一种基于运动检测的行人多目标跟踪算法

合集下载

一种基于运动检测的行人多目标跟踪算法

ＡｂｓｔｒａｃｔＩｎｔｈｉｓｐａｐｅｒ，ｗｅｐｒｏｐｏｓｅａｍｏｔｉｏｎｄｅｔｅｃｔｉｏｎｂａｓｅｄｍｕｌｔｉｔａｒｇｅｔｔｒａｃｋｉｎｇａｌｇｏｒｉｔｈｍｉｎｌｉｇｈｔｏｆｐｅｄｅｓｔｒｉａｎｔｒａｃｋｉｎｇｗｉｔｈｆｉｘｅｄｃａｍｅｒａ．Ｉｎｍｏｖｉｎｇｔａｒｇｅｔｄｅｔｅｃｔｉｏｎ，ｔｈｅｖｉｄｅｏｆｒａｍｅｗｉｔｈｎｏｔａｒｇｅｔｓａｐｐｅａｒａｎｃｅｉｓｕｓｅｄｆｉｒｓｔｔｏｓｅｔｕｐｔｈｅｂａｃｋｇｒｏｕｎｄｉｍａｇｅ；ｔｈｅｎｔｈｅｂａｃｋｇｒｏｕｎｄｓｕｂｔｒａｃｔｉｏｎｉｓｃａｌｃｕｌａｔｅｄｔｏｇｅｔｈｅｒｗｉｔｈｔｈｅｃａｌｃｕｌａｔｉｏｎｏｆｄｉｆｆｅｒｅｎｔｉａｌｉｍａｇｅｇｒａｄｉｅｎｔｉｎｏｒｄｅｒｔｏｉｍｐｒｏｖｅｍｏｔｉｏｎｒｅｇｉｏｎｄｅｔｅｃｔｉｏｎａｂｉｌｉｔｙ；ｆｉｎａｌｌｙｔｈｅｅｎｔｉｒｅｒｅｇｉｏｎｏｆｍｏｖｉｎｇｔａｒｇｅｔｓｉｓｄｅｒｉｖｅｄｂｙｕｔｉｌｉｓｉｎｇｔｈｅｒｅｇｉｏｎｍｅｒｇｉｎｇｍｅｔｈｏｄ，ａｎｄｔｈｅｂａｃｋｇｒｏｕｎｄｍｏｄｅｌｗｉｌｌｂｅｒｅｆｒｅｓｈｅｄａｔｃｅｒｔａｉｎｉｎｔｅｒｖａｌ．Ａｆｔｅｒｔｈｅｍｏｖｉｎｇｔａｒｇｅｔｓａｒｅｄｅｔｅｃｔｅｄ，ｉｔｗｉｌｌｔｕｒｎｔｏｔｒａｃｋｉｎｇ．Ｗｈｉｌｅｔｒａｃｋｉｎｇｔｈｅｔａｒｇｅｔｓ，ｔｈｅｓｉｔｕａｔｉｏｎｓｗｉｌｌｂｅｄｅａｌｔｗｉｔｈｓｅｐａｒａｔｅｌｙｄｅｐｅｎｄｉｎｇｏｎｏｃｃｌｕｓｉｏｎｏｒｎｏｔ：Ｗｈｅｎｔｈｅｒｅｉｓｎｏｏｃｃｌｕｓｉｏｎｂｅｔｗｅｅｎｔｈｅｔａｒｇｅｔｓ，ｔｈｅｍａｔｃｈｅｄｔｒａｃｋｉｎｇｗｉｌｌｂｅｃａｒｒｉｅｄｏｕｔｂａｓｅｄｏｎｔｈｅｃｅｎｔｒｅｄｉｓｔａｎｃｅｓｏｆｔａｒｇｅｔｓａｎｄｔｈｅｗｅｉｇｈｔｅｄｃｏｌｏｕｒｈｉｓｔｏｇｒａｍｆｅａｔｕｒｅ；Ｏｔｈｅｒｗｉｓｅ，ｔｈｅＫａｌｍａｎｆｉｌｔｅｒｗｉｌｌｂｅｕｓｅｄｔｏｐｒｅｄｉｃｔｔｈｅｌｏｃａｔｉｏｎｏｆｔｈｅｏｃｃｌｕｄｅｄｔａｒｇｅｔｓ．Ｅｘｐｅｒｉｍｅｎｔｐｒｏｖｅｓｔｈａｔｔｈｉｓａｌｇｏｒｉｔｈｍｃａｎｅｘｔｒａｃｔｍｏｒｅｃｏｍｐｌｅｔｅａｎｄａｃｃｕｒａｔｅｔａｒｇｅｔｒｅｇｉｏｎｓｔｈａｎｔｈｅｔｒａｄｉｔｉｏｎａｌｂａｃｋｇｒｏｕｎｄｓｕｂｔｒａｃｔｉｏｎｂａｓｅｄｍｕｌｔｉｔａｒｇｅｔｔｒａｃｋｉｎｇａｌｇｏｒｉｔｈｍ，ａｎｄｈａｓｂｅｔｔｅｒｐｅｒｆｏｒｍａｎｃｅｉｎｔｒａｃｋｉｎｇｐｅｄｅｓｔｒｉａｎｓｗｈｉｃｈａｒｅｔｈｅｎｏｎｒｉｇｉｄｔａｒｇｅｔｓ．ＫｅｙｗｏｒｄｓＴａｒｇｅｔｄｅｔｅｃｔｉｏｎＥｄｇｅｄｅｔｅｃｔｉｏｎＭｕｌｔｉｔａｒｇｅｔｔｒａｃｋｉｎｇＫａｌｍａｎｆｉｌｔｅｒＷｅｉｇｈｔｅｄｃｏｌｏｕｒｈｉｓｔｏｇｒａｍ不发生变化的时候采用基于质心距的方法，在数量发生变化时

基于检测的多目标跟踪算法综述

基于检测的多目标跟踪算法综述一、本文概述随着计算机视觉技术的快速发展，多目标跟踪（Multi-Object Tracking，MOT）算法在视频监控、自动驾驶、人机交互等领域的应用日益广泛。

多目标跟踪算法旨在从视频序列中准确地识别并持续跟踪多个目标对象，为上层应用提供稳定、连续的目标状态信息。

本文旨在对基于检测的多目标跟踪算法进行全面的综述，分析各类算法的优势与不足，并探讨未来的发展趋势。

本文将介绍多目标跟踪算法的研究背景与意义，阐述其在各个领域的应用价值。

本文将对基于检测的多目标跟踪算法进行详细的分类和介绍，包括基于滤波的方法、基于数据关联的方法、基于深度学习的方法等。

对于每类算法，本文将分析其基本原理、实现步骤以及优缺点，并通过实验数据对其性能进行评估。

本文还将讨论多目标跟踪算法面临的挑战，如目标遮挡、目标丢失、场景变化等问题，并探讨相应的解决方案。

本文将展望多目标跟踪算法的未来发展趋势，提出可能的研究方向和应用前景。

通过本文的综述，读者可以全面了解基于检测的多目标跟踪算法的研究现状和发展趋势，为相关领域的研究和应用提供有益的参考。

二、基于检测的多目标跟踪算法的基本原理基于检测的多目标跟踪算法（Detection-Based Multi-Object Tracking，DBT）是计算机视觉领域的一个重要研究方向。

其主要原理是将目标检测和目标跟踪两个任务结合起来，通过利用目标检测算法提供的目标位置信息，实现多目标在连续视频帧中的持续跟踪。

目标检测：通过目标检测算法（如Faster R-CNN、YOLO等）在每一帧图像中检测出所有感兴趣的目标，并获取它们的位置信息（如边界框）。

特征提取：对于每个检测到的目标，提取其视觉特征（如颜色、纹理、形状等）或运动特征（如速度、加速度等），以便在后续的跟踪过程中进行匹配和识别。

数据关联：在连续的视频帧中，通过数据关联算法（如匈牙利算法、Joint Probabilistic Data Association等）将当前帧中的目标与前一帧中的目标进行匹配，形成目标的轨迹。

基于运动检测与运动搜索的多目标跟踪

ｕｅｉｅｅｔｔｔｏａｒｎｏｊｃａｋｎ．ｘｅｉｎａｓｌｓｏｅａｇｒｈａｌｅｔｅｐｏｌｕｈａｒｅｒｏｅｓｓｆｒｎｃｍｅｄｔｃｒｏｂｅｔｃｉｇＥｐｒｄｍａｈｈｏｙｒｔｍｅｔｒｕｔｈｗｓｌｏｉｍｓＣｓｖｒｂｅｓｃｓｇｒｖｒｌｅｈｔｔｎｏｈｍｓｍｅｏｃ
ｅｅｔｅｙｗｉｎｌｃｅａａｄｈｖｏｇａｉｔｌ—ｂｅｔｒｃｎ．ｆｃｉｌｔｓｇｅａｒ．ｎａｅｔｎｂｌｙｎｍｕｔｏｊｃａｋｇｖｈｉｍｓｒｉｉｉｔｉ
［ｙｗｏｄ］ｍｕｔｏｊｃｔｃｎ；ａｋｒｕｄｓｂｒｃｉｎｋｌｎｆｔｒＫｅｒｓｌ—ｂｅｔａｋｇｂｃｇｏｎｔｔ；ａｉｉｒｕａｏｍａｌｉｅ
（．ｐｒｎｆｐｌｄｐｙｉｓＨｆｉｉｅｓｙｏｅｈｏｏｙＨｆｉ３０９２ＳｈｏｆｍｐｔｒｎｆｒｔｎＨｅｅＵｎｖｒｉｆ１Ｄｅａｔｔｐｉｈｓ，ｅｅｖｒｔｆｃｎｌｇ，ｅｅ２００；．ｃｏｌｍｅｏＡｅｃＵｎｉＴｏＣｏｕｅｄＩｏｍａｉ，ｆｉｉｅｓｙｏａｎｏｔ
第３４卷第１期９
、．４ｔ３
・
计
算
机
工
程
２００８年１０月
Ｏｃｏｂｒ２Ｏ８ｔｅＯ
Ｎｏ．９１
ＣｏｐｕｅｍｔｒＥｎｇｎｅｒｎｇｉｅｉ
人工智能及识别技术・

多目标跟踪算法

多目标跟踪算法多目标跟踪算法是计算机视觉领域中一项重要的研究任务，它的目标是在视频序列中同时跟踪多个目标。

本文将介绍一种基于深度学习的多目标跟踪算法。

该算法的主要步骤如下：1.目标检测：首先，使用卷积神经网络（CNN）对视频帧进行目标检测。

CNN可以提取图像特征，识别图像中的目标物体。

常用的CNN架构有Faster R-CNN、YOLO等。

2.目标特征提取：对于每一个被检测到的目标，通过CNN提取其特征表示。

这些特征可以包括目标的外观、形状、运动等信息。

3.目标关联：根据目标的特征，使用关联算法来建立当前帧和前一帧之间的目标关联。

常用的关联算法有卡尔曼滤波、匈牙利算法等。

如果一个目标在两帧中都被检测到且满足一定的相似度阈值，则认为它们是同一个目标。

4.目标轨迹估计：根据目标的关联关系，使用轨迹估计算法来预测目标在未来的位置。

常用的轨迹估计算法有卡尔曼滤波、粒子滤波等。

通过预测目标的轨迹，可以实现对目标的跟踪。

5.目标更新：在每一帧中，根据新检测到的目标和通过轨迹估计算法预测的目标位置，更新目标的状态。

这种多目标跟踪算法基于深度学习的目标检测和特征提取实现了对视频序列中多个目标的准确跟踪。

同时，通过目标关联和轨迹估计算法，可以解决目标在视频中的跳跃和遮挡等问题。

这种算法在实际应用中具有广泛的应用前景，例如视频监控、自动驾驶等领域。

需要注意的是，多目标跟踪算法仍然存在许多挑战，例如目标遮挡、目标外观变化等。

未来的研究方向包括进一步提升目标检测和特征提取的准确性，改进目标关联和轨迹估计算法的效果，以及开发更加高效的实时多目标跟踪算法。

多目标追踪算法

多目标追踪算法多目标追踪是计算机视觉中的一个重要研究领域，其目标是利用视频流中的信息，对其中的多个目标进行实时的跟踪和定位。

多目标追踪算法的研究有助于实现一些实际应用，如视频监控、人体行为分析等。

常见的多目标追踪算法可以分为两类：基于外观特征和基于运动特征。

基于外观特征的算法使用目标的外观信息（如颜色、纹理等）来进行跟踪。

这种方法的优点是对目标形状和尺寸的变化较为鲁棒，但对于目标之间外观相似或遮挡情况下的区分较为困难。

基于运动特征的算法则利用目标在视频帧中的运动信息进行跟踪。

这种方法对目标之间的外观相似问题较为鲁棒，但对目标形状和尺寸的变化比较敏感。

一种常见的多目标追踪算法是卡尔曼滤波器。

卡尔曼滤波器通过建立目标运动模型和观测模型，并利用观测信息进行目标状态估计和预测。

该算法最初用于航空航天领域，其优点是速度快、精度高，适用于目标运动模型线性且噪声满足高斯分布的情况。

另一种常见的多目标追踪算法是粒子滤波器。

粒子滤波器利用一组粒子来表示目标的位置状态，通过不断更新和重采样来准确估计目标位置。

粒子滤波器对目标的形状和尺寸变化比较敏感，适用于非线性运动模型和非高斯噪声的情况。

目前，多目标追踪算法的研究重点主要集中在提高目标跟踪的准确性和实时性。

一种常见的解决方法是结合多个特征进行目标跟踪，如外观特征、运动特征、深度特征等。

利用多个特征可以提高目标的鉴别度，提高跟踪的准确性。

此外，还可以使用多种滤波器进行目标跟踪，如卡尔曼滤波器、粒子滤波器等，将它们进行融合，提高跟踪的实时性。

在未来，多目标追踪算法还有许多值得研究的方向。

例如，如何提高目标跟踪算法对于目标尺寸和形状变化的适应能力，如何对目标目标之间的关系进行建模，如何提高算法的鲁棒性等。

这些问题的解决将进一步推动多目标追踪算法的发展，并有助于解决实际应用中面临的挑战。

《2024年交通场景下的车辆行人多目标检测与跟踪算法研究》范文

《交通场景下的车辆行人多目标检测与跟踪算法研究》篇一一、引言在日益复杂的交通场景中，准确而快速地检测与跟踪车辆及行人已成为一个重要而紧迫的研究课题。

这项任务对于智能交通系统、自动驾驶汽车、监控和安全系统等领域具有重要意义。

本文将详细探讨交通场景下的车辆行人多目标检测与跟踪算法的研究现状及进展。

二、研究背景与意义随着科技的发展，多目标检测与跟踪技术在交通领域的应用越来越广泛。

该技术能够实时监测交通场景中的车辆和行人，为自动驾驶汽车、智能交通管理系统等提供关键信息。

同时，该技术对于提高道路交通安全、减少交通事故具有重要意义。

因此，研究交通场景下的车辆行人多目标检测与跟踪算法具有重要的理论价值和实际应用价值。

三、相关技术研究现状（一）目标检测算法目标检测是计算机视觉领域的重要研究内容，其目的是在图像或视频中识别出感兴趣的目标。

目前，常用的目标检测算法包括基于深度学习的目标检测算法和传统特征提取方法。

其中，基于深度学习的目标检测算法在交通场景下的多目标检测中表现出较好的性能。

（二）多目标跟踪算法多目标跟踪算法主要用于在连续的图像帧中跟踪多个目标。

常见的多目标跟踪算法包括基于滤波的方法、基于深度学习的方法等。

这些方法各有优缺点，在实际应用中需要根据具体场景选择合适的算法。

四、车辆行人多目标检测与跟踪算法研究（一）算法设计思路在交通场景下，车辆行人多目标检测与跟踪算法的设计需要考虑多个因素，如目标的实时性、准确性、鲁棒性等。

首先，通过使用深度学习技术进行目标检测，提取出交通场景中的车辆和行人。

然后，利用多目标跟踪算法对检测到的目标进行跟踪，以实现目标的持续监控。

最后，将检测与跟踪结果进行融合，输出最终的检测与跟踪结果。

（二）算法实现过程1. 数据预处理：对原始图像进行去噪、增强等处理，以便更好地提取目标特征。

2. 目标检测：利用深度学习技术对预处理后的图像进行目标检测，提取出车辆和行人等感兴趣的目标。

3. 多目标跟踪：使用多目标跟踪算法对检测到的目标进行跟踪，记录每个目标的运动轨迹。

改进YOLOX-Tiny与DeepSort相结合的多目标跟踪算法

改进YOLOX-Tiny与DeepSort相结合的多目标跟踪算法改进YOLOX-Tiny与DeepSort相结合的多目标跟踪算法引言目标跟踪是计算机视觉领域的重要研究方向之一，它在人脸识别、视频监控等应用场景中具有广泛的应用价值。

然而，由于目标检测与目标跟踪算法的局限性，现有的多目标跟踪算法仍然存在一些挑战，例如在复杂场景下目标遮挡、尺度变化和形变等问题。

为了克服这些问题，本文提出了一种改进的YOLOX-Tiny与DeepSort相结合的多目标跟踪算法。

一、相关工作目标检测与跟踪是目标跟踪算法中的两个关键步骤。

YOLOX是一种经典的目标检测算法，它采用了骨干网和特征金字塔网络来提取图像中的特征，并通过多尺度预测来实现目标检测。

DeepSort是一种经典的目标跟踪算法，它通过结合卷积神经网络和卡尔曼滤波器来实现目标的准确跟踪。

然而，传统的YOLOX与DeepSort相结合的多目标跟踪算法在一些复杂场景下仍然存在一些问题，例如对目标遮挡和尺度变化的适应性较差。

二、算法改进为了提高目标跟踪的性能，我们对YOLOX-Tiny和DeepSort进行了一系列改进。

首先，我们使用了一个更加高效的目标检测模型，即YOLOX-Tiny，以降低目标检测的计算复杂度。

其次，我们引入了注意力机制来提高目标检测的准确性。

我们将注意力机制应用于特征提取网络中，通过学习目标区域的空间注意力权重，以提高目标检测的精度和鲁棒性。

此外，我们还引入了一个尺度自适应模块，用于自动适应目标尺度的变化。

在目标跟踪方面，我们对DeepSort进行了一些改进。

首先，我们加入了一个实例重识别模块，用于解决在目标遮挡或者形变的情况下目标丢失的问题。

该模块通过学习目标的视觉特征，并将其与历史目标特征进行匹配，从而实现目标的持续跟踪。

其次，我们引入了一个相邻关系建模模块，用于建模目标的时空关系。

通过学习目标的运动特征和相对位置信息，我们可以更准确地预测目标的下一帧位置。

多目标追踪实验范式

多目标追踪实验范式多目标追踪实验范式是一种研究人类视觉系统的常用方法，它可以帮助我们了解人类是如何同时关注和追踪多个目标的。

在这个实验中，研究人员会要求参与者观看一系列移动目标，并要求他们在其中选择一个或多个目标进行追踪。

通过观察参与者的行为和反应时间，研究人员可以揭示人类视觉系统的工作原理。

在实验开始时，参与者会被要求注视屏幕中央的一个固定点。

然后，一些目标会在屏幕上随机出现并开始移动。

这些目标可能是各种各样的，比如圆形、方形、颜色不同的形状等。

参与者的任务是选择一个或多个目标，并在它们移动时将注意力集中在这些目标上。

在实验进行过程中，研究人员会记录参与者的眼动数据和反应时间。

眼动数据可以告诉研究人员参与者在何时和如何转移他们的注意力，而反应时间可以揭示参与者处理目标的速度。

通过分析这些数据，研究人员可以了解人类视觉系统在多目标追踪任务中的表现和策略。

多目标追踪实验范式的应用非常广泛。

它可以帮助我们理解驾驶员在驾驶过程中如何同时关注多个道路目标，从而提高交通安全性。

此外，它还可以应用于设计界面和虚拟现实系统，以提高用户体验和使用效率。

虽然多目标追踪实验范式非常有用，但也存在一些挑战和限制。

例如，参与者的注意力资源是有限的，当目标数量增加时，他们可能会出现分散注意力的现象。

此外，不同的参与者可能会采用不同的策略来处理多目标追踪任务，这使得研究人员很难得出一致的结论。

多目标追踪实验范式是一种有助于研究人类视觉系统的重要方法。

通过了解人类在多目标追踪任务中的表现和策略，我们可以更好地设计界面、提高交通安全性，并改善虚拟现实系统的用户体验。

OMC框架下的行人多目标跟踪算法研究

OMC框架下的行人多目标跟踪算法研究随着计算机视觉的不断发展，人们对于行人多目标跟踪算法的需求日益增加。

在复杂的环境下，准确地跟踪行人在视频中的位置和动作，对于安防监控、智能交通系统等领域至关重要。

而OMC（OnlineMulti-person Tracking and Counting）框架作为一种多目标跟踪算法，极大地提升了行人目标跟踪的准确性和实时性。

OMC框架最初提出于2012年，最初是一种用于室内场景的行人跟踪方法。

随着研究的深入，OMC框架逐渐被应用于室外环境的行人进行跟踪。

OMC框架的核心思想是通过联合学习目标检测和目标跟踪的方法，实现对行人在视频中的准确定位。

在OMC框架下，算法主要包括三个步骤：目标检测、数据关联和轨迹预测。

首先，目标检测是OMC框架中的第一步。

在目标检测阶段，算法会对视频图像进行分析，提取出行人目标的位置和特征信息。

目标检测可以使用传统的图像处理技术，如Haar特征和HOG（Histogram of Oriented Gradients）特征，也可以使用深度学习方法，如卷积神经网络（CNN）进行目标检测。

目标检测的准确性直接影响了后续数据关联和轨迹预测的性能。

接下来是数据关联。

数据关联的目的是将目标检测得到的行人目标进行匹配和关联。

在OMC框架中，通常使用关联滤波器（Filtering）和关联匹配（Matching）两个主要方法来实现数据关联。

关联滤波器通过利用先验知识和观测数据，对行人目标进行状态估计，从而实现对目标的跟踪。

关联匹配则是通过比较目标检测结果和已有跟踪目标的特征，来确定哪些目标是同一行人的。

最后是轨迹预测。

在行人目标跟踪中，轨迹预测是非常重要的一步。

通过对行人目标的历史轨迹进行分析和学习，可以预测行人的未来位置和运动。

常用的轨迹预测方法包括卡尔曼滤波器（Kalman Filter）和粒子滤波器（Particle Filter）。

这些方法通过对目标的状态进行估计和预测，提高了对行人目标的准确性和鲁棒性。

基于多目标跟踪的行人行为分析算法研究

基于多目标跟踪的行人行为分析算法研究引言随着科技的不断发展，计算机视觉技术在各个领域中得到了广泛应用。

而在计算机视觉领域中，行人行为分析一直是研究的热点之一。

行人行为分析有助于实时监控和理解行人的行为，并进一步应用于视频监控、智能交通系统等领域。

本文主要关注基于多目标跟踪的行人行为分析算法，并对该算法进行研究。

一、行人行为分析算法的研究现状行人行为分析算法的研究可以分为两个方面：目标检测和目标跟踪。

目标检测是指在图像或视频中准确地定位和识别出行人目标。

而目标跟踪则是指在实时视频序列中对目标进行追踪，以分析其行为模式。

目前，常用的目标检测算法包括基于特征的方法、基于深度学习的方法等；而目标跟踪算法则包括基于卡尔曼滤波器的跟踪方法、基于神经网络的跟踪方法等。

二、基于多目标跟踪的行人行为分析算法原理基于多目标跟踪的行人行为分析算法的原理主要包括目标检测、目标跟踪和行为分析三个步骤。

1. 目标检测目标检测旨在从图像或视频中准确地定位和识别出行人目标。

可以使用传统的特征提取和分类器的方法，如Haar特征和级联分类器，也可以使用深度学习的方法，如卷积神经网络（CNN）等。

通过目标检测，可以得到每一帧中行人目标的位置和姿态信息，为后续的目标跟踪提供基础。

2. 目标跟踪目标跟踪旨在在实时视频序列中对目标进行追踪，以分析其行为模式。

常用的目标跟踪方法包括基于特征的方法和基于深度学习的方法。

其中，基于特征的方法通过采集目标的外观特征，如颜色、纹理等，并使用卡尔曼滤波器等技术对目标进行跟踪。

而基于深度学习的方法则通过训练神经网络模型，对目标进行跟踪。

这些方法通过将当前帧中检测到的行人目标与之前帧中的目标进行匹配，从而实现目标的连续追踪。

3. 行为分析行为分析是对目标跟踪结果进行进一步的分析，以提取行人的行为模式和动态信息。

行为分析可以通过计算行人的移动速度、加速度、路径和运动轨迹等特征来实现。

常用的行为分析方法包括运动轨迹分析、运动模式分类等。

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)。

２．２边缘检测
边缘是指其周围像素灰度变化不连续的那些像素的集合，较完整地反映了图像的空间相关信息，是图像分割所依赖的重要特征。常用的边缘检测算子有Ｐｒｅｗｉｔｔ算子、Ｋｉｒｓｃｈ算子、Ｒｏｂ
（苏州大学物理科学与技术学院பைடு நூலகம்江苏苏州２１５００６）
摘要针对固定摄像头下的行人跟踪问题，提出一种基于运动检测的多目标跟踪算法。在运动目标检测中，先利用没有目标出现的视频帧建立背景图像，然后计算背景差并计算差分图像的梯度以提高运动区域的检测能力，最后利用区域合并法得到完整的运动目标区域，并间隔一定的时间更新背景模型。在检测到运动目标后转入跟踪。在跟踪目标时，对于有遮挡和没有遮挡的情况分开处理：若目标之间未发生遮挡，基于目标的中心距和加权的颜色直方图特征进行匹配跟踪；当发生遮挡时，用卡尔曼滤波器预测目标的位置。实验证明，相对于传统的基于背景差法的多目标跟踪，该算法能提取更完整、准确的目标区域，对行人这一非刚性目标能实现较好的跟踪。关键词目标检测边缘检测多目标跟踪卡尔曼滤波加权颜色直方图中图分类号ＴＰ３９１文献标识码ＡＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１０００３８６ｘ．２０１４．０８．０３３
第３１卷第８期２０１４年８月
计算机应用与软件ＣｏｍｐｕｔｅｒＡｐｐｌｉｃａｔｉｏｎｓａｎｄＳｏｆｔｗａｒｅ
Ｖｏｌ３１Ｎｏ．８１４Ａｕｇ．２０
一种基于运动检测的行人多目标跟踪算法
邹薇赵勋杰李权陆凯
０引言
智能视频监控技术是计算机视觉领域近年来新兴的一个研究方向，它融合了图像处理、模式识别、人工智能以及自动控制等不同领域的先进技术，将计算机视觉同网络化的视频监控结合起来，实现视频中运动目标的检测、识别、跟踪和行为分析等
１］功能［。其中，多行人跟踪是智能视频监控技术的难点，因为
行人在移动时比车辆更具灵活性并且行人是非刚体，轮廓特征
２］在不断变化，不易提取［，这给跟踪的准确性以及算法的计算
复杂度带来了诸多问题。行人检测与跟踪是行为分析的基础，近些年受到了广泛的关注。ＨａｒｉｔａｏｇｌｕＩｓｍａｉｌ等人将目标的外形信息和跟踪技术相结合，研究设计了一个可在室外环境下检测和跟踪多个运动人体
（ＳｃｈｏｏｌｏｆＰｈｙｓｉｃａｌＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，ＳｏｏｃｈｏｗＵｎｉｖｅｒｓｉｔｙ，Ｓｕｚｈｏｕ２１５００６，Ｊｉａｎｇｓｕ，Ｃｈｉｎａ）
进行更新，对目标区域不进行更新。采用的背景模型更新公式为：１）Ｂ（ｘ，ｙ）＝α Ｉ（ｘ，ｙ）＋（１－α ）Ｂ（ｘ，ｙ）（Ｂ其中，为Ｂ（ｘ，ｙ）为背景，Ｉ（ｘ，ｙ）为当前帧中背景区域图像， α Ｂ背景更新速度参数，取值在０到１之间。
ＡＭＵＬＴＩＴＡＲＧＥＴＰＥＤＥＳＴＲＩＡＮＴＲＡＣＫＩＮＧＡＬＧＯＲＩＴＨＭＢＡＳＥＤＯＮＭＯＴＩＯＮＤＥＴＥＣＴＩＯＮ
ＺｏｕＷｅｉＺｈａｏＸｕｎｊｉｅＬｉＱｕａｎＬｕＫａｉ
７］场中暂停的目标。本文采用的背景更新策略［是：对背景区域
１本文算法流程
一般而言，运动物体检测与跟踪问题的难点在于：（１）运动区域的正确分割；（２）物体之间的相互遮挡。有关运动目标的检测与跟踪研究大致分为两种情况：（１）摄像头随着运动目标移动；（２）摄像头固定。本文研究第二种情况下的多行人检测和跟踪方法，要求算法能够处理跟踪目标之间的遮挡、具有准实时性。具体处理方法是：将检测到的运动区域用外接矩形表示，然后对这些矩形序列进行匹配跟踪。在研究运动目标检测算法的过程中我们发现，运用传统的背景差法检测运动目标，往往不能检测到完整、准确的运动目标区域，进而导致接下来的跟踪失败。因此，我们采用了一种新的运动目标检测方法：先建立背景，然后计算当前帧与背景帧的差分图像，再对差分图像进行边缘检测，最后对边缘图像进行后处理得到完整的运动目标区域。后处理包括形态学膨胀处理（以便连接断点形成较完整的目标边缘图像）和小区域合并。在目标跟踪方法上，考虑行人这一非刚性目标的运动特点，引入面积重合度、中心距和加权的颜色直方图，建立关联矩阵，根据关联矩阵判定各个目标所处的状态，并进行相应的处理。当运动目标处于遮挡状态时，用卡尔曼滤波的预测值来表示其在当前帧中的位置。图１为目标检测、跟踪系统的流程图。
ＡｂｓｔｒａｃｔＩｎｔｈｉｓｐａｐｅｒ，ｗｅｐｒｏｐｏｓｅａｍｏｔｉｏｎｄｅｔｅｃｔｉｏｎｂａｓｅｄｍｕｌｔｉｔａｒｇｅｔｔｒａｃｋｉｎｇａｌｇｏｒｉｔｈｍｉｎｌｉｇｈｔｏｆｐｅｄｅｓｔｒｉａｎｔｒａｃｋｉｎｇｗｉｔｈｆｉｘｅｄｃａｍｅｒａ．Ｉｎｍｏｖｉｎｇｔａｒｇｅｔｄｅｔｅｃｔｉｏｎ，ｔｈｅｖｉｄｅｏｆｒａｍｅｗｉｔｈｎｏｔａｒｇｅｔｓａｐｐｅａｒａｎｃｅｉｓｕｓｅｄｆｉｒｓｔｔｏｓｅｔｕｐｔｈｅｂａｃｋｇｒｏｕｎｄｉｍａｇｅ；ｔｈｅｎｔｈｅｂａｃｋｇｒｏｕｎｄｓｕｂｔｒａｃｔｉｏｎｉｓｃａｌｃｕｌａｔｅｄｔｏｇｅｔｈｅｒｗｉｔｈｔｈｅｃａｌｃｕｌａｔｉｏｎｏｆｄｉｆｆｅｒｅｎｔｉａｌｉｍａｇｅｇｒａｄｉｅｎｔｉｎｏｒｄｅｒｔｏｉｍｐｒｏｖｅｍｏｔｉｏｎｒｅｇｉｏｎｄｅｔｅｃｔｉｏｎａｂｉｌｉｔｙ；ｆｉｎａｌｌｙｔｈｅｅｎｔｉｒｅｒｅｇｉｏｎｏｆｍｏｖｉｎｇｔａｒｇｅｔｓｉｓｄｅｒｉｖｅｄｂｙｕｔｉｌｉｓｉｎｇｔｈｅｒｅｇｉｏｎｍｅｒｇｉｎｇｍｅｔｈｏｄ，ａｎｄｔｈｅｂａｃｋｇｒｏｕｎｄｍｏｄｅｌｗｉｌｌｂｅｒｅｆｒｅｓｈｅｄａｔｃｅｒｔａｉｎｉｎｔｅｒｖａｌ．Ａｆｔｅｒｔｈｅｍｏｖｉｎｇｔａｒｇｅｔｓａｒｅｄｅｔｅｃｔｅｄ，ｉｔｗｉｌｌｔｕｒｎｔｏｔｒａｃｋｉｎｇ．Ｗｈｉｌｅｔｒａｃｋｉｎｇｔｈｅｔａｒｇｅｔｓ，ｔｈｅｓｉｔｕａｔｉｏｎｓｗｉｌｌｂｅｄｅａｌｔｗｉｔｈｓｅｐａｒａｔｅｌｙｄｅｐｅｎｄｉｎｇｏｎｏｃｃｌｕｓｉｏｎｏｒｎｏｔ：Ｗｈｅｎｔｈｅｒｅｉｓｎｏｏｃｃｌｕｓｉｏｎｂｅｔｗｅｅｎｔｈｅｔａｒｇｅｔｓ，ｔｈｅｍａｔｃｈｅｄｔｒａｃｋｉｎｇｗｉｌｌｂｅｃａｒｒｉｅｄｏｕｔｂａｓｅｄｏｎｔｈｅｃｅｎｔｒｅｄｉｓｔａｎｃｅｓｏｆｔａｒｇｅｔｓａｎｄｔｈｅｗｅｉｇｈｔｅｄｃｏｌｏｕｒｈｉｓｔｏｇｒａｍｆｅａｔｕｒｅ；Ｏｔｈｅｒｗｉｓｅ，ｔｈｅＫａｌｍａｎｆｉｌｔｅｒｗｉｌｌｂｅｕｓｅｄｔｏｐｒｅｄｉｃｔｔｈｅｌｏｃａｔｉｏｎｏｆｔｈｅｏｃｃｌｕｄｅｄｔａｒｇｅｔｓ．Ｅｘｐｅｒｉｍｅｎｔｐｒｏｖｅｓｔｈａｔｔｈｉｓａｌｇｏｒｉｔｈｍｃａｎｅｘｔｒａｃｔｍｏｒｅｃｏｍｐｌｅｔｅａｎｄａｃｃｕｒａｔｅｔａｒｇｅｔｒｅｇｉｏｎｓｔｈａｎｔｈｅｔｒａｄｉｔｉｏｎａｌｂａｃｋｇｒｏｕｎｄｓｕｂｔｒａｃｔｉｏｎｂａｓｅｄｍｕｌｔｉｔａｒｇｅｔｔｒａｃｋｉｎｇａｌｇｏｒｉｔｈｍ，ａｎｄｈａｓｂｅｔｔｅｒｐｅｒｆｏｒｍａｎｃｅｉｎｔｒａｃｋｉｎｇｐｅｄｅｓｔｒｉａｎｓｗｈｉｃｈａｒｅｔｈｅｎｏｎｒｉｇｉｄｔａｒｇｅｔｓ．ＫｅｙｗｏｒｄｓＴａｒｇｅｔｄｅｔｅｃｔｉｏｎＥｄｇｅｄｅｔｅｃｔｉｏｎＭｕｌｔｉｔａｒｇｅｔｔｒａｃｋｉｎｇＫａｌｍａｎｆｉｌｔｅｒＷｅｉｇｈｔｅｄｃｏｌｏｕｒｈｉｓｔｏｇｒａｍ不发生变化的时候采用基于质心距的方法，在数量发生变化时