基于单摄像头的运动目标跟踪定位技术研究
基于单目视觉的无人机目标定位方法
基于单目视觉的无人机目标定位方法下载提示：该文档是本店铺精心编制而成的，希望大家下载后，能够帮助大家解决实际问题。
文档下载后可定制修改，请根据实际需要进行调整和使用，谢谢！本店铺为大家提供各种类型的实用资料，如教育随笔、日记赏析、句子摘抄、古诗大全、经典美文、话题作文、工作总结、词语解析、文案摘录、其他资料等等，想了解不同资料格式和写法，敬请关注！Download tips: This document is carefully compiled by this editor. I hope that after you download it, it can help you solve practical problems. The document can be customized and modified after downloading, please adjust and use it according to actual needs, thank you! In addition, this shop provides you with various types of practical materials, such as educational essays, diary appreciation, sentence excerpts, ancient poems, classic articles, topic composition, work summary, word parsing, copy excerpts, other materials and so on, want to know different data formats and writing methods, please pay attention!基于单目视觉的无人机目标定位方法介绍随着无人机技术的迅猛发展，无人机在各个领域的应用越来越广泛。
基于单目摄像机的无人机动态目标实时跟踪
基于单目摄像机的无人机动态目标实时跟踪随着无人机技术的不断发展和普及，无人机的应用领域也越来越广泛，其中动态目标跟踪技术是无人机应用的关键技术之一。
动态目标跟踪技术可以使无人机在飞行过程中实时追踪目标物体的运动轨迹，实现自主跟踪和监视，广泛应用于军事侦察、边境巡逻、灾害救援、环境监测等领域。
基于单目摄像机的无人机动态目标实时跟踪技术是目前研究的热点之一，本文将对该技术进行深入研究和探讨。
一、动态目标跟踪的意义和挑战动态目标跟踪是指在一定的监视区域内，无人机通过摄像头对目标进行持续跟踪和监视的技术。
动态目标跟踪技术的意义在于可以使无人机具备对移动目标的实时监测和追踪能力，有效增强了无人机在各种应用场景下的实用价值和服务功能。
动态目标跟踪技术也面临着诸多挑战，其中最主要的挑战包括目标的运动速度快、光照条件变化明显、背景干扰严重等问题，这些问题直接影响了无人机在实际应用中的性能和稳定性。
基于单目摄像机的无人机动态目标实时跟踪技术是指通过无人机搭载的单目摄像头对目标进行实时跟踪和监视的技术。
目前，对于这一技术的研究已经取得了一定的进展，主要包括以下几个方面：1、图像处理算法的优化。
近年来，研究人员采用了各种先进的图像处理算法，如卷积神经网络（CNN）、深度学习（Deep Learning）等技术，对无人机拍摄的实时图像进行处理和分析，提高了目标检测和跟踪的精度和实时性。
2、相机姿态估计和位姿解算技术的改进。
无人机在飞行过程中，由于姿态的变化会对目标跟踪产生一定的影响，因此相机姿态估计和位姿解算技术的改进对于提高目标跟踪的准确性和稳定性至关重要。
3、目标检测和跟踪算法的研究。
针对无人机动态目标跟踪的需求，研究人员提出了一系列的目标检测和跟踪算法，包括卡尔曼滤波、粒子滤波、模板匹配等方法，用于提高目标的跟踪精度和鲁棒性。
1、视觉设计和成像技术。
无人机搭载的单目摄像机在设计和性能上均需要满足无人机对目标监测和跟踪的实时需求，因此对于摄像头的分辨率、帧率、光学性能等方面都有着较高的要求。
用单目摄像头追踪移动物体中目标位置的方法与相关技术
图片简介:本技术公开一种用单目摄像头追踪移动物体中目标位置的方法，其实现步骤包括：1、获取基准图片；2、计算标签1和标签2位置；3、确定追踪时标签1的位置；4、计算标签2的位置；5、计算标签2的角度；6、完成测量位置的追踪。
本技术利用追踪前确定的物体中被跟踪的目标位置，追踪物体运动中被跟踪的目标不存在时，该物体中原来的目标位置，有效的解决了直接跟踪目标，当目标不存在时会造成跟踪失败的问题，使得本技术的方法可以更准确的追踪物体的测量位置。
技术要求1.一种用单目摄像头追踪移动物体中目标位置的方法，其特征在于，追踪前，利用单目摄像头获取标签1和标签2的三维坐标，追踪时，遮挡标签2，利用单目摄像头获取标签1的三维坐标，计算标签2位置，该方法的步骤包括如下：(1)获取基准图片：追踪开始前，使用单目摄像头连续拍摄静止的被测物体的十帧图片，将最后一张图片作为基准图片，该基准图片中包括被测物体、标签1和标签2；(2)计算标签1和标签2位置：(2a)利用apriltag算法中的距离公式，分别计算基准图片中标签1与单目摄像头的距离以及基准图片中标签2与单目摄像头的距离；(2b)按照下式，计算标签1和标签2之间的角度；其中，β1表示在基准图片中标签1的参考顶点A和参考顶点B之间的直线与标签1参考顶点A和标签2中心点之间的直线的角度，arctan表示反正切操作，centy1表示在基准图片中标签2中心点对应y轴的坐标，Ay1表示在基准图片中标签1的参考顶点A处对应y轴的坐标，centx1表示在基准图片中标签2中心点对应x轴的坐标，Ax1表示在基准图片中标签1的参考顶点A处对应x轴的坐标，By1表示在基准图片中标签1的参考顶点B处对应y轴的坐标，Bx1表示在基准图片中标签1的参考顶点B处对应x轴的坐标。
(2c)按照下式，计算标签1参考顶点A与标签2中心点的距离；其中，R1表示在基准图片中标签1参考顶点A与标签2中心点之间的距离，表示取平方根操作，centy1表示在基准图片中标签2中心点对应y轴的坐标，Ay1表示在基准图片中标签1的参考顶点A处对应y轴的坐标，centx1表示在基准图片中标签2中心点对应x轴的坐标，Ax1表示在基准图片中标签1的参考顶点A处对应x轴的坐标；(3)确定追踪时标签1的位置：(3a)追踪开始时，遮挡被测物体上的标签2；(3b)利用apriltag算法中的距离公式，计算在单目摄像头拍摄范围内任意移动被测物体时每帧图片中标签1与单目摄像头的距离；(4)计算标签2的位置：(4a)利用距离公式，计算每帧图片中标签1移动时参考顶点A与被遮挡的标签2中心点之间的距离；(4b)按照下式，计算标签1与被遮挡的标签2之间的角度；β2＝β1+α3其中，β2表示每帧图片中标签1参考顶点A和被遮挡的标签2中心点之间的直线与单目摄像头水平轴的角度，β1表示在基准图片中标签1参考顶点A和参考顶点B之间的直线与标签1参考顶点A和标签2中心点之间的直线的角度，α3表示每帧图片中标签1参考顶点A和参考顶点B之间的直线与单目摄像头水平轴的角度；(4c)利用位置公式，计算被遮挡的标签2中心点位置；(5)计算标签2的角度：利用角度公式，计算每帧图片中被遮挡的标签2参考顶点A和参考顶点B之间的直线与单目摄像头水平轴之间的角度；(6)完成测量位置的追踪。
基于单目摄像机的无人机动态目标实时跟踪
基于单目摄像机的无人机动态目标实时跟踪1. 引言1.1 研究背景在无人机领域，目标跟踪技术一直是一个重要的研究方向。
随着无人机的广泛应用，如航拍、农业植保、安防监控等领域的需求不断增长，如何实现对动态目标的实时跟踪成为一个迫切的问题。
传统的目标跟踪方法主要基于GPS、惯性传感器和视觉传感器的组合，但存在精度不够高、对环境依赖性强和成本较高等问题。
基于单目摄像机的无人机动态目标实时跟踪技术成为了研究的热点之一。
随着计算机视觉和深度学习技术的发展，基于单目摄像机的目标跟踪算法在无人机领域得到了广泛应用。
这种算法能够实现对目标位置、姿态等信息的实时提取和分析，为无人机的自主飞行和精准控制提供了重要支持。
目前这方面的研究仍处于初级阶段，存在着许多挑战和问题需要解决。
本文旨在通过对基于单目摄像机的无人机动态目标实时跟踪技术进行深入研究和探讨，为解决相关问题提供新的思路和方法。
1.2 研究意义本研究的意义在于探索基于单目摄像机的无人机动态目标实时跟踪技术，为提高无人机在目标跟踪、监控、搜救等领域的应用能力提供技术支持。
通过研究基于单目摄像机的目标跟踪算法，可以实现对目标物体的准确定位和跟踪，提高无人机的智能感知能力和自主控制能力，拓展无人机的应用场景，为推动无人机技术的发展做出贡献。
通过本研究的进一步深入和探索，将能够为推动无人机技术的发展、提高无人机的智能化水平和自主化能力，以及拓展无人机在不同领域的应用提供技术支持和理论基础，具有重要的科研和应用价值。
1.3 研究现状在当前科技发展的大背景下，无人机技术已经取得了长足的进步，在各个领域都有着广泛的应用。
无人机目标跟踪技术是无人机应用的一个重要方面，能够实现对目标物体的实时追踪和监测，为无人机的自主飞行和应用提供了重要支持。
目前，基于单目摄像机的无人机动态目标实时跟踪技术已经引起了研究者的广泛关注。
传统的无人机目标跟踪技术多采用多摄像头系统或者激光雷达等传感器进行目标检测和跟踪，但是这些传感器的成本较高且安装复杂，不利于无人机的小型化和简化。
基于单目摄像机的无人机动态目标实时跟踪
基于单目摄像机的无人机动态目标实时跟踪随着无人机的应用不断扩大，已经在多个领域得到了广泛的应用，其中无人机目标跟踪技术也得到了越来越多的关注。
在许多无人机应用场景中，如无人机拍摄照片和视频、军事侦查和情报搜集、安全监控等，要求无人机可以快速、准确、稳定地跟踪移动目标。
本文将介绍基于单目摄像机的无人机动态目标实时跟踪技术。
无人机动态目标实时跟踪技术最基本的思想就是通过摄像机感知目标的运动轨迹，然后利用跟踪算法将目标跟踪下来。
在此基础上，我们可以实现多种不同的功能，例如：跟踪算法在无人机拍摄照片和视频时可以用于保持移动目标在视频画面中的稳定、跟踪算法在安全监控中可以用于追踪需要监控的目标等等。
无人机进行目标跟踪时需要考虑的主要问题有：1. 双目摄像机还是单目摄像机？2. 如何进行运动估计和目标跟踪？3. 如何提高跟踪算法的鲁棒性和实时性？在这些问题中，最重要的是如何提高跟踪算法的鲁棒性和实时性，因为这将直接影响到无人机进行目标跟踪的效果和可靠性。
对于问题1，当然是单目摄像机更加简单方便，因此我们选择基于单目摄像机的无人机跟踪系统。
对于问题2，一种常用的方法是将目标的运动看作是一个刚体的运动，并且根据刚体的运动模型，通过计算相邻帧之间的相对运动，得到目标的运动轨迹。
此时需要使用运动估计算法进行运动矢量的计算。
我们可以选择经典的光流算法或基于特征点的运动估计算法，当然也可以使用更加先进的基于深度学习的运动估计算法。
对于问题3，我们需要保证跟踪算法的鲁棒性和实时性。
保证算法鲁棒性的方法包括使用颜色模型的匹配方法、形态学滤波器等，提高算法实时性的方法包括降低算法复杂度、选择高效的矩阵操作库等。
综上，基于单目摄像机的无人机动态目标实时跟踪技术可以通过选择适当的运动估计算法和跟踪算法，以及优化算法实现方式来提高其鲁棒性和实时性。
该技术在实际应用中具有广泛的应用前景，可以为无人机的应用带来更为可靠和高效的目标跟踪功能。
基于光学成像的目标跟踪技术研究
基于光学成像的目标跟踪技术研究近年来，随着计算机视觉技术的不断发展，基于光学成像的目标跟踪技术也得到了广泛的应用。
基于光学成像的目标跟踪技术指通过摄像头或者其他光学设备将目标进行成像，并利用计算机或其他设备对目标进行跟踪的技术。
本文将从技术原理、应用场景和发展趋势三个方面对基于光学成像的目标跟踪技术进行探讨。
一、技术原理基于光学成像的目标跟踪技术主要包括图像处理、特征提取和匹配三个部分。
首先，图像处理可以对采集到的目标图像进行预处理，包括增强对比度、降噪等等，以提高特征提取的准确性。
其次，特征提取是将目标映射成一组特征向量的过程，需要关注目标形状、纹理、颜色和运动等特征。
最后，匹配部分是利用特征向量进行目标实例的匹配，进行目标跟踪。
二、应用场景基于光学成像的目标跟踪技术主要应用于各种安防领域。
比如，摄像头可以对商旅酒店等场所的入口处进行监控，当有可疑人员进入时，系统便会自动捕捉警示。
此外，在交通管理方面，也可以利用这种技术对车辆行驶过程进行监控和管理。
此外，还有诸如智能家居设备、虚拟现实游戏和医疗健康检测等领域，也都可以使用基于光学成像的目标跟踪技术。
三、发展趋势随着人工智能、深度学习技术的迅速发展，基于光学成像的目标跟踪技术也会逐渐趋于成熟。
未来，人们可以使用基于光学成像的目标跟踪技术来识别和跟踪更加复杂的目标，同时提高技术的鲁棒性和精度。
此外，在应用方面，随着技术的进一步发展，基于光学成像的目标跟踪技术也会被广泛应用于机器人、自动驾驶和远程监控等领域。
总之，基于光学成像的目标跟踪技术是对计算机视觉技术的有益补充，具有广阔的应用前景和巨大的市场潜力。
随着技术的进一步成熟和应用领域的扩大，相信基于光学成像的目标跟踪技术将在未来发挥更加重要的作用。
单目视觉跟踪算法研究及其应用
单目视觉跟踪算法研究及其应用一、前言跟踪算法是计算机视觉领域中的一项重要技术，主要应用在目标识别、目标跟踪等领域。
其中单目视觉跟踪算法是比较常用的一种技术，具有应用广泛、易于实现等优点。
本文将对单目视觉跟踪算法进行系统研究，并探讨其在实际应用中的一些新颖方法和未来发展方向。
二、单目视觉跟踪算法概述单目视觉跟踪算法是指使用单个摄像头或者一组同步摄像头，通过计算机处理，实现对动态场景中的目标进行跟踪。
在该算法中，主要是通过目标的特征点来进行跟踪，这些特征包括颜色、纹理、形状、边缘等。
在实现的过程中，主要使用了光流法、卡尔曼滤波器、SIFT算法等技术，来提高跟踪效果。
三、单目视觉跟踪算法技术细节1、目标特征点的提取提取目标特征点是单目视觉跟踪算法的第一步。
该算法通常是基于局部不变性和尺度空间理论来进行的，主要的方法包括SIFT 算法、SURF算法、ORB算法等。
在提取特征点的过程中，需要注意以下几点：首先，要保证提取的特征点数量足够，并且能够唯一地标记目标；其次，在面对光照变化、目标平移、旋转等变化时，也应保持特征点的不变性；最后，要对提取到的特殊点进行筛选，删除掉噪声点或者无效点。
2、跟踪算法的选择在单目视觉跟踪算法中，跟踪算法的选择也尤为重要。
常用的跟踪方法有：Lucas–Kanade光流跟踪方法、卡尔曼滤波器、Mean-Shift算法、Camshift算法等。
在选择跟踪算法的时候，需要考虑目标的运动状态、噪声类型以及实时性等问题。
对于复杂、高速、模糊的目标，建议使用Lucas–Kanade光流跟踪方法，而对于需要快速追踪、无需考虑物体形状、细节的情况，建议使用Mean-Shift算法。
3、目标状态的更新在跟踪算法中，目标状态是需要持续更新的。
最常见的方法是基于卡尔曼滤波器的状态预测，它可以根据前一个时刻的状态，估计一个当前时刻的状态，并进行更新。
需要注意的是，卡尔曼滤波器只能处理线性的目标运动模型，对于复杂的非线性模型需要使用扩展卡尔曼滤波器。
基于单目摄像机的无人机动态目标实时跟踪
基于单目摄像机的无人机动态目标实时跟踪
随着无人机在军事、民用等领域的广泛应用，无人机的目标跟踪技术也日趋成熟。
而
基于单目摄像机的无人机动态目标实时跟踪技术较为实用，具有广泛应用前景。
单目摄像机的优势在于可以实现轻量级的无人机设计。
同时，它可以适应不同环境条
件和不同目标特征，灵活性较高。
因此，基于单目摄像机的无人机动态目标实时跟踪技术
具有广泛的应用前景。
无人机动态目标实时跟踪技术的核心是计算机视觉算法。
针对目标跟踪任务，需要选
择相应的视觉算法，并进行改进和优化。
比如，使用颜色特征来进行目标跟踪，可以在一
定程度上提高跟踪的准确率。
此外，也可以使用卷积神经网络（CNN）算法，在不同光照、尺度、姿态等条件下提高目标区分度，提高跟踪算法的性能。
此外，无人机目标跟踪还需要考虑实时性和鲁棒性。
针对这两个问题，需要进行优化。
例如，在实现跟踪算法时可以采用目标卡尔曼滤波算法，以获得更精确和实时的跟踪结果。
同时，还可以加入自适应控制策略，以应对复杂环境下的干扰。
总之，基于单目摄像机的无人机动态目标实时跟踪技术是未来无人机领域的重要技术
之一。
它可以应用于军事侦察、民用航拍、环境监测等众多领域，具有深远的应用前景。
我们相信，通过不断地技术研发和应用推广，这项技术的发展将会不断加速，并为人类社
会做出更加重要的贡献。
- 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)。
工程技术 Computer CD Software and Applications 2012年第18期— 82 —基于单摄像头的运动目标跟踪定位技术研究谢鹏程（北京信息科技大学仪器学院，北京 100101）摘要：单目视觉跟踪定位、双目视觉跟踪定位和多目视觉传感器跟踪定位是当前的计算机主要的视觉定位跟踪方式，但是由于利用双目视觉跟踪定位和多目视觉传感器中存在着视场小、系统结构庞大、立体匹配难等缺陷，在很多工业制造场合已逐渐被标定步骤少、结构简单的单目视觉所代替。
本实验通过单目视觉方式实现了对运动目标跟踪定位，并设计了基于单摄像头的运动目标跟踪定位系统，采用CamShift 算法通过目标颜色信息选取对目标进行识别、提取以及检测，通过基于邻域线性搜索与卡尔曼滤波器相结合的跟踪算法，准确实现运动目标的识别和定位，并进行了一系列相应的理论实验验证与分析，给出了最终的实验结果。
关键词：单目视觉；CamShift 算法；颜色空间；目标定位 中图分类号：TP391 文献标识码：A 文章编号：1007-9599 (2012) 18-0082-031 引言计算机视觉是计算机科学和人工智能的一个重要分支，它既是工程领域，也是科学领域中的一个富有挑战性的重要研究领域，已经吸引了来自各个学科的研究者参加到对它的研究之中。
计算机视觉的挑战是要为计算机和机器人开发具有与人类水平相当的视觉能力。
机器视觉需要图像信号，纹理和颜色建模，几何处理和推理，以及物体建模。
一个有能力的视觉系统应该把所有这些处理都紧密地集成在一起[1]。
本文中通过单目视觉检测方法实现了对运动目标跟踪定位，并设计了基于卡尔曼滤波器与邻域线性搜索相结合的跟踪算法，大大地减少了传统的目标跟踪算法对目标运动位置预测搜索的迭代时间，并解决了在相邻两帧图像中由于目标位置发生剧烈变化而导致目标丢失的问题，该系统简单便携，在工业自动化方面具有较高的应用价值。
2 构建单目视觉的运动目标跟踪定位系统本系统共分为目标提取识别和目标跟踪定位两大模块，目标提取识别模块由边缘提取，特征提取，图像分割等方法实现。
其实质是用数字图像处理的方法实现对目标的识别，数字图像处理一般包括图像的获取、增强、存储、处理、表达和识别等步骤[2]。
目标跟踪定位模块由CamShift 算法，邻域线性搜索法组成。
本文的图像处理流程为：图1 图像处理流程图在目标识别前，首先要进行目标采集，本文所用设备为USB 摄像头，所采集图片的颜色空间为RGB 空间，然后把RGB 空间转换成HSV 颜色空间，然后选取目标的颜色模板，通过特征匹配和邻域线性搜索等检测跟踪算法，最终实现对目标的识别与跟踪。
2.1 采用HSV 颜色空间对图像进行处理 首先，本文的识别系统主要是通过对目标颜色信息的提取进行定位，色彩信息在HSV 空间有显著差异，HSV坐标可以用图2表示，由图可以看出色度H 差异明显，此外白色与黑色分别位于锥顶和锥底中心，与彩色的V 值和饱和度差异明显。
设定门限较为容易，而采用RGB 空间，在目标识别时可造成某些颜色分量的重叠，这些重叠目前无规律可循，因此不利于进行目标的识别和定位。
图2 圆锥表示的HSV 颜色模型其次，采用HSV 颜色空间可抵抗光照强度的变化，HSV 颜色模型的坐标系统如图2所示，H 表示色彩信息，即所处的光谱颜色的位置，该参数用一角度量来表示，红、绿、蓝分别相隔120°，互补色分别相差180°。
饱和度S 为一比例值，范围为0-1，它表示所选颜色的纯度和该颜色最大纯度之间的比率。
V 表示色彩的明亮程度，范围为0-1[3]。
由转换关系：max=max(R ，G ，B) min=min(R ，G ，B)if R=max ，H=(G-B)/(max-min) if G=max ，H=2+(B-R)/(max-min) if B=max ，H=4+(R-G)/(max-min)H=H*602012年第18期 Computer CD Software and Applications 工程技术— 83— if H<0，H=H+360 V=max(R ，G ，B) S=(max-min)/max仅有V 与RGB 的绝对数值有关，色度H 与饱和度S 只与GRB 分量的比例有关，因此，在颜色属性不发生变化，摄像机传感器未饱和的情况下，H 与S 的变化与光强的变化无关，相比之下RGB 颜色模型与光照强度密切相关，光线较强时，RGB 各分量普遍化的能力。
2.2 运动目标检测跟踪CamShift 算法实现CamShift 跟踪算法是MeanShift 算法的改进，CamShift 算法的全称是"Continuously Adaptive Mean-SHIFT"，被称为连续自适应的MeanShift 算法，它的基本思想是将视频图像所有帧作MeanShift 运算，并将上一帧的结果（即Search Window 的中心和大小）作为下一帧MeanShift 算法的Search Window 的初始值，如此迭代下去[4-5]。
CamShift 算法流程为：图3 CamShift 算法流程图处理流程如下所示：图4 用摄像头采集的篮球图片 图5 选取的颜色模板图6 计算出的H 分布图图6中坐标轴的横轴是颜色的0～255级，纵轴是对应每级的像素点个数图7 原图反向投影图 图8 经过识别定位后的球 2.3 运动目标的定位运动目标跟踪定位是计算机视觉的关键组成部分，它主要是针对目标的运动图像序列进行分析处理，来确定运动目标在每帧图像中的位置，从而实现运动目标运动轨迹的重建。
轮廓匹配跟踪、特征匹配跟踪和基于区域匹配跟踪是较常见的运动目标跟踪方法[6]。
由于在本实验中要跟踪的是一个运动的篮球，具有较好的外形特征，所以可采用提取图像中运动目标的特征圆进行跟踪。
在本实验中，由于摄像机和运动目标背景都在运动，不能采用常见的帧差法、背景相减法等跟踪定位算法对目标进行跟踪，因此采用邻域线性搜索的跟踪定位算法对运动目标进行跟踪，如图9所示。
图9 邻域线性搜索法示意图在目标跟踪前，先手动选定第一帧图像中的运动目标，由于相邻两帧图像的目标运动不会很快，因此可由上一帧图像中运动目标的位置向T ×d (半径)的区域搜索来确定下一帧图像中运动目标的位置。
但有时也会出现2帧图像之间运动目标位置变化极大的情况，由于邻域线性搜索半径不能设置太大，这种情况下就容易丢失目标，以至于后面的跟踪失败，对于这种情况，本实验采用卡尔曼滤波器进行弥补。
若出现目标搜索不到的情况，就使用卡尔曼滤波器通过目标在上一帧图像中的位置来预测运动目标在当前帧的位置，以实现连续跟踪，这样既减少了传统跟踪算法的迭代次数，提高了跟踪的速度，又实现了连续跟踪的准确性[7]。
2.4 运动目标的位置获取在双目视觉定位中通过两个摄像头在不同位置所拍摄目标图像的景深不同，来准确定位出目标的位置，但在单目图像定位中由于所采集的运动目标的位置是用一个二维坐标表示的，因此本文所要解决的一个首要条件是如何通过图像序列将目标在二维坐标系下的位置转换到摄像机坐标系下的三维坐标[8]。
本实验通过相似三角形的原理实现了上述转换。
X =Z/f ×center(x )； Y =Z/f ×center(y)； Z =targetdia/r ×f ；工程技术 Computer CD Software and Applications 2012年第18期— 84 —其中f 为摄像头焦距，center (x)为运动目标的中心x 坐标，center (y)为运动目标在图像坐标系下的中心y 坐标，targetdia 为运动目标篮球的直径，r 为半径。
然后由目标坐标（X ，Y ，Z ）可知目标与摄像头的距离为（X 2+Y 2+Z 2）1/2，arctan(X/Y)则为左右偏转角度。
在本实验中通过对拍摄的地面运动篮球的位置进行了获取，实验结果截图如图10所示：图10 实验结果截图3 结束语本文设计的基于单摄像头的运动目标跟踪定位系统，应用了CamShift 算法与邻域线性搜索相结合的跟踪算法，不仅在跟踪时间上减少了跟踪运算的迭代时间，而且有效地解决了由摄像机本身精度的原因所造成的在采集相邻两帧图像之间出现丢帧、运动目标位置发生突变的现象，从而避免了跟踪失败的情况。
该系统简单便携，并且兼容性较强，因此在工业控制、智能监控、自动化生产等领域中有广泛的应用前景。
参考文献：[1]孙即祥.图像分析[M].北京:科学出版社,2005.[2]冈萨雷斯,伍兹,阮秋琦.数字图像处理[M].北京:电子工业出版社,2005.[3]刘刚.MATLAB 数字图像处理[M].北京:机械工业出版社,2010.[4]Adrian Kaehler ，Gary Bradski.LearnOpenCv. O'Reilly Media,Inc.2009.[5]Gary puter Vision Face Tracking For Use in a Perceptual User Interface.Intel Technology Journal.1998[6]辛瑞红.运动目标的检测与跟踪研究[D].北京:北京交通大学,2007.[7]孙彪.基于单目视觉的运动目标跟踪定位[J].四川兵工学报,2010,31(4):87-87.[8]张广军.视觉测量[M].北京:科学出版社,2008.[作者简介]谢鹏程（1990-），男，辽宁人，北京信息科技大学仪器学院测控09级。
（上接第51页）在这种技术中，也存在着一些不足之处，比如，防火墙一旦被迂回的绕过或者被攻击突破，则不再能够发挥出任何的作用。
当前，针对防火墙的实现的技术，我们可以将其分为过滤技术、代理技术以及状态监视技术，其中，过滤技术属于基于网络层的防火墙技术，而代理技术则和代理技术有着较大的不同，至于状态监视技术则是当前最有效的防火墙技术，它不仅集中了前二者的很多优点，还可以检测网络通信的各层。
一般来说，按照防火墙的结构，我们可以将其分为包过滤防火墙、双宿主主机防火墙以及屏蔽主机网关防火墙，以下将对其进行详细的分析：4.1 包过滤防火墙。
这种防火墙也就是过滤路由器，它是最为简单，也是最为基本的一种防火墙，在一般的路由器上就可以对其进行实现，当然也能够在基于主机的路由器上应用这种防火墙。
4.2 双宿主主机防火墙。
对于双宿主主机防火墙，在实现的过程中一般是通过较为特殊主机的。
在这个主机中，具备两个网络接口，这两个网络接口是不一样的，一个用来连接外部的网络，而另一个则是对内部的网络进行保护以及运行代理服务器，这也是其名称的由来。