一种新的自动跟踪室内人体运动目标的方法
人体运动追踪技术的原理与实现步骤
人体运动追踪技术的原理与实现步骤人体运动追踪技术是一种通过计算机视觉和图像处理技术对人体运动进行实时跟踪和分析的技术。
它在许多领域中有着广泛的应用，如体育训练、医疗康复、安防监控等。
本文将介绍人体运动追踪技术的原理和实现步骤。
一、原理1. 图像采集：人体运动追踪技术首先需要获取人体运动的图像或视频。
通常使用摄像机、深度相机或红外热像仪等设备进行图像的采集。
这些设备能够捕捉到人体运动时的位置、姿态、速度等信息。
2. 特征提取：从采集到的图像中提取出与人体有关的特征。
这些特征可以是人体关节的位置、骨骼的姿态、身体的形状等。
通常使用计算机视觉和图像处理技术来进行特征提取，例如边缘检测、图像分割等算法。
3. 运动估计：根据特征的变化来估计人体的运动。
通过分析特征在连续帧之间的差异和变化，可以计算出人体的运动轨迹和轨迹的速度。
常用的运动估计算法包括光流法、KLT算法等。
4. 姿态估计：根据人体的运动估计出人体的姿态。
姿态估计是一个复杂的问题，通常需要先推测人体的骨骼结构，再通过寻找最佳匹配的方法来估计人体的姿态。
现在常用的姿态估计算法有基于模型的方法、基于深度学习的方法等。
二、实现步骤1. 数据采集：使用合适的设备对人体的运动进行采集。
常见的设备包括摄像机、深度相机、红外热像仪等。
采集时需要注意灯光、背景等环境因素的影响，确保图像的质量和准确性。
2. 特征提取与选择：根据具体的应用需求选择合适的特征。
例如，如果需要检测人体的关节位置和姿态，可以选择提取关节点的坐标信息。
如果需要检测人体的形状和轮廓，可以选择进行图像分割和形态学处理。
3. 模型训练与优化：根据采集到的数据进行模型的训练和优化。
常见的方法有机器学习算法和深度学习算法。
在训练时需要对数据进行预处理、特征选择和模型调优，以提高运动追踪的准确性和鲁棒性。
4. 运动追踪与分析：使用训练好的模型对实时的图像或视频进行运动追踪和分析。
根据采集到的特征，计算人体的运动轨迹、姿态和速度等信息。
机器人室内定位解决方案
机器人室内定位解决方案机器人室内定位是指通过各种技术手段使机器人准确获取自身在室内环境中的位置和姿态信息，以实现自主导航、定点运动和环境探测等功能。
在室内环境中，传统的卫星导航系统如GPS无法提供准确的定位信息，因此需要借助其他技术进行室内定位。
目前，机器人室内定位可以通过以下几种方式实现：1.视觉定位视觉定位通过机器人上搭载的视觉传感器以及计算机视觉算法来获取机器人在室内环境中的位置信息。
一种常用的视觉定位方法是基于特征点匹配的定位，即通过提取室内环境中的特征点，如角点、边缘等，并将其与预先构建的地图进行匹配，从而确定机器人的位置。
此外，基于深度学习的视觉定位方法也得到了广泛应用，通过训练神经网络来实现室内定位。
2.惯性导航惯性导航是利用机器人上搭载的惯性测量单元（IMU）来测量机器人的加速度和角速度，并通过积分计算出机器人的位置和姿态信息。
IMU可以测量机器人的线加速度、角加速度和地磁场等信息，通过将这些信息进行积分，可以得到机器人的位置和姿态信息。
基于惯性导航的室内定位精度较高，但受到积分误差的累积影响，长时间使用会导致定位误差增大，因此通常与其他定位方法结合使用。
3.无线信号定位无线信号定位是通过接收室内环境中的无线信号来估计机器人的位置。
目前常用的无线信号定位技术包括Wi-Fi信号定位、蓝牙信号定位和超宽带信号定位等。
这些技术利用室内环境中的无线基站和接收器来定位机器人，通过测量无线信号的强度、时间延迟和到达角度等信息来估计机器人的位置。
4.激光雷达定位激光雷达定位是通过机器人上搭载的激光雷达来扫描周围环境，并根据激光点云数据进行定位。
激光雷达可以测量物体的距离和角度信息，通过将激光点云数据与预先构建的地图进行匹配，可以实现机器人的室内定位。
激光雷达定位精度较高，但成本较高，在一些高精度要求的场景中得到广泛应用。
综上所述，机器人室内定位可以通过视觉定位、惯性导航、无线信号定位和激光雷达定位等多种方式来实现。
基于全景摄像机的运动目标智能追踪系统及方法
基于全景摄像机的运动目标智能追踪系统及方法摘要：随着计算机视觉技术的不断发展，基于全景摄像机的运动目标智能追踪系统已成为当前研究和开发的热点之一。
本文介绍了一种基于全景摄像机的运动目标智能追踪系统及方法。
该系统通过全景摄像机采集的广角图像数据，结合目标检测和跟踪算法，实现对运动目标的准确追踪和位置定位。
经过实验证明，该系统在追踪效果和计算效率方面表现出色，具有广阔的应用前景。
1. 引言随着全景摄像技术的成熟和应用扩展，全景摄像机在安防监控、智能家居和虚拟现实等领域发挥着重要作用。
传统的摄像头只能提供有限的视野范围，无法实时捕捉到全景场景。
而全景摄像机则能够通过广角镜头提供全景视野，从而更全面地监控和观测目标区域。
然而，传统的全景摄像机只能提供全景图像，对于运动目标的准确定位和追踪仍然存在一定挑战。
因此，开发一套基于全景摄像机的运动目标智能追踪系统具有重要的实际意义和应用价值。
2. 系统设计基于全景摄像机的运动目标智能追踪系统主要由全景摄像机硬件、图像处理模块和目标追踪算法组成。
全景摄像机硬件负责采集和传输全景图像数据，图像处理模块对全景图像进行预处理和特征提取，目标追踪算法通过实时检测和跟踪目标实现智能追踪。
3. 图像处理模块图像处理模块是基于全景图像数据进行预处理和特征提取的关键组成部分。
首先，对全景图像进行校正和去畸变处理，纠正图像中的畸变和缩放。
然后，采用图像分割和目标提取算法，将目标从背景中分离出来。
接着，通过图像特征描述子提取目标的特征，例如颜色、纹理和形状等。
最后，利用机器学习算法训练目标的模型，实现目标的分类和识别。
4. 目标追踪算法目标追踪算法是基于全景摄像机的运动目标智能追踪系统的核心部分。
常用的目标追踪算法包括基于颜色直方图的模板匹配算法、基于机器学习的目标跟踪算法以及基于深度学习的目标追踪算法。
这些算法通过对运动目标的运动轨迹、外观特征和目标模型进行建模和预测，实现对运动目标的持续追踪和位置定位。
融合定位算法在室内导航与跟踪系统中的应用
融合定位算法在室内导航与跟踪系统中的应用室内导航与跟踪系统是指在室内环境中利用定位算法来辅助用户实现室内定位、导航和跟踪的技术体系。
随着人们对于室内定位的需求不断增加，融合定位算法逐渐成为实现室内导航与跟踪系统的一种有效方法。
本文将介绍融合定位算法在室内导航与跟踪系统中的应用。
首先，我们需要了解融合定位算法的基本原理。
室内导航与跟踪系统通常采用多种定位技术，如Wi-Fi信号、惯性传感器、地磁场等。
每种定位技术都有其自身的优势和局限性，通过融合这些定位技术，可以提高定位的准确性和稳定性。
融合定位算法一般包括数据预处理、特征提取、定位模型构建和位置估计四个步骤。
其中，数据预处理将原始数据进行滤波和校准，特征提取将数据转化为可用的特征表示，定位模型构建根据特征和位置之间的关系建立定位模型，位置估计通过定位模型计算出用户的位置。
融合定位算法在室内导航系统中的应用主要有三个方面。
首先是室内定位。
室内环境复杂，传统的GPS定位在室内准确度较低。
而融合定位算法可以将不同的定位技术应用于室内环境，并通过数据融合来提高定位的准确性。
例如，通过融合Wi-Fi信号和惯性传感器的数据，可以实现室内位置的准确定位。
其次是室内导航。
室内环境通常是复杂的迷宫状结构，用户需要在其中进行导航。
融合定位算法可以将用户的位置信息与室内地图数据进行融合，实现室内导航功能。
通过导航系统，用户可以轻松找到目标位置，提高室内的定向能力。
第三是室内跟踪。
在一些场景中，需要对室内人员或物体进行实时跟踪。
融合定位算法可以通过融合多种传感器数据，实现室内人员或物体的准确跟踪。
例如，在商场中，可以通过融合Wi-Fi信号和图像处理技术来实现对顾客的跟踪，从而提供个性化的推荐服务。
融合定位算法在室内导航与跟踪系统中的应用面临一些挑战。
首先是环境复杂性带来的挑战。
室内环境通常存在多种干扰因素，例如墙体、家具、人员等，这些因素会对定位算法造成干扰，降低定位的准确性。
一种室内单个人体目标ptz跟踪方法与流程
一种室内单个人体目标ptz跟踪方法与流程室内单个人体目标PTZ跟踪方法与流程摘要：随着智能安防技术的不断发展，室内单个人体目标PTZ（云台摄像机）跟踪成为了实现智能监控的重要手段之一。
本文将介绍一种室内单个人体目标PTZ跟踪的方法与流程，以帮助读者更好地理解和应用该技术。
引言：室内单个人体目标PTZ跟踪是指通过PTZ摄像机对室内场景中的单个人体目标进行实时跟踪和监控的技术。
其应用广泛，可以用于室内安防监控、人员行为分析等领域。
下面将介绍基于深度学习的室内单个人体目标PTZ跟踪方法与流程。
一、目标检测与跟踪1. 目标检测：首先，使用深度学习算法对摄像机捕捉到的图像进行目标检测，以确定室内场景中的人体目标。
常用的目标检测算法包括Faster R-CNN、YOLO等。
2. 目标跟踪：根据目标检测的结果，使用目标跟踪算法对人体目标进行连续跟踪。
常用的目标跟踪算法包括卡尔曼滤波、多目标跟踪等。
二、云台控制与调整1. 云台控制：根据目标跟踪的结果，将跟踪到的人体目标的位置信息传递给云台，控制云台实现对目标的跟踪。
云台可以通过水平旋转和垂直俯仰来实现对目标的全方位监控。
2. 云台调整：根据目标跟踪的结果，调整云台的参数，以提高跟踪的准确性和稳定性。
例如，可以根据目标的运动速度和方向来调整云台的跟踪速度和灵敏度。
三、跟踪算法的优化与改进1. 特征提取：通过提取目标的特征信息，如颜色、纹理、形状等，来改进跟踪算法的性能。
常用的特征提取算法包括HOG、SIFT等。
2. 模型更新：通过不断更新跟踪模型，来适应目标的外观变化和运动特性。
常用的模型更新算法包括卡尔曼滤波、粒子滤波等。
四、应用场景与前景展望1. 应用场景：室内单个人体目标PTZ跟踪技术可以广泛应用于室内安防监控、人员行为分析等领域。
例如，可以用于监控室内区域的安全性，检测异常行为等。
2. 前景展望：随着智能安防技术的不断发展，室内单个人体目标PTZ跟踪技术将会越来越成熟和智能化。
运动目标跟踪算法及其应用分析
运动目标跟踪算法及其应用分析随着计算机技术的不断发展，图像处理技术也得到了极大的发展。
图像处理技术可以将图像进行分析和处理，并且可以将这些信息转换为数字化数据。
图像处理技术不仅可以用于医学诊断、生物学、工业监控等领域，而且也广泛应用于计算机视觉领域。
在计算机视觉领域中，运动目标跟踪技术是一项基础技术，它可以追踪视频图像中的目标并提供与目标相关的信息。
一、运动目标跟踪算法运动目标跟踪算法是和计算机视觉技术紧密相连的一种技术，主要是基于视频图像跟踪技术的实现。
一般来说，运动目标跟踪算法可以分为两个步骤：目标检测和目标跟踪。
（1）目标检测目标检测是指在一个给定的时间段内，将目标从背景中检测出来并确定其位置、大小和形状等信息。
其中，检测算法和图像质量有着密切关系。
一般来说，目标检测算法可以分为两种：基于特征的目标检测算法和基于匹配的目标检测算法。
基于特征的目标检测算法主要是根据目标的特定外观特征进行识别和分类。
常用的特征包括Haar-like特征、SIFT特征、HOG特征等。
这些方法在实际应用中具有较高的准确性和鲁棒性，但是计算量比较大，需要消耗较多的计算资源。
基于匹配的目标检测算法主要是根据目标与背景之间的差异进行匹配和检测。
常用的匹配法包括基础匹配、Viterbi匹配、CAMshift算法等。
这些算法基于目标的运动状况，能够较好地适应不同的背景干扰和情况。
（2）目标跟踪目标跟踪技术是指在已经检测到目标的基础上，通过运用特定的算法，对目标进行跟踪。
常用的目标跟踪算法包括：Kalman滤波方法、Mean Shift方法和Template Matching方法等。
Kalman滤波方法是利用观测值来估计状态值的一种滤波方法。
它可以通过观察目标的位置和速度来预测后续帧中的目标位置。
Mean Shift方法是一种基于概率密度估计的跟踪方法，该方法通过目标物体在图像上的密度分布来进行目标跟踪。
Template Matching方法是一种基于模板匹配的方法。
运动目标自动跟踪系统的控制平台设计
摘
要 ： 对人体 运动 目标 的 自动 实时跟踪 ， 过对 现有 的 云 台跟 踪 系统 的 比较 ， 针 通 设计 了一 种新
的适 用 于室 内的运动摄 像 头 自动跟 踪运动 人体 目标 的闭环控 制 系统 ，整 个 系统 由图像 采 集摄像
机、 控制计算机 、 于 Ｐ ９ ５ 的单片机 系统和步进 电机 ４部分组成 ， 基 ８Ｖ １ 系统小巧实用、 稳定可靠、
价格低 廉． 实现 跟踪 系统的稳 定性 ， 出了基 于极 坐标 下的模 糊控 制 跟踪 运动 目标． 为 提 实验 结果表
明 ， 系统在 实际应 用 中能 实时 自动跟 踪 室 内运动人 体 目标 ， 本 完成对 运动 目标的安 全监控 ． 关 键词 ： 自动跟 踪平 台 ； ８Ｖ １ 步进 电机 ： Ｐ９ ５ ； 模糊 控制
中图分 类号 ： Ｐ ９ Ｔ３１ 文献标 识码 ： Ａ
Ｔｈ ｓｇ ｎ ｔ ｅ Ｃｏ ｔｏ ａ ｆ ｒ ｆＡｕ ｏ ａ ｉ ｅ Ｄｅ ｉ ｎ ｏ ｈ ｎ ｒ ｌ Ｐｌ ｔ ｍ ｏ ｔ ｍ ｔ ｏ ｃ
Ｍ ｏ ｉ ｎ Ｔｒ ｃ ｉ ｇ Ｓ ｓｅ ｔ ａ ｋ ｎ ｙ ｔｍ ｏ
文章编 号 ：０ ７ １ ２ （０ ８ ０ — ０ ０ ０ １０ — ２ ９ ２ ０ ）４ ０ １ — ３
运动 目标 自动跟踪系统的控制平台设计
黄 绿娥１， 李 平康 ．
（． １ 北京交通大学机 械与 电子 ４ ２江西理工大学应用科学学院 ， 江西 赣州 ３ １０ ） ４ ０ ０
Ｏ 引 言
基 于视 觉 的跟踪 与视 频监 控是 近 年来 备受 关 注 的多 学科 交叉 课题 ， 它融 合 了 图像处 理 、 式 识 模
别、 人工智能、 自动控制以及计算机等多学科领域的 先进技 术 ． 复杂背景 下运动人体 图像 的检测 与跟踪 是当前计算机视觉研究领域中的热点与难点 ， 它在 机器人视 觉 、 可视预警 、 机器导航 、 通管理 、 交 多媒体 教学及安全监控等领域有着广泛的应用 ， 同时也是 各种 后续 高级处理 如 目标 分类 、 为识 别与理 解 等 行 的基础． 本文研究如何建立一个在复杂的运动环境 下检 测与 自动跟踪 运动人 体 目标 的跟踪 系统 ， 使运
自动跟踪原理
自动跟踪原理
自动跟踪是一种技术，可以在无需人工干预的情况下，对物体、人员或其他运动目标进行监测和跟踪。
它通常通过计算机视觉和图像处理算法来实现。
自动跟踪的原理是基于连续的视频帧或图像序列，通过分析目标在时间上的位置和运动信息，来实现对目标的跟踪。
具体的实现过程通常包括以下几个步骤：
1. 目标检测：首先需要对视频帧或图像序列中的目标进行检测，根据不同的应用需求，可以使用不同的目标检测算法，如基于特征的检测算法、基于深度学习的目标检测算法等。
目标检测的目的是找到视频中所有可能的目标。
2. 目标跟踪：在目标检测的基础上，需要对目标进行跟踪。
目标跟踪是指在视频帧或图像序列中，通过分析目标的位置和运动信息，来追踪目标的移动轨迹。
常用的目标跟踪算法包括卡尔曼滤波、粒子滤波、相关滤波等。
3. 跟踪更新：目标跟踪是一个动态过程，由于目标可能发生形变、遮挡、背景变化等情况，需要对跟踪算法进行更新和调整，以适应目标的变化。
常见的跟踪更新方法有模型更新、颜色模型更新、形态学更新等。
4. 跟踪评估：对于自动跟踪系统的性能评估是必不可少的。
常见的评估指标包括精度、鲁棒性、速度等，通过对跟踪结果的检验，来评估和改进跟踪算法的性能。
总的来说，自动跟踪是通过分析目标的位置和运动信息，在视频帧或图像序列中实现目标的实时监测和跟踪的技术。
它在许多领域具有广泛的应用，如视频监控、行人追踪、交通监控等。
不同的跟踪算法和技术可以根据具体需求进行选择和应用。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
[2]
不仅能够定位人和分割出人的身体部分，
而且通过建立外观模型来实现多人的跟踪， 并可以检测人是否携带物体等简单行为；Lipton 等 [3 ] 提出一种帧间差分与模板匹配相结合的方法从实时的视频流中提取运动目标，根据目标形状信息 对目标进行分类与跟踪。 由于摄像头和目标都有运动， 常用的利用高斯或混合高斯的背景相减及帧间差分 （如三帧差） 都无法从运动的背景中提取出运动目标，而光流法及匹配的方法又无法满足跟踪实时性的要求。
1 Di ( x, y ) = 0 I i ( x, y ) − I i −1 ( x, y ) > λ ； I i ( x, y ) − I i −1 ( x, y ) ≤ λ
（5）根据差分图像更新背景 Di ( x, y ) = 1 B ( x, y ) Bi ( x, y ) = i −1 ； Di ( x, y ) = 0 I i −1 ( x, y ) （6）帧号 i = i + 1 ，转入第三步循环。 通过 Surendra 方法得到当前帧的背景图像后，采用背景差法可得到目标图像的二值 图：
图 1 人体运动自动跟踪系统模块图
图 2 运动目标自动跟踪控制硬件平台
图 3 检测目标的图像处理模块算法流程图
３
快速的目标匹配方法 图像目标匹配就是对两幅或多幅图像进行比较从中找到该组图像中共有的景物， 或根据
பைடு நூலகம்
已知模式到另一幅图像中寻找相应的模式。基于图像像素灰度值匹配的经典算法有： 1. ABS(Absolute Balance Search)算法。 这种完全搜索模板匹配可以搜索到全局最优 匹配，但运算量大。因为模板要在(M-P+1)×(N-Q+1)个参考位置上进行匹配，其中 M ×N 为图像的大小，P×Q 为模板图像的大小。算法不能避免在非匹配点上作无用功，运算速度 慢，不能满足实时检测要求。 2. 基 于 归 一 化 互 相 关 匹 配 算 法 。 该 方 法 是 一 种 统 计 的 匹 配 方 法 (Normallized Correlation) [ 4 ][ 5] ,这种算法通过计算模板图像和待匹配图像的互相关值来确定匹配的程度。
一种新的自动跟踪室内人体运动目标的方法
黄绿娥，李平康 北京交通大学 机械与电子控制工程学院 北京 100044
摘要：本文针对人体运动目标的自动实时跟踪，设计了一种新的运动摄像头云台控制系统，该系 统采用 P89v51 内核，小巧实用、稳定可靠、价格低廉。对于运动目标的图像检测与跟踪，本文 提出一种快速的模板匹配的方法，首先通过改进的 Surendra 跟踪算法自适应地获取背景图像以 提取匹配模板， 然后通过摄像头运动前后帧相同的运动区域来缩小匹配区域， 进行快速目标匹配， 以满足实时性要求。实验结果表明，本系统在实际应用中能达到实时跟踪室内运动人体目标的目 的。 关键词：自动跟踪平台；小区域目标匹配；人体运动跟踪
互相关值最大时的搜索窗口位置决定了模板图像在待匹配图像中的位置。 该算法具有很高的 准确性和适应性， 而且不会受图像灰度值的线性变换影响。 但是考虑到图像中的自相关值都 比较大，因而在互相关计算过程中，相似度形成以模板存在的真实位置为中心的平缓的峰， 无法检测到准确的尖峰位置。即当模板稍微偏离真实位置时，所求得的图像相关值就很大， 这将使得确定模板存在的准确位置变得很难。因此该算法的缺点是计算时间过长。 3. 图像矩匹配方法。在图像处理中，矩是一种统计特性，可以采用不同阶次的矩来计 算模板的位置、方向和尺寸变换参数。由于高阶矩对噪声和变形非常敏感，因此在实际应用 中通常选用低阶来实现图像匹配，一般采用具有平移、旋转与尺寸不变性的矩特征参数 [ 6 ] 。 矩特征是关于区域的全局特征，若物体的一部分被遮挡，则无法计算矩不变量，在这种情况 下，可以使用物体区域的其它特征来完成识别任务。 本文在基于 ABS 算法的基础上进行了改进，通过算法首先估计出运动目标可能出现的 区域，再在该小区域下进行模板匹配，能大大减少模板匹配运算量，算法简单且能满足实时 性的要求。 ４ 目标模板提取 目标模板提取的方法有光流法、相邻帧差法、背景差法、特征值提取法等。光流法运算 公式复杂，计算量大,不适用于实时性要求很高的场合。实时性要求较高的场合常用背景差 法、 相邻帧差法和特征值提取法。 背景差法在对复杂固定背景中的运动目标提取有独到的优 势，是三种方法中最直接、最简单的一种方法。而复杂运动背景下的模板提取很难采用单一 方法实现，为了更好地提取目标模板，首先采用背景差法获得目标轮廓，再通过颜色特征和 形状特征对目标进行确认，确保了目标的准确提取。 背景差法的第一步就是获取背景，背景图像的获取通常有三种方法：手动给出、统计方 法、Surendra 背景更新算法 [ 7 ] 。手动给出法需要有人的参与，不适合自动跟踪。统计方法 是对一段图像序列中的每个象素点统计， 得到一些变化不大的值视作该点的背景值。 统计方 法对背景的变化不能够有自适应的调节作用。 Surendra 背景更新算法能够自适应地获取背 景图像。 该算法的基本思想是通过帧差法找到物体的运动区域， 运动区域内的背景保持不变， 而非运动区域的背景用当前帧进行替换更新，这样就可以提取出背景图像。 Surendra 背景更新算法的实现方法为（其中 I i ( x, y ) 为图像空间中某一点的灰度值） ： （1）开始时选择第一帧图像 I 0 作为背景 B0 ； （2）设定阈值 λ 和初始化帧号 i ； （3）获取当前帧图像 I i ； （4）计算差分图像
Miny1 = min(
y1∈N
∑ [ I ( x,1) − I
i x =1 M i x =1
M
i −1
( x, y1 )]2 ( x, y 2 )]2
Miny 2 = min(
y 2 ∈N
∑ [ I ( x, N ) − I
i −1
（2）判断 Miny1 和 Miny 2 的大小，当 Miny1 比 Miny 2 小且 Miny1 < λ 时，说明当前帧的左 边界在前一副图像中间， 即当前帧相对于前一帧图像向右位移了 y1* 个单位； 相反， 当 Miny 2 比 Miny1 小且 Miny 2 < λ 时，说明当前帧的右边界在前一副图像中间，即当前帧相对于前一 帧图像向左位移了 y 2 * 个单位。 所以相对位移量为：
联系人：黄绿娥，研究生，13264254478，Email：06121787@
在跟踪方法上主要通过卡尔曼或结构卡尔曼滤波，对基于目标的位置、速度、形状、纹 理、色彩等的特征在连续的图像帧之间进行匹配；或者采用匀加速运动模型，结合卡尔曼滤 波、 区域分割匹配方案实现目标的跟踪。 本文提出了通过摄像头运动前后帧找出目标可能出 现的范围，再在该小范围内进行快速的匹配目标并定位。同时搭建了一个基于 P89v51 单片 机的硬件运动控制平台， 控制摄像头对准运动目标图像中心左右， 使运动目标始终处在运动 摄像头的视场范围。 ２ 运动摄像头自动跟踪运动人体目标的系统平台 本文首先设计了基于视觉图像的运动目标闭环监控系统平台（图 1） 。该系统通过 USB 口采集图像传输给目标检测模块的计算机，图像检测模块（图 3）将从图像序列中获知是否 存在运动目标，如果存在运动目标，则给出目标在视 频图像中的位置。然后将该位置信息发送给目标跟踪 模块，根据给定的目标位置和其它信息，建立快速跟 踪控制模式，获取目标的运动估计方向，通过步进电 机驱动系统控制摄像机的转动方向、速度与距离，始 终将目标锁定在摄像头视场范围内。
Abstract: In this paper, a new system of motion video tracking motion human body was designed and completed, and the tracking platform which based on P89v51 was simple and stable. In the complex motion background, we adopt the adapting Surendra background updating algorithm for capturing the background image and subtracting the target template, and a new fast model matching way was presented by decreasing the search matching area, lastly motion video tracking the motion human body was realized in real-time by fuzzy control method. Key words: Automatic tracking platform; A small area object matching; Motion people tracking １ 引 言 为了获得运动目标的信息，当前的研究热点是在摄像机静止的情况下检测及跟踪运动目标。 但在实际应用中，由于摄像机视场有限，如果运动目标移出摄像机视角范围，则无法监视到运动 目标。因此提出了通过摄像机的运动来追踪运动目标，但目前研究得还很少，如何由运动的摄像 机实时检测及跟踪运动目标是一项亟待解决又极具挑战性的课题。 对于运动目标的跟踪的主要研究有： 1997 年美国国防高级研究项目署(Defense Advanced Research Projects Agency)设立的以卡内基梅隆大学(Carnegie Mellon University)为首、麻 省理工学院( Massachusetts Institute of Technology)等高校参与的重大视觉监控项目 VSAM (Visual Surveillance And Monitoring) [1] ， 主要研究用于战场及普通民用场景进行监控的自动视 频理 解技术 ，其 研究开发了 “ 实时 视 频中 动目标 识别分类与跟踪系统 ” (Moving Target Classification and Tracking from Rea1 Time Video)，可以对视频中的目标实时监控及跟踪， 并识别两种目标：人和汽车；实时视觉监控系统W