(重要)一种非刚体目标的实时检测与跟踪算法
基于智能算法的移动物体检测与追踪研究
基于智能算法的移动物体检测与追踪研究移动物体检测与追踪是计算机视觉领域一个重要的研究方向，广泛应用于视频监控、自动驾驶、安防系统等领域。
随着智能算法的不断发展和深度学习技术的兴起，移动物体检测和追踪的性能和准确性得到了显著提升。
本文将重点介绍基于智能算法的移动物体检测与追踪的研究进展和应用。
一、移动物体检测算法研究移动物体检测是指通过分析视频序列中的帧图像，将移动物体从静态背景中进行提取。
传统的移动物体检测算法主要基于背景建模、差分法等基本技术，但这些算法对于复杂场景的适应性较差。
而基于智能算法的移动物体检测方法则利用了深度学习的优势，在复杂场景下取得了更好的性能。
1. 卷积神经网络（CNN）方法卷积神经网络是一种深度学习模型，常用于图像分类和目标检测。
在移动物体检测中，研究者将CNN应用于像素级别的移动物体检测。
通过训练网络模型，使其学习到移动物体的特征，然后进行像素级别的分类和分割，从而实现移动物体的检测。
这种方法具有较高的准确性和鲁棒性，但运算量较大。
2. 光流法光流法是通过分析视频序列中连续帧之间的像素位移来识别并提取移动物体的方法。
传统的光流法基于光学流方程的假设，在进行运动场估计时容易受到噪声的干扰。
基于智能算法的光流法通过引入深度学习模型，利用大量的训练数据来改进光流的估计精度，从而提高了移动物体的检测效果。
3. 基于背景建模的算法传统的移动物体检测中，背景建模算法被广泛应用。
基于智能算法的背景建模方法主要利用了深度学习的特征学习能力，将背景和前景进行建模，并利用学习到的特征进行移动物体的检测。
这种方法在复杂的背景和动态场景下表现出了较好的性能。
二、移动物体追踪算法研究移动物体追踪是指在连续视频帧中跟踪已知或未知的移动物体的过程。
移动物体追踪涉及到目标的运动模型、目标的特征描述、目标的外观变化等问题，是一个具有挑战性的任务。
1. 基于相关滤波器的追踪算法基于相关滤波器的追踪算法利用输入帧与目标模板之间的相关性进行目标位置预测。
均值漂移MeanShift
均值漂移Mean Shift均值漂移(Mean Shift)00均值漂移是一种有效的统计迭代算法。
均值漂移算法是一种基于密度梯度上升的非参数方法，通过迭代运算找到目标位置，实现目标跟踪。
它显著的优点是算法计算量小，简单易实现,很适合于实时跟踪场合；但是跟踪小目标和快速移动目标时常常失败，而且在全部遮挡情况下不能自我恢复跟踪。
通过实验提出应用核直方图来计算目标分布，证明了均值漂移算法具有很好的实时性特点。
Mean Shift 简介Mean Shift 这个概念最早是由Fukunaga等人[1]于1975年在一篇关于概率密度梯度函数的估计中提出来的,其最初含义正如其名,就是偏移的均值向量,在这里Mean Shift是一个名词,它指代的是一个向量,但随着Mean Shift理论的发展,Mean Shift的含义也发生了变化,如果我们说Mean Shift算法,一般是指一个迭代的步骤,即先算出当前点的偏移均值,移动该点到其偏移均值,然后以此为新的起始点,继续移动,直到满足一定的条件结束.然而在以后的很长一段时间内Mean Shift并没有引起人们的注意,直到20年以后,也就是1995年,另外一篇关于Mean Shift的重要文献[2]才发表.在这篇重要的文献中,Yizong Cheng对基本的Mean Shift算法在以下两个方面做了推广,首先Yizong Cheng定义了一族核函数,使得随着样本与被偏移点的距离不同,其偏移量对均值偏移向量的贡献也不同,其次Yizong Cheng还设定了一个权重系数,使得不同的样本点重要性不一样,这大大扩大了Mean Shift的适用范围.另外Yizong Cheng指出了Mean Shift可能应用的领域,并给出了具体的例子.Comaniciu等人[3][4]把Mean Shift成功的运用的特征空间的分析,在图像平滑和图像分割中Mean Shift都得到了很好的应用. Comaniciu等在文章中证明了,Mean Shift算法在满足一定条件下,一定可以收敛到最近的一个概率密度函数的稳态点,因此Mean Shift算法可以用来检测概率密度函数中存在的模态.Comaniciu等人[5]还把非刚体的跟踪问题近似为一个Mean Shift最优化问题,使得跟踪可以实时的进行.在后面的几节,本文将详细的说明Mean Shift的基本思想及其扩展,其背后的物理含义,以及算法步骤,并给出理论证明.最后本文还将给出Mean Shift在聚类,图像平滑,图像分割,物体实时跟踪这几个方面的具体应用.Mean Shift 的基本思想及其扩展基本Mean Shift给定d维空间中的n个样本点,i=1,…,n,在点的Mean Shift向量的基本形式定义为:k表示在这n个样本点中,有k个点落入区域中.我们可以看到是样本点相对于点的偏移向量,(1)式定义的Mean Shift向量就是对落入区域中的k个样本点相对于点的偏移向量求和然后再平均.从直观上看,如果样本点从一个概率密度函数中采样得到,由于非零的概率密度梯度指向概率密度增加最大的方向,因此从平均上来说, 区域内的样本点更多的落在沿着概率密度梯度的方向.因此,对应的, Mean Shift向量应该指向概率密度梯度的方向如上图所示, 大圆圈所圈定的范围就是 ,小圆圈代表落入区域内的样本点,黑点就是Mean Shift的基准点 ,箭头表示样本点相对于基准点的偏移向量,很明显的,我们可以看出,平均的偏移向量会指向样本分布最多的区域,也就是概率密度函数的梯度方向从前面关于Mean Shift和概率密度梯度的关系的论述,我们可以清楚的看到,Mean Shift算法本质上是一个自适应的梯度上升搜索峰值的方法,如下图所示,如果数据集服从概率密度函数f(x),给定一个如图初始点,Mean Shift算法就会一步步的移动,最终收敛到第一个峰值点.从这张图上,我们可以看到Mean Shift至少有如下三方面的应用:(1)聚类,数据集中的每一点都可以作为初始点,分别执行Mean Shift算法,收敛到同一个点算作一类;(2)模态的检测,概率密度函数中的一个峰值就是一个模态,Mean Shift在峰值处收敛,自然可以找到该模态.(3)最优化,Mean Shift可以找到峰值,自然可以作为最优化的方法,Mean Shift算法进行最优化的关键是要把最优化的目标转化成Mean Shift 隐含估计的概率密度函数.[1]The Estimation of the Gradient of a Density Function, with Applications in Pattern Recognition (1975)[2]Mean shift, mode seeking, and clustering (1995)[3]Mean Shift: a robust approach toward feature space analysis (2002)[4]Real-time tracking of non-rigid objects using mean shift (2000)[5]Mean-shift Blob Tracking through Scale Space (2003)[6]An algorithm for data-driven bandwidth selection(2003) 从直观上看,如果样本点从一个概率密度函数中采样得到,由于非零的概率密度梯度指向概率密度增加最大的方向,因此从平均上来说, 区域内的样本点更多的落在沿着概率密度梯度的方向.因此,对应的, Mean Shift向量应该指向概率密度梯度的方向。
matlab中调用cpd算法
matlab中调用cpd算法CPD（Coherent Point Drift）算法是一种用于点云配准的非刚性配准方法，其设计目的是将一个点云对齐到另一个点云。
其基本思想是通过最小化两个点云之间的地方刚体变换来实现对齐。
在Matlab中，可以通过调用cpd算法实现点云的非刚性配准。
Matlab提供了一个名为cpd_register的函数来执行CPD算法。
这个函数使用的基础是改进的ICP（Iterative Closest Point）算法。
以下是调用cpd_register函数并执行非刚性配准的一般步骤：1.准备待配准的两个点云数据。
这些数据可以是三维坐标表示的点云，也可以是任何具有足够特征的数据格式。
2. 通过调用cpd_register函数来执行点云的非刚性配准。
函数的基本语法为：```[TransformedSource, C] = cpd_register(X, Y)```其中，X是待配准的源点云，Y是目标点云。
函数将返回配准后的源点云和相关的变换矩阵。
3. 可选的，可以通过设置一些参数来控制配准的精度、收敛速度和其他行为。
cpd_register函数提供一些参数，例如最大迭代次数、阈值等。
4. 分析配准结果。
可以使用TransformedSource和变换矩阵C来分析配准后的点云。
例如，可以可视化点云以比较它们的对齐情况，或者计算它们之间的距离度量。
总结来说，使用Matlab中的cpd_register函数可以很方便地调用CPD算法来实现非刚性点云配准。
通过设置适当的参数，可以控制配准的精度和收敛速度。
配准后的点云可以进一步分析和处理，例如计算其特征，进行三维重建等应用。
CPD算法是非刚性配准中常用的方法之一，可以在诸如三维重建、医学图像处理等领域发挥重要作用。
经典Mean Shift算法介绍
经典Mean Shift算法介绍1无参数密度估计 (1)2核密度梯度估计过程 (3)3算法收敛性分析 (4)均值漂移(Mean Shift)是Fukunaga等提出的一种非参数概率密度梯度估计算法，在统计相似性计算与连续优化方法之间建立了一座桥梁，尽管它效率非常高，但最初并未得到人们的关注。
直到1995年，Cheng改进了Mean Shift算法中的核函数和权重函数，并将其应用于聚类和全局优化，才扩大了该算法的适用范围。
1997年到2003年，Comaniciu等将该方法应用到图像特征空间的分析，对图像进行平滑和分割处理，随后他又将非刚体的跟踪问题近似为一个Mean Shift最优化问题，使得跟踪可以实时进行。
由于Mean Shift算法完全依靠特征空间中的样本点进行分析，不需要任何先验知识，收敛速度快，近年来被广泛应用于模式分类、图像分割、以及目标跟踪等诸多计算机视觉研究领域。
均值漂移方法[4]是一种最优的寻找概率密度极大值的梯度上升法，提供了一种新的目标描述与定位的框架，其基本思想是：通过反复迭代搜索特征空间中样本点最密集的区域，搜索点沿着样本点密度增加的方向“漂移”到局部密度极大点。
基于Mean Shift方法的目标跟踪技术采用核概率密度来描述目标的特征，由于目标的直方图具有特征稳定、抗部分遮挡、计算方法简单和计算量小的特点，因此基于Mean Shift的跟踪一般采用直方图对目标进行建模；然后通过相似性度量，利用Mean Shift搜寻目标位置，最终实现目标的匹配和跟踪。
均值漂移方法将目标特征与空间信息有效地结合起来，避免了使用复杂模型描述目标的形状、外观及其运动，具有很高的稳定性，能够适应目标的形状、大小的连续变换，而且计算速度很快，抗干扰能力强，在解决计算机视觉底层任务过程中表现出了良好的鲁棒性和较高的实时处理能力。
1无参数密度估计目标检测与跟踪过程中，必须用到一定的手段对检测与跟踪的方法进行优化，将目标的表象信息映射到一个特征空间，其中的特征值就是特征空间的随机变量。
3d点云常用算法
3d点云常用算法3D点云常用算法引言：随着三维感知技术的发展，点云数据作为一种重要形式的三维数据得到了广泛应用。
点云是由大量的离散点构成的，每个点都具有坐标和属性信息。
然而，由于点云数据的特殊性，处理和分析点云数据是一项具有挑战性的任务。
为了有效地处理点云数据，一些常用的算法被广泛应用于点云处理领域。
本文将介绍几个常用的3D点云算法，包括点云滤波、点云配准和点云分割。
一、点云滤波算法点云滤波是点云预处理的重要环节，用于去除点云中的噪声和异常点，从而提高后续处理算法的可靠性和效果。
常见的点云滤波算法包括高斯滤波、中值滤波和统计滤波等。
高斯滤波通过对点云中的每个点进行加权平均来平滑点云数据，适用于去除高频噪声。
中值滤波通过计算邻域内点的中值来替代当前点的值，适用于去除孤立的离群点。
统计滤波则通过计算邻域内点的统计特征来判断当前点是否为噪声点，适用于去除整体分布不符合正态分布的噪声。
二、点云配准算法点云配准是将多个点云数据在同一坐标系下进行对齐的过程。
点云配准算法可以分为刚体配准和非刚体配准两类。
刚体配准是假设点云之间存在刚体变换关系，通过计算变换矩阵将点云对齐。
常见的刚体配准算法包括最小二乘法、Iterative Closest Point (ICP) 和Procrustes分析等。
非刚体配准则是假设点云之间存在非刚体变换关系，通过局部变形模型将点云进行配准。
常见的非刚体配准算法包括Thin Plate Spline (TPS) 和Moving Least Squares (MLS) 等。
三、点云分割算法点云分割是将点云数据划分为多个部分的过程，每个部分代表一个语义区域或对象。
点云分割可以分为基于几何特征和基于属性特征的方法。
基于几何特征的点云分割算法通过计算点云的曲率、法向量或曲率变化等几何属性，将点云分割为不同的部分。
常见的基于几何特征的点云分割算法包括基于曲率的分割、基于法向量的分割和基于区域生长的分割等。
运动的目标识别与跟踪简述
运动的目标识别与跟踪简述运动的目标识别与跟踪是指利用计算机视觉和图像处理技术对视频中的运动目标进行识别和跟踪。
在现代社会中，运动目标识别与跟踪技术已经得到了广泛的应用，包括智能监控系统、自动驾驶汽车、机器人导航等领域。
本文将对运动的目标识别与跟踪技术进行简要介绍，包括其基本原理、关键技术和应用领域。
一、目标识别与跟踪的基本原理运动的目标识别与跟踪是通过对视频序列中的图像进行处理和分析，从而实现对运动目标的识别和跟踪。
其基本原理可以简要概括如下：1. 图像采集：首先需要使用摄像机等设备对视频序列中的图像进行采集，并将其转换为数字信号。
2. 运动目标检测：利用计算机视觉和图像处理技术对视频序列中的图像进行分析和处理，从而实现对运动目标的检测和定位。
常用的检测算法包括背景建模、运动检测和物体识别等。
3. 目标跟踪：一旦运动目标被检测出来，就需要对其进行跟踪，即在连续的图像帧中跟踪目标的运动轨迹。
常用的跟踪算法包括卡尔曼滤波、粒子滤波和相关滤波等。
4. 数据关联：对于多个运动目标，需要进行数据关联，即将它们在连续的图像帧中进行匹配和跟踪。
通过以上步骤，可以实现对视频序列中的运动目标进行准确的识别和跟踪，为后续的应用提供可靠的基础数据。
二、目标识别与跟踪的关键技术运动的目标识别与跟踪涉及多个关键技术，包括图像处理、模式识别、机器学习等。
下面对其中的一些关键技术进行简要介绍：1. 图像处理：图像处理是目标识别与跟踪的基础，包括图像的预处理、特征提取和图像分割等。
通过对图像进行处理和分析，可以提取出目标的特征信息，为后续的目标识别和跟踪提供数据支持。
2. 特征提取：特征提取是目标识别与跟踪的关键步骤，包括颜色特征、纹理特征、形状特征等。
通过对目标的特征进行提取和描述，可以实现对目标的精确识别和跟踪。
3. 目标识别算法：目标识别算法是实现目标识别与跟踪的核心技术，包括支持向量机、决策树、神经网络等。
通过对目标进行特征匹配和分类，可以实现对目标的准确识别和跟踪。
北京理工大学科技成果——一种基于自适应采样的实时视觉跟踪系统
北京理工大学科技成果——一种基于自适应采样的
实时视觉跟踪系统
成果简介
视觉跟踪是计算机视觉领域中备受关注的一个研究热点。
它在智能交通、人机交互、视频监控和军事等领域有着广泛的应用。
在实际应用中，视觉跟踪方法通常需要处理一些复杂的目标运动如运动突变和几何外观急剧变化等情况，传统的跟踪技术无法满足跟踪要求。
我们提出基于自适应MCMC采样的方法，很好地解决了这一难题，为实际应用中复杂运动目标的跟踪提供了保障。
项目来源自主研发
技术领域计算机应用技术，人工智能与模式识别。
应用范围交通、广场、车站、会场等视频监控中人，车辆等目标的实时跟踪。
现状特点本系统的跟踪准确率>95%;在使用现有性能个人计算机的条件下，可以做到每秒30帧的实时跟踪，采用嵌入式技术固化跟踪算法可以做到复杂目标运动的实时跟踪。
所在阶段跟踪算法已在一些应用系统中试用，跟踪效果良好。
成果知识产权独立知识产权。
成果转让方式技术合作
市场状况及效益分析目前视频监控的基础设施已经普及使用到各种公共场所，特别是“十二五”期间国家实施的天网计划将进一步推动这些基础设施的普及，使得本项目减少了大量的基础实施投入。
另外由于具有广泛的应用前景，市场效益可观。
发生镜头切换情况的行人跟踪，传统跟踪方法此时将会跟踪失败。
刚体与非刚体的区别与应用
刚体与非刚体的区别与应用引言：在我们的日常生活中，我们经常听到物体的刚体和非刚体的概念。
那么，什么是刚体？什么是非刚体？它们之间有什么区别和应用呢？本文将深入探讨刚体与非刚体的区别与应用。
一、刚体的定义和特点刚体是指在受力作用下，形状和体积保持不变的物体。
刚体的特点有三个方面：首先，刚体的形状和体积不会发生变化，即使受到外力的作用；其次，刚体的内部各个点之间的相对位置保持不变；最后，刚体的各个部分之间的相对位置也保持不变。
二、非刚体的定义和特点非刚体是指在受力作用下，形状和体积会发生变化的物体。
与刚体不同，非刚体的形状和体积会随着外力的作用而发生变化。
非刚体的特点有两个方面：首先，非刚体的形状和体积会随着外力的作用而发生变化；其次，非刚体的内部各个点之间的相对位置也会发生变化。
三、刚体与非刚体的区别刚体与非刚体之间的区别主要体现在形状和体积的变化上。
刚体在受力作用下形状和体积保持不变，而非刚体则会发生形状和体积的变化。
此外，刚体的内部各个点之间的相对位置保持不变，而非刚体的内部各个点之间的相对位置会发生变化。
四、刚体与非刚体的应用刚体和非刚体在生活中有着广泛的应用。
下面以一些实际例子来说明：1. 刚体的应用：（1）建筑结构：在建筑领域中，我们常常使用刚体来构建建筑物的框架结构，如钢筋混凝土结构。
刚体的特性使得建筑物能够承受外部的重力和风力，保证建筑物的稳定性和安全性。
（2）机械工程：在机械工程中，我们常常使用刚体来设计和制造机械设备，如汽车、机器人等。
刚体的特点使得机械设备能够保持稳定的运动状态，提高工作效率和精度。
（3）运动学分析：在物理学中，我们使用刚体模型来研究物体的运动。
通过分析刚体的运动，我们可以了解物体的速度、加速度等运动参数，从而更好地理解物体的运动规律。
2. 非刚体的应用：（1）弹性材料：在工程领域中，我们常常使用非刚体材料来设计和制造弹簧、橡胶等弹性元件。
非刚体的特性使得这些弹性元件能够在外力作用下发生形变，并具有恢复原状的能力。
- 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)。
（） Ｉ（ ，ｌ ∑√ ， ） ＝ ｑ＝ （ ｇ ）
（） √一 ｌＯ） ｌ ＝ １ ＰＰ ＇ ， ｇ
（ ８ ）
（ ９ ）
计算带来不 良影响，因此在进行投影计算前先去除 噪 声。这可 通 过数 学形 态 学运算 实 现 ，利用 腐蚀 和 膨胀 算子分 别 去除孤 立 的前 景 点噪 声和 填补 目标 区 域 的小孔 。
效性。
关 键 词 中图分类号
运动检测； 目标跟踪； 颜 色模型； 均值平移 Ｔ ３１ Ｐ９． ４ 文献标识码 Ａ
Ａ ａ ・ ｍ ｅＮｏ－ ｇ ｄ Ｄｅ ｅ ｔｏ ｎｄ Ｔｒ ｃ ｎｇＡｌ ｏ ｉｈｍ Ｒｅ ｌＴｉ ・ － Ｒｉ ｉ ｔ ｃ ｉ ｎ ａ ａ ｋｉ ｇ ｒｔ
置 的估 计 问题 转 化 为 求解 模 型 与 候 选 分 布 的Ｂ ｙｓ ａｅ 误 差 最 大 化 问题 。这样 ，Ｂ ａａｈｒｙ 系 数 的样 本 ｈｔ ｃａ ａ ｔ ｙ
估计为：
从前景点集中分割 出来 。本文通过计算前景 点投影 的方法 来求 目标 的外接 矩 形 【。初 始 数据 中的 噪声
ＣＨＥＮ ｏ ｔｏ， ＴＩ Ｔａ －ａ ＡＮ － ｅ ｇ Ｙｕ ｐ ｎ
（ ｏｅｅｏＡ ｔｍａｏ ， ｎｉ ｎｖｒｔ ｆ ｅｏａｔｓａｄ ￣ ｎ ｔｓ Ｃ ｌ ｇ ｆ ｕｏ ｔ ｎＮａｊ ｇＵ ｉｅ ｉ ｏ Ａ ｒｎ ｕ ｃ ｎ Ａｓ＇ ａ ｉ Ｎａｊ ｇ １０ ６ ｌ ｉ ｎ ｓｙ ｉ ｏｎ ｃ ｎｈ ２ ０ １） ａ
围像 素往 往 可 能被 遮 挡或 受 到背 景 的影 响，是 不可 靠的。 通过把 坐标衍 分别通 过 ｈ、ｈ 进 行归一 化 ， 可把 内核 函数 的范 围表 示 为 １ 。目标颜 色分 布为【 Ｊ ４：
ｆ ０
式中
标志 为 １ 的构成 前 景 区域 ：标志 为０ 的构 成背
根据 条件 ∑ ＝１ 出 。 导 ３２ 距 离最 小化 跟踪 算法 ．
式 中 ／（ 和 （ 分 别 为 时 刻ｆ ｌｔ ，） ｆ ） 的颜 色 均 值 和 方 差 ：口 为背景 的更 新速 度 。 要 获得关 于前 景 目标 的特 征描 述 ，必须 先将 其
通过Ｍｅｎ ｈ ｔ ａ ｉ的迭代运算 ， Ｓｆ 可在 当前帧中搜索 与初始 目标模型分布最相似的潜在 目标，把 目 标位
／ １ Ｉ ， Ｉ ＝ Ｉ ２ ｌ Ｉ
（ ７ ）
式 中
是Ｋｒｎｃｅｄｌ 函数 ： ｏｅｋｒ ｅａ ｔ 归一化常 量 Ｃ 可 以 ＾
ｕ＝ ｌ
。
（ ＋１： ｆ ）
ｊ （ 一（ ） （ 一 ） ） ＋ ）
【 （ ｆ ） ＝ １
＝ ｏ
（） ５
式中 ｇ 表示初始 目 标模型； 为候选 目标模型。 本文的 目的就是通过均值平移迭代算法来最小 化距离，获得 当前帧的最可 能位置Ｙ ，这和最大化
３ 目标跟踪算法
目标跟踪 的实质就是在连续帧 中找到 目标的最
佳匹配，它可 以通过 目标的特征匹配来实现 。非刚 体 目 的形状会随着 时间的改变而变化 ，因而用简 标
：
Ｙ ；外接矩形的高、宽分别为 、ｈ ： 表示 目标的 ｖ 尺 度 （ 元 总 数） 目标 在 图像 中 的像 素位 置 为 像 ： ｛ ， ＝１ ， 。若 目标模 型为 值 直 方 图，直 方 ） ｆ ， …， ２ 图 索 引 ｂｘ）与 该 点 的 颜 色 相 对 应 。 颜 色 （ｉ （≤Ｕ ） 目标模型中的概率是根据单调函数ｋ １ ≤ 在 计算得到的。此函数给 目标中的像元分配权值，通 常位置与 目标中心的距离越远，其相应的权值就越 小 。权值 的引入 是 为 了增 加估 计 的正 确率 ，因为外
提取运 动 目标 及对 目标 的 实 时跟 踪 都对 算法提 出了 很高 的要求 。本 文 提 出 了一种非 刚 体 目标 的实 时检 测与跟 踪算法 ，建 立 了一个 自动 实 时系统 ，能准确 地检测 出运动 目标并 实时跟 踪它 。
国
图１ 系 统 处 理 流 程
卧
２ 运 动 目标 检 测
２１ 初始 化背景 模型 ．
首先 对 背景采 集 连续 图像 ，通 过这 图像 帧 帧
建立一个初始背景 的统计模 型。在这个模型中，定 义 为背景 的任一 点ｆ 的颜色 值 的期望 ， 为颜 色值
分 布 的方 差 ：
＝
跟踪模式， 具有很好 的稳定性 。 均值平移（ ａ ｉ） Ｍｅｎ ｈｆ Ｓ ｔ 算法是一种非参数密度梯度评估算法【，可 以得到 ４ 】
局部 最优 解 ，具有 快 速有 效 的特 点 ，能够 对非 刚体 目标进 行 实时跟 踪 。 ３１ 目标颜 色模型 ． 通 过 检 测阶 段 对 图像序 列 的分析 处理 ，可 以得 到运 动 目标 的位置 和大 小 。设 被跟 踪 的 目标 中心 为
二∑ （ 一 ） ，
（） １ （） ２
Ａｂ ｔ ａ ｔ Ａｎ ａ ｔ ｍ ａｉ ， ｅ ｌ ｉ ｏ ｒ ｉ ｅｅ ｔ ｎ ａ ｄ ｔａ ｋ ｎ ｌ ｏ ｉ ｍ ｒ ｓ ｎ ｅ ． ｅ ｄ ｔ ｃ ｖｎ ｓｒ ｃ ｕ ｏ ｔ ｒ ａ － ｍｅ ｎ －ｉ ｄ ｄ ｔ ｃ ｉ ｎ ｒ ｃ ｉｇ ａｇ ｒ ｈ ｉ ｐ ｅ ｅ ｔ ｄ Ｗ ｅｅ ｔ ｃ ｔ ｇ ｏ ｔ Ｓ ｍｏ ｉ ｇ
Ｋｅ ｒ ｓ ｍｏ ｉ ｅ ｃ ｏ ； ｏｊｃ ａｋｎ ； ｃ ｌｒ ｄ ｌ ｍｅ －ｈ ｔ ｙｗｏ ｄ ｖｎ ｄ ｔ ｔ ｎ ｇ ｅ ｉ ｂｅｔ ｃｉｇ ｏｏ ｅ； ｒ ｔ ｍｏ ｎ ａ ｓｉ ｆ
在计算机视觉的应用研究中，自动视觉跟踪是 个很有 意义 的研 究领 域 ，它在 智 能监控 、人机 接 口、 虚拟现实、运动分析和基于模型的视频编码等方面 有着广泛的应用…。然而在复杂的背景条件下精确
ｇ ｏ ｂ ｓｎ ｓ ． ｄ ｍｅ ｈ ｆ ｌ ｏ ｉ ｍ ｏ ｐ ｒ ｅ ｉ ｅ ｓｔ ｒ ｄ ｅ ｔ ｓ ｉ ｔ ｒ Ｔ ｅｒ ｂ ｓ ｅ ｓａ ｄ ｓ ｅ ｄ ｏ ｄ ｒ ｕ ｔ ｅ ｓ ａ ａ ｓ ｉ ａｇ ｒｔ ｉ ａｎ ｎ ａ ａ ｔ ｃｄ ｎ ｉ ｇ ａ ｉｎ ｔ ｏ ｎ ｎ ｔ ｈ Ｓ ｍ ｒ ｙ ｅ ｍａ ｏ ． ｈ ｏ ｕ 恤 ｓ ｐ ｅ ｎ ｉ ｉ ｒ ｖ ｄ ｂ ｔ ｇ ａ ｉｇ ａ ｍｅ － ｈ ｆ ｂ ｅ ｏ ｅ ｐ ａ ｅｔ ｃ ｎ ｑ ｅ ｗｉ ｄ ｐ ｉ ｅｃ ａ ｇ ｅｅ ｔ ｎ ｍ ｅ ｏ ． Ｓ ｍｐ ｏ ｅ ｙ ｉ ｅ ｒ ｔ ａ ｓ ｉ ａ ｄ ｍ ｄ ｌ ｄ ｔ ｈ ｉ ｕ ｔ ａ ａ ａ ｔ ｈ ｎ ｎ ｎ ｔ ｓ ｕ ｅ ｈ ｎ ｖ ｎ ｅ ｄ ｔ ｃｉ ｔ ｄ ｏ ｈ Ｔｈ ｓ ｌ ｏ ｅｅ ｐ ｒ ｅ ｔ ｈ ｗｓ ｅｍｅ ｏ ｒ ｃｉ ａ ａ ｄ ｅ ｆｃｅ ｔ ｅｒ ｕ ｔ ｆ ｘ ｅ ｉ ｎ ｏ ｔ ｄ ｉ ｐ ａ ｔ ｌ ｅ ｔ ｈ ｍ ｓ ｈ ｔ ｈ Ｓ ｃ ｆ ｉｎ、 ｎ ｉ
提取全部特征像素；光流法计算时间开销较大 ，而 且抗噪性能比较差 。所 以本文选择背景减除方法。 由于图像采集过程中的误差 、背景中光线的变化以
及环境 中的其他干扰 因素 ，使简单的背景减除效果 受到影响。本文采用 自 适应背景减 除的算法来解决
收 稿 日期，２０ ０５—０ —２ １ ０ 作者简介：陈涛涛（９８ ，男，硕士，主要从事计算机视觉、图像处理方面的研究． １７ 一）
＝
式中 ， 为点ｆ 在第ｔ 幅图像中的颜色值。这样 ，所 有 点的 （ ｔ２就 构成 了初 始 的背景模 型 。 文使 用 ，ｌ Ｔ） 本
的是 单高斯 背景模 型 ，其处 理速度 较快 。
２ 前景区域的提取 ． ２
初始背景建立后 ，用每一帧新采集的图像和背 景图像相减就可 以提取前景 目标 了。设当前图像中 的点 的颜色值为 ，，可以通过下式将 图像二值化 ： ，
维普资讯
第１ 期
陈涛涛 等： 一种非刚体 目 的实 时检测与跟踪算法 标
８ ３
此 问题 【２ １】 ．。
单 的模板 匹配 方法进 行 目标 跟踪 肯 定是 不行 的 。因 为 目标 的直 方 图记录 目标 颜 色 的 出现 概 率 ，不 受 目 标 形状变 化 的影 响 ，所 以本 文采 用颜 色直 方 图作 为
Ｂ ａ ａｈｒｙ 系数是等价的。当前帧的新 目标 的搜 ｈｔｃａ ａ ｔ ｙ 索开始于 目标位置的估计 ，于是，先计算出在当
踪 。系 统工作简 单流程 如 图 ｌ 所示 。在检 测 开始前 ，
变化 ，使 运动检 测成 为一 项相 当 困难 的工 作 。目前 ， 常用 的运 动检 测算 法主要 有 差分法 、光流 法和 背景 减 除法 …。差 分法 能够 适 应 动态 背 景 ，但一 般无 法
通过连 续采集 的 ｎ 图像建 立初始环境 的统计模 帧 型 ，再对 每一 时刻 采集 到 的 图像 ，运 用 自适 应 的动 态背景减除算法得出前景区域，并更新原来的背景 统计模型， 然后对提取的前景区域采用形态学滤波， 去除噪声，精确提取运动 目标，利用颜色直方图对 目标模型初始化，同时运用基于均值平移的跟踪器 在连续帧中正确定位 目标。
运动检测的 目的是从序列图像中将变化区域从
背 景图像 中分 割 出来 。运动 目标 的 有效分 割对 后期
跟踪 处理 是非 常重 要 的 。然 而 由于 背景 图像 的动态
１ 系统 概 述
系 统综 合 了 自适 应背 景减 除方法 和基 于均 值平
移 的前 景 目标跟 踪方法 ，能完成 运 动 目标 的 自动跟
ｏｊｃｓ ｙ ｓ ｅｄ ｎ ｍｉ ｂ ｃｇｏ ｎ ｄ ｌ ｌｏｉ ｍ． ｏｏ ｉｏ ｒ ｏ ｅｔ ｙｏｊｃ’ ｓａｅ ｄｈｓ ｂｅｔｂ ｅ ｈ ｙ ａ ｃ ａｋ ｒｕ ｄｍｏ ｅ ａ ｒｈ Ｃ ｌｒ ｓ ｇａ ｉｎ ｔ ｆ ｃｅ ｂ ｂｅｔ ｃｌ ａ ａ ｕ ｔ ｇ ｔ ｈｔ ｍ Ｓ ａ ｄ Ｓ ｎ