像处理系统是未来图像处理系统的发展趋势。随着现代高速处理器的迅猛发展，图像处理技术也日益成熟。其中，移动目标的视频检测与跟踪是图像处理、分析应用的一个重要领域，是当前相关领域的研究前沿。移动目标视频检测与跟踪技术在诸多经济和军事领域有很广泛的应用，发挥重要的作用。 在最近二十几年间，随着计算机技术、VLSI技术和高分辨率传感器技术的迅速更新，图像识别方法已经有了更广泛的应用，如工业上的工业过程控制、自主运载器导航等等，尤其是它具有的许多突出的优点：可获得大量的目标信息(为其他形式的跟踪手段所无法相比)、抗电子干扰能力强、测量(角、面)精度高、保密性好、低空跟踪范围大、使用多种传感器(可见光、红外、微光等)、全天候工作能力强等。利用先进的数字图像处理技术去除许多自然及人为的干扰，加上预测等技术配合使用，可以实现记忆跟踪以及对瞬间丢失的目标再捕获。这种方法大量的运用在军事上的火控、导航、特别是制导方面。然而由于这一课题的发展历史较短而且内容又涉及到图像处理、模式识别和人工智能等多个新兴学科，其理论还很不完善，一些重要的问题尚未解决，新的方法和技巧还有待开发。因此进行有关图像目标识别与跟踪的研究无疑是一项既有理论意义又有实用价值的课题。 本文介绍了一种在简单背景下实现对图像目标的捕捉与跟踪。本系统设计应用了以ARM微处理器STM32为主控制器的嵌入式系统，使用OV7670图像处理器，尽可能达到了实时性与可靠性的要求。系统的工作流程如图1：
机动目标跟踪技术发展浅析
机动目标跟踪技术发展浅析 对机动目标进行跟踪，无论是在军事任务中还是民用领域内亦或是在情报获取方面，都 是研究信息处理的重要内容。同时，对于怎样使用探测设备（如雷达）更好的实现对机动目 标的跟踪，一直以来都是各国专家学者们关注的重点[1]。 机动目标跟踪的主要任务是对机动目标的状态和运动轨迹在一定条件下进行估计。在机 动目标跟踪中，在对机动目标建立合适的运动模型的同时，也要采用稳定的跟踪滤波算法。 以下将从目标模型、跟踪滤波算法这两个方面对机动目标跟踪技术的发展进行阐述。 一、目标运动模型 几乎所有的机动目标跟踪算法都要依据一定的目标运动模型，同时一个合适的目标运动 模型也能大幅改善机动目标跟踪系统的性能。简单的目标运动模式有匀速运动和匀加速运动。相应的，对目标可以建立匀速（CV）模型和匀加速（CA）模型。此外，当目标进行转弯机动时，可以建立匀速率转弯（CT）模型，在此过程中，虽然目标的速度大小不改变，由于受到 一个恒定的转弯角速率（）的影响，发生变化的是速度的方向[2]。 以上三种模型较为简单，在跟踪系统中是最基础的。但是，由于匀速和匀加速模型都将 白噪声作为扰动，当目标发生机动时，将会导致扰动增大，跟踪误差也会变大，这就意味着 模型不再适用。对此，上世纪七十年代，R. A. Singer等人提出了一种相关噪声模型，即Singer模型。Singer模型认为，机动控制项应该是有色噪声类型的而不是白噪声类型的[3]。 它将目标加速度作为具有指数自相关的零均值随机过程从而实现对目标的建模，并且它的时 间函数呈现出的变化规律以指数的形式衰减。这虽然更符合实际，但是该模型只能适用于目 标在某些特定情况下的机动。然而，在实际的目标跟踪过程中，当目标发生机动，其加速度 便会随着时间而变化，均值是不可能时时都为零的，因此这种假设也是不恰当的。针对这一 问题，我国目标跟踪领域知名学者周宏仁在上世纪八十年代初提出了当前统计(CS)模型。这 是对Singer模型改进而得到的机动目标运动模型，其改进主要有两点：一是利用修正的瑞利 分布来表示加速度的概率密度分布；二是采用上一时刻加速度的估计作为当前加速度的均值[4]。上世纪九十年代末，Kishore Mehrotra在一阶时间模型上加入了加速度的导数项，提出 了Jerk模型。该模型假设目标机动加速度的导数项（加速度的变化率）服从一阶时间相关过 程且均值为零,其时间相关函数与Singer模型相一致，也呈现出指数形式上的衰减。 二、跟踪滤波算法 目标运动模型是机动目标跟踪系统的基础，而跟踪滤波算法则是设计一个目标跟踪系统 的核心内容。上个世纪四十年代，美国控制论著名学者N. Wiener在火力控制系统中为解决 如何进行精确跟踪的问题时提出一种线性最佳滤波理论，即维纳滤波。维纳滤波是一种频域 滤波方法，它要求信号必须是一维条件下的严格平稳信号，适用条件严苛，适用范围小。上 个世纪六十年代，美国学者卡尔曼（Kalman）在对美国航空航天局（NASA）访问后，提出了 一种时间域上基于最小均方误差估计的滤波算法，即卡尔曼滤波算法，自此现代滤波理论开 始形成。随着科学技术的不断发展，机动目标跟踪领域已经涌现出了诸多更成熟的算法，其 中研究较热门，应用前景较广阔的主要有自适应跟踪算法和多模型跟踪算法。 上世纪五十年代末，美国通用电气公司（GE）的工程师霍尔斯（P. Howells）和阿普鲍 姆（P. Applebaum）两人在对天线辐射进行研究时,为了提高天线的方向性，率先给出了自适 应滤波的概念。发展至今，自适应滤波算法的理论成果大致可以分为三类，第一类是基于最 小均方误差（LMS）的自适应滤波算法。该算法最早是由美国斯坦福大学的学者霍夫（M. Hoff）和维德罗（B. Widrow）基于维纳滤波的原理所提出的。后来，针对LMS算法中步长因 子对算法的收敛速度和稳态失调量影响较大的问题，又形成了多种LMS的扩展与改进算法,例如变步长最小均方误差算法（VSSLMS）、归一化最小均方误差算法（NLMS）。第二类是基 于递推最小二乘法（RLS）的自适应滤波算法。递推最小二乘算法（RLS）是利用递推计算的
图像定位及跟踪技术大解析
图像定位及跟踪技术大解析 在科学技术日新月异的今天，人们对机器设备的智能性、自主性要求也越来越高，希望其完全替代人的角色，把人们从繁重、危险的工作任务中解脱出来，而能否像人一样具有感知周围环境的能力已成为设备实现智能化自主化的关键。 广义的“图像跟踪”技术，是指通过某种方式(如图像识别、红外、超声波等)将摄像头中拍摄到的物体进行定位，并指挥摄像头对该物体进行跟踪，让该物体一直被保持在摄像头视野范围内。狭义的“图像跟踪”技术就是我们日常所常谈到的，通过“图像识别”的方式来进行跟踪和拍摄。 因为红外、超声波等方式，都受环境的影响，而且要专门的识别辅助设备，在实际应用中已经逐步被“图像识别”技术所替代。“图像识别”是直接利用了摄像头拍摄到的图像，进行NCAST图像差分及聚类运算，识别到目标物体的位置，并指挥摄像头对该物体进行跟踪。 图像跟踪系统采用特有的NCAST目标外形特征检测方法，被跟踪者无需任何辅助设备，只要进入跟踪区域，系统便可对目标进行锁定跟踪，使摄像机画面以锁定的目标为中心，并控制摄像机进行相应策略的缩放。系统支持多种自定义策略，支持多级特写模式，适应性强，不受强光、声音、电磁等环境影响。 目标物体的边缘检测 物体的形状特征在大多数情况下变化不多，基于目标形状轮廓的跟踪方法与基于区域的匹配方法相比，可以更精确的分割目标。 边缘是运动目标的最基本特征，表现在图像中就是指目标周围图像灰度有阶跃变化或屋顶变化的那些像素集合，它是图像中局部亮度变化最显著的部分。 边缘检测就是采用某种算法来定位灰度不连续变化的位置，从而图像中目标与背景的交界线。图像的灰度变化可以用灰度梯度来表示。
雷达机动目标跟踪源程序
附录 附录A 机动目标跟踪与实现源程序 T=2;alpha=0.8; % 加权衰减因子 window=round(1/(1-alpha)); % 检测机动的有效窗口长度 dt=100; % dt=dt_x=dt_y=100 Th=25; % 机动检测门限 Ta=9.49; % 退出机动的检测门限 N=800/T; %采样次数 M=50; %模拟次数 %真实轨迹数据 t=2:2:400; xo0=2000+0*t; yo0=10000-15*t; t=402:2:600; xo1=2000+0.075*((t-400).^2)/2; yo1=10000-15*400-(15*(t-400)-0.075*((t-400).^2)/2); t=602:2:610 ; xo2=xo1(100)+15*(t-600); yo2=yo1(100)+0*t; t=612:2:660; xo3=xo2(5)+(15*(t-610)-0.3*((t-610).^2)/2); yo3=yo2(5)-0.3*((t-610).^2)/2; t=662:2:800; xo4=xo3(25)+0*t; yo4=yo3(25)-15*(t-660);
x=[xo0,xo1,xo2,xo3,xo4]; y=[yo0,yo1,yo2,yo3,yo4]; e_x1=zeros(1,N); e_x2=zeros(1,N); e_y1=zeros(1,N); e_y2=zeros(1,N); px=zeros(1,N); qy=zeros(1,N); u=zeros(1,N); u_a=zeros(1,N); for j=1:M no1=100*randn(1,N); % 随机白噪 no2=100*randn(1,N); for i=1:N; zx(i)=x(i)+no1(i); % 观测数据 zy(i)=y(i)+no2(i); z(:,i)=[zx(i);zy(i)]; end X_estimate(2,:)=[zx(2),(zx(2)-zx(1))/T,zy(2),(zy(2)-zy(1))/T]; X_est=X_estimate(2,:); P_estimate=[dt^2,dt^2/T,0,0;dt^2/T,(dt^2)*2/(T^2),0,0;0,0,dt^2,dt^2/T;0,0,dt^2/T,(dt^2)*2/(T ^2)]; x1(1)=zx(1); y1(1)=zy(1); x1(2)=X_estimate(2,1); y1(2)=X_estimate(2,3); u(1)=0; u(2)=0; u1=u(2); pp=0;% ０表示非机动，１表示机动 qq=0; rr=1;k=3; while k<=N
(完整word版)基于图像处理的运动物体的跟踪与检测开题报告
1、课题来源 随着计算机技术的高速发展，运动物体的检测和跟踪在图像处理、计算机视觉、模式识别、人工智能、多媒体技术等领域越来越受到人们的关注。运动跟踪和检测的应用广泛，在智能监控和人机交互中，如：银行、交通、超市等场合常常使用运动跟踪分析技术，通过定位物体并对其行为进行分析，一旦发现物体有异常行为，监控系统就发出警报，提醒人们注意并即时的处理，改善了人工监督注意力分散、反应时间较慢、人力资源浪费等问题。运动目标的跟踪在虚拟现实、工业控制、军事设备、医学研究、视频监控、交通流量观测监控等很多领域也有重要的实用价值。特别在军事上，先进的武器导航、军事侦察和监控中都成功运用了自动跟踪技术。而跟踪的难点在于如何快速而准确的在每一帧图像中实现目标定位。正因如此，对运动目标的跟踪和检测的研究很有价值。 2、研究目的和意义 运动目标检测是图像处理与计算机视觉的一个分支，在理论和实践上都有重大意义，长久以来一直被国内外学者所关注。在实际中，视频监控利用摄像机对某一特定区域进行监视，是一个细致和连续的过程，它可以由人来完成，但是人执行这种长期枯燥的例行监测是不可靠，而且费用也很高，因此引入运动监测非常有必要。它可以减轻人的负担，并且提高了可靠性。概括起来运动监测主要包括三个内容：运动目标检测，方向判断和图像跟踪。运动目标检测是整个监测过程的基础，运动目标的提取准确与否，直接关系到后续高级过程的完成质量。3、国内外研究现状和发展趋势及综述 运动目标检测在国外已经取得了一些的研究成果，许多相关技术已经开始应用到实际系统中，但是国内研究相对落后,与国外还有较大差距。传统的视频目标提取大致可以分两类,一类以空间同性为准则,先用形态学滤波器或其他滤波器对图像作预处理;然后对该图像的亮度、色度或其他信息作空间上的分割以对区域作边缘检测;之后作运动估计,并合并相似的运动区域以得到最终的提取结果。如光流算法、主动轮廓模型算法。此类方法结果较为准确但是运算量相对较大。另一类算法主要以时间变化检测作为准则,这类算法主要通过帧差检测图像上的变化区域和不变区域,将运动物体与静止背景进行分割。此类方法运算量小,提取结果不如前类方法准确。此外,还有时空结合方法、时空亮度梯度信息结合的方法等等。 4、研究方法
(完整版)基于视频图像序列的目标运动轨迹提取技术毕业论文
摘要 基于视频图像序列的目标运动轨迹提取技术是已经成为精确制导武器的关键技术之一，能够提高武器打击精度及力度；同时更能体现目标跟踪监控系统的智能化和自动化。而在众多模式下的基于视频图像序列的轨迹提取技术中，基于固定参照物视场变动模式的轨迹测量技术不受相机视野限制，能够有效地扩大目标跟踪范围，更有着重要的研究意义和工程应用价值。 固定参照物视场变动模式的轨迹测量技术要求相邻两帧之间必须具有一定的重复。由于运动目标瞬时空间位置坐标是通过相对前一时刻空间位置坐标的相对变化得到，因此存在轨迹计算的累积误差较大的问题，同时由于目标体运动过程中的姿态变化、参照环境的复杂性等因素，导致轨迹计算的精度很难得到保证。 本论文针对固定参照物视场变动模式下运动目标轨迹提取问题进行深入研究，设计开发了基于视频图像序列的目标运动轨迹提取系统，针对目标在运动过程中的姿态变化导致的相机坐标系变化问题，提出了成像系统外参实时校正方法，通过陀螺仪获取的数据和空间坐标系变换关系对相机姿态角参数实时校正；针对SIFT特征匹配算法中的欧式距离无法自适应调节问题，提出了多目标优化的SIFT特征匹配算法，建立了以相关系数和特征点之间的欧氏距离为目标函数，以置信度为约束条件的多目标优化模型，减少了特征点的误配率；最后通过车载CCD实验对系统功能和精度进行验证，数据表明该系统能够精确的实现运动目标的轨迹测量，并具有较强的适应性和可靠性。
1绪论 1.1课题研究背景及意义 基于视频图像序列的目标运动轨迹提取技术是动态视觉领域中一个具有重要意义和实际价值的研究课题。目标运动轨迹是反映一段时间内目标的运动路线，它的精确提取能够实现测量和分析目标的运动参数、运动行为评估等。在军事领域中，该技术已经成为精确制导武器的一项关键技术，它能够有效地提高武器的打击精度，强化武器的打击力度；同时在民用领域，以该技术为基础建立的人机交互系统，能够实现运动目标的智能跟踪、行为监管等，真正地体现运动目标监控系统的自动化和智能化。因此无论在民用上还是在军事领域中，该技术的研究都具有较强的理论意义和研究价值。 目前基于视频图像序列的目标运动轨迹提取技术根据相机视场和参照物的不同可分为固定视场内参照物运动、变化视场内参照物运动和固定参照物视场变动情况下的运动目标跟踪及轨迹检测。固定视场内参照物运动方式中，相机及其视野固定，对视野内的运动目标进行跟踪检测，具有空间和时间上的区域限制，仅能得到固定区域、固定时间段中的目标运动轨迹；变化视场内参照物运动是对固定视场方式的一种改进，通过云台等
对空高速目标检测和跟踪方法解释
对空高速目标信号处理 对于常规慢速目标，在相参处理时间内该走动量通常不会超过一个距离单元。而对于高速目标，它可能跨越多个距离单元，而必须加以处理才能实现相参处理时间内多次回波的相参积累。尤其HSV载体运动速度很高且机动能力很强，雷达目标间的高速高机动特性更加明显，雷达目标回波会出现跨距离单元、跨多普勒单元问题，加剧了目标回波相参积累的难度。为了提高雷达的探测性能，需要补偿后才能达到好的积累增益。 雷达目标间的相对速度最高可达15马赫以上，加速度最高可达20g。以速度每秒5000米为例，如果雷达相参处理时间为50ms，其运动距离可达250米，对窄带雷达来讲需要考虑回波包络的补偿。此外，速度在相参时间里变化10m/s，对X波段雷达来说，多普勒扩展为667Hz，而多普勒分辨率为20Hz。所以为了获得高的处理增益，提高探测距离，回波多普勒扩散需要补偿。 （1）高重频信号处理 高脉冲重复频率的相参脉冲串信号的频谱如图3.5所示。除了载频上的中央谱线之外，在载频PRF的整数倍处还有其它一些谱线，谱线间隔为脉冲重复频率。发射频谱的包络取决于脉冲形状，例如，矩形脉冲时为sin/x x形。运动目标回波的频谱是发射频谱偏移后的复制品，也含有一些间隔为PRF的谱线。
f 0r f f +0r f f -02r f f -02r f f + 图3.8 PD 雷达发射信号的频谱 高占空比高重频的信号没有距离门的概念，可以只考虑多普勒扩展的影响。由于加速度的存在对回波信号补偿后其多普勒仍不为常数而是时变的，故需要进一步获取目标的精确运动参数。解线性调频法是一种简单而且易于实现的运动补偿法。 可用一个调频因子2 j ut e π-（λ/2a u =）与信号相乘，即 2 (,){()}j ut d D f u FFT r t e π-= （3.1） 当u ＝02/a λ （其中 0a 为目标的加速度真值）、式（3.1）出现峰值。因而速度、加速度的精确估计问题转化为寻找最优的u 即a 的问题。 利用解线性调频法精确估计速度、加速度，关键是对式（3.1）中的u 进行最优搜索，搜索步长的选取十分重要，如果步长选得过大，就不能满足估计精度要求；如果搜索步长选得过小，则运算量剧增，不利于算法的实时处理和工程实现。 由于u 需要遍历搜索，为减少运算量以及提高估计精度，可以采用“逐次逼近法”来估计目标的速度、加速度。对u 遍历搜索时，为满足精度要求搜索步长必须选得很小，我们要计算的FFT 次数太多，运算量相当的大，“逐次逼近法”在保证估计精度的前提下，有效的解
图像目标跟踪技术
图像目标跟踪技术 ?作者：王鑫，徐立中著 ?出版社：人民邮电出版社 ?出版时间：2012-12-1 ?版次：1页数：178字数：221000 ?印刷时间：2012-12-1开本：16开纸张：胶版纸 ?印次：1I S B N：9787115288974包装：平装 内容推荐 《图像目标跟踪技术》系统阐述了图像目标跟踪的有关概念、原理和方法，共分9章，第1章介绍图像目标跟踪的意义、应用及分类，第2章介绍非线性优化序贯拟蒙特卡洛滤波，第3章介绍融合背景信息的序贯拟蒙特卡洛滤波目标跟踪，第4章讨论基于概率图模型的粒子滤波多目标跟踪，第5章介绍基于序贯拟蒙特卡洛滤波的多摄像机目标跟踪，第6章介绍基于信息融合技术的目标跟踪，第7章讨论受机械参数影响的多摄像机深度估计，第8章介绍基于自适应多信息融合的均值漂移红外目标跟踪，第9章介绍融合均值漂移和粒子滤波优点的实时目标跟踪。本书是图像目标跟踪方面的专著，反映作者近年来在这一领域的主要研究成果。《图像目标跟踪技术》内容新颖，理论联系实际，可作为大专院校及科研院所图像处理、计算机视觉和视频处理等领域的高年级本科生、研究生的教学和参考用书，也可供相关领域的教师、科研人员及工程技术人员作参考。 目录 第1章绪论 1.1 图像目标跟踪的意义和应用 1.2 单摄像机目标跟踪 1.2.1 目标表示模型 1.2.2 目标动态模型 1.2.3 目标状态估计模型 1.3 多摄像机目标跟踪 1.3.1 目标匹配 1.3.2 摄像机标定及拓扑关系估计 1.3.3 数据关联 1.4 红外图像中目标的跟踪 1.5 智能视频监控系统 1.5.1 智能视频监控的背景和意义 1.5.2 智能视频监控系统 参考文献 第2章非线性优化序贯拟蒙特卡洛滤波 2.1 引言 2.2 基于贝叶斯框架的跟踪问题描述 2.2.1 贝叶斯滤波的蒙特卡洛实现 2.2.2 贝叶斯滤波的拟蒙特卡洛实现 2.3 非线性优化序贯拟蒙特卡洛滤波 2.3.1 信赖域方法 2.3.2 基于信赖域的序贯拟蒙特卡洛滤波算法 2.4 实验与分析 2.4.1 非线性动态模型 2.4.2 二维点目标跟踪中的应用
雷达机动目标跟踪技术研究精编
雷达机动目标跟踪技术 研究精编 Document number：WTT-LKK-GBB-08921-EIGG-22986
1 绪论 课题背景及目的 目标跟踪问题实际上就是目标状态的跟踪滤波问题，即根据传感器已获得的目标量测数据对目标状态进行精确的估计[1]。它是军事和民用领域中一个基本问题，可靠而精确地跟踪目标是目标跟踪系统设计的主要目的。在国防领域，目标跟踪可用于反弹道导弹的防御、空防预警、战场区域监视、精确制导和低空突防等。在民用领域，则用于航空和地面交通管制、机器人的道路规划和障碍躲避、无人驾驶车的跟踪行驶、电子医学等。作为科学技术发展的一个方面，目标跟踪问题可以追溯到第二次世界大战的前夕，即1937年世界上出现第一部跟踪雷达站SCR-28的时候。之后，许多科学家和工程师一直努力于该项课题的研究，各种雷达、红外、声纳和激光等目标跟踪系统相继得到发展并且日趋完善。 运动目标的机动会使跟踪系统的性能恶化，对机动目标进行跟踪是人们多年来一直关注的问题。随着现代航空航天技术的飞速发展，机动目标在空间飞行的速度、角度、加速度等参数不断变化，使得目标的位置具有很强的相关性，因此，提高对这类目标的跟踪性能便成为越来越重要的问题，迫切需要研究更为优越的跟踪滤波方法。机动目标的跟踪研究，已成为当今电子战的研
究热点之一。今天，精密跟踪雷达不仅广泛应用于各类武器控制和各类实验靶场，而且还广泛应用于各种空间探测、跟踪和识别领域，以及最先进的武器控制系统。 跟踪模型和匹配滤波是机动目标跟踪的两个关键部分，机动目标的精确跟踪在过去和现在都是一个难题，最根本原因在于跟踪滤波采用的目标动力学模型和机动目标实际动力学模型不匹配，导致跟踪滤波器发散，跟踪性能严重下降。本文将机动目标作为研究对象，从目标的运动建模和匹配滤波算法入手，提出或修正跟踪算法，从而实现对机动目标的精确跟踪。 机动目标跟踪技术及其发展状况 目标机动是指运动当中的目标，其运动方式在不断地发生变化，从一种形式变化为另一种形式，目标的运动可能从匀速到变速，也可能送直线到转弯，它的运动方式并不会从一而终。通俗地说，就是“目标速度的大小和方向发生变化”。 一般情况下，机动目标跟踪方法概括来讲可以分为以下两类：具有机动检测的跟踪算法和无需机动检测的自适应跟踪算法。机动目标的跟踪需要综合运用统计决策、滤波算法以及其它的数学方法，将传感器所接受到的信号数据进行处理，得到目标的位置、速度、加速度等估计信息。图给出了机动目标跟踪的基本原理图。
雷达机动目标跟踪技术研究
1 绪论 1.1 课题背景及目的 目标跟踪问题实际上就是目标状态的跟踪滤波问题，即根据传感器已获得的目标量测数据对目标状态进行精确的估计[1]。它是军事和民用领域中一个基本问题，可靠而精确地跟踪目标是目标跟踪系统设计的主要目的。在国防领域，目标跟踪可用于反弹道导弹的防御、空防预警、战场区域监视、精确制导和低空突防等。在民用领域，则用于航空和地面交通管制、机器人的道路规划和障碍躲避、无人驾驶车的跟踪行驶、电子医学等。作为科学技术发展的一个方面，目标跟踪问题可以追溯到第二次世界大战的前夕，即1937年世界上出现第一部跟踪雷达站SCR-28的时候。之后，许多科学家和工程师一直努力于该项课题的研究，各种雷达、红外、声纳和激光等目标跟踪系统相继得到发展并且日趋完善。 运动目标的机动会使跟踪系统的性能恶化，对机动目标进行跟踪是人们多年来一直关注的问题。随着现代航空航天技术的飞速发展，机动目标在空间飞行的速度、角度、加速度等参数不断变化，使得目标的位置具有很强的相关性，因此，提高对这类目标的跟踪性能便成为越来越重要的问题，迫切需要研究更为优越的跟踪滤波方法。机动目标的跟踪研究，已成为当今电子战的研究热点之一。今天，精密跟踪雷达不仅广泛应用于各类武器控制和各类实验靶场，而且还广泛应用于各种空间探测、跟踪和识别领域，以及最先进的武器控制系统。 跟踪模型和匹配滤波是机动目标跟踪的两个关键部分，机动目标的精确跟踪在过去和现在都是一个难题，最根本原因在于跟踪滤波采用的目标动力学模型和机动目标实际动力学模型不匹配，导致跟踪滤波器发散，跟踪性能严重下降。本文将机动目标作为研究对象，从目标的运动建模和匹配滤波算法入手，提出或修正跟踪算法，从而实现对机动目标的精确跟踪。 1.2 机动目标跟踪技术及其发展状况 目标机动是指运动当中的目标，其运动方式在不断地发生变化，从一种形式变化为另一种形式，目标的运动可能从匀速到变速，也可能送直线到转弯，它的运动方式并不会从一而终。通俗地说，就是“目标速度的大小和方向发生变化”。 一般情况下，机动目标跟踪方法概括来讲可以分为以下两类：具有机动检测的跟踪算法和无需机动检测的自适应跟踪算法。机动目标的跟踪需要综合运用统计决策、滤波