实时目标跟踪研究
机器人自主导航与目标跟踪算法研究
机器人自主导航与目标跟踪算法研究自主导航和目标跟踪是机器人领域研究的重要课题之一。
随着机器人技术的不断发展和应用的广泛推广，实现机器人的自主导航和目标跟踪能力对于提高机器人的智能化水平和应用领域的拓展具有重要意义。
本文将从机器人自主导航和目标跟踪算法的原理、方法和应用等方面进行研究和探讨。
一、机器人自主导航算法研究机器人自主导航是指机器人在不需要人为干预的情况下能够自主感知、自主决策和自主移动到指定的目标位置。
自主导航算法是实现机器人自主导航能力的关键。
1.1 环境感知：机器人在自主导航过程中需要能够感知环境信息，包括障碍物、地图信息、位置等。
常用的感知方法包括激光雷达、摄像头、超声波传感器等。
激光雷达可以提供精确的障碍物距离信息，摄像头可以获取环境中的图像信息。
1.2 地图构建：机器人需要具备地图构建的能力，能够将环境中的感知信息转化为地图信息。
常用的地图构建方法包括基于激光雷达的SLAM算法、基于视觉的SLAM算法等。
1.3 路径规划：机器人需要能够根据目标位置和环境信息生成合适的路径。
常用的路径规划算法有A*算法、Dijkstra算法、RRT算法等。
这些算法能够找到最优或近似最优的路径，使机器人能够快速且安全地到达目标位置。
1.4 运动控制：机器人需要能够通过运动控制实现自主导航。
运动控制算法可以根据机器人的特性和需求设计，包括速度控制、姿态控制等。
二、目标跟踪算法研究目标跟踪是指机器人能够自主追踪和识别环境中的目标对象，并能够实现实时的目标跟踪和定位。
目标跟踪算法是实现机器人目标跟踪能力的关键。
2.1 特征提取与匹配：目标跟踪算法首先需要提取目标的特征，如颜色、纹理、形状等。
然后通过特征匹配的方式将目标与背景进行区分。
2.2 运动估计：目标跟踪算法需要能够实时估计目标的运动状态，包括位置、速度等。
常用的运动估计方法包括卡尔曼滤波器、粒子滤波器等。
2.3 跟踪算法：目标跟踪算法有多种实现方式，包括基于模板匹配的目标跟踪算法、基于相关滤波的目标跟踪算法、基于深度学习的目标跟踪算法等。
多摄像头视频的目标跟踪与重构技术研究
多摄像头视频的目标跟踪与重构技术研究在现代科技快速发展的时代，多摄像头视频的目标跟踪与重构技术成为了一个备受关注的研究领域。
随着人们对视频内容的需求越来越高，多摄像头系统可以提供更全面的视角和更丰富的信息，因此多摄像头视频的目标跟踪与重构技术显得尤为重要。
本文将对其进行深入研究与讨论。
首先，多摄像头视频的目标跟踪是指通过多个摄像头同时监控一个目标，并实时追踪目标在不同相机视角下的位置与运动轨迹。
这项技术的重要性在于能够提供准确的目标定位信息，为其他应用提供可靠的数据支持。
目标跟踪的挑战在于目标在不同相机视角下的外观变化、遮挡、光照变化等因素的干扰，因此需要采用创新的算法和技术来解决这些问题。
一种常用的多摄像头目标跟踪技术是多目标跟踪方法。
该方法利用多个摄像头同时观测目标，并通过目标的特征与运动信息将其在不同相机视角下进行关联。
常用特征包括目标的颜色、纹理、形状等，通过对目标特征的提取和匹配，可以实现目标在多个摄像头下的连续跟踪。
此外，还有一些基于深度学习的目标跟踪方法，通过训练神经网络来学习目标的外观特征和运动规律，从而实现准确的多摄像头目标跟踪。
除了目标跟踪，多摄像头视频的重构技术也是该领域的研究重点。
多摄像头视频重构是指将多个摄像头拍摄到的不同视角的视频进行融合，生成一个全景视频或三维重构模型。
这项技术的应用广泛，例如在虚拟现实、增强现实、安防监控等领域均有重要作用。
在多摄像头视频的重构过程中，首先需要对多个摄像头进行标定，确定摄像头之间的几何关系和外部参数。
然后，通过对多个视角视频的特征点或特征区域进行匹配，确定它们之间的对应关系。
接着，通过几何变换和图像融合技术，将多个视角的视频进行融合，生成全景视频或三维重构模型。
多摄像头视频的目标跟踪与重构技术在许多实际应用中发挥着重要的作用。
例如，在智能交通系统中，利用多摄像头对交通流量进行准确的监测和分析，可以提高交通效率和减少交通事故。
在安防监控中，多摄像头可以提供全面的监控视角，通过目标跟踪和重构技术，能够及时发现可疑事件并提供可靠的证据。
目标跟踪的研究背景意义方法及现状
目标跟踪的研究背景意义方法及现状1目标跟踪的研究背景及意义 (1)1.1电视监控 (2)1.2视频压缩编码 (2)1.3智能交通系统 (2)1.4人机交互 (3)2研究现状及研究面临的问题 (3)2.1研究现状 (3)2.2研究面临的难题 (4)3目标跟踪的主要方法 (4)3.1基于检测的方法 (5)3.2基于识别的方法 (5)1目标跟踪的研究背景及意义感觉是人类与外界联系的窗口和交流的桥梁，它的主要任务是识别周边物体，判断与这些物体之间的联系，使人类的思维与周围世界建立某种对应的关系。
而视觉系统是人类感觉的最主要来源，是获取外界信息的最主要途径，它是一种高清晰度的媒介，为人类提供着丰富的外界资源信息。
据统计，大约有80%的外界信息是通过眼睛被人接收的。
然而，由于人类的精力毕竟是有限的，人类的视野也是有限的，所以人类的视觉在各种领域的应用都受到很大限制甚至是低效的。
因而，随着数字计算机技术的飞速发展，让计算机能够处理视觉信息、完善人类视觉上的诸多短板就成了一项非常诱人的研究课题，也因此推动了计算机视觉这一学科的产生和发展。
计算机视觉是融合了图像处理、计算机图形学、模式识别、人工智能、人工神经网络、计算机、心理学、物理学和数学等领域的一门交叉性很强的学科。
计算机视觉研究的目的是使计算机感知环境中的物体的几何信息，包括它的形状、位置、姿态、运动等，并对其进行描述、存储、识别与理解，因此成为当今最热门的课题之一。
运动目标跟踪属于视频分析的内容，而视频分析则融合了计算机视觉研究领域的中层和高层处理阶段，即对图像序列进行处理，从而研究运动目标的规律，或者为系统的决策报警提供语义和非语义的信息支持，包括运动检测、目标分类、目标跟踪、行为理解、事件检测等。
视频目标跟踪方法的研究和应用作为计算机视觉领域的一个重要分支，正日益广泛地应用到科学技术、国防建设、航空航天、医药卫生以及国民经济的各个领域，因而研究目标跟踪技术有着重大的实用价值和广阔发展前景。
多传感器目标跟踪与定位研究
多传感器目标跟踪与定位研究随着科技的不断进步和应用的不断拓展，多传感器目标跟踪与定位逐渐成为研究的热点。
通过利用多个传感器收集的信息，可以提高目标跟踪和定位的准确性、鲁棒性和可靠性。
本文将对多传感器目标跟踪与定位的研究进行分析，并探讨其在不同领域的应用需求和潜在挑战。
一、多传感器目标跟踪与定位介绍多传感器目标跟踪与定位是指利用多个传感器对目标进行同时观测并推断目标位置的技术。
其中，传感器可以包括动态传感器（如雷达、红外传感器等）和静态传感器（如摄像头、声纳传感器等）。
通过组合多个传感器收集到的信息，可以获得更全面、准确的目标位置估计。
多传感器目标跟踪与定位的应用领域广泛，包括军事、航空航天、智能交通、环境监测等。
例如，在军事领域，多传感器目标跟踪与定位可以用于敌方目标监测和识别，提供情报支持；在智能交通中，可以用于交通流量监测和分析，优化交通调度。
二、多传感器目标跟踪与定位的优势相比单一传感器，多传感器目标跟踪与定位具有以下优势：1. 提高定位精度：不同传感器对目标进行观测，可以提供多个观测结果，并通过数据融合算法估计目标位置，从而提高定位精度。
2. 提高目标鉴别能力：通过多传感器的组合使用，可以更准确地鉴别目标，减少误判。
3. 增加鲁棒性：由于不同传感器具有不同的工作原理和物理特性，通过多传感器的信息融合可以提高系统的鲁棒性，减少单一传感器的局限性带来的影响。
4. 提高目标跟踪的可靠性：多传感器目标跟踪与定位可以通过高斯滤波等方法，对每个传感器的观测数据进行处理和融合，提高目标跟踪的可靠性。
三、多传感器目标跟踪与定位的研究挑战尽管多传感器目标跟踪与定位具有许多优势，但也面临一些挑战：1. 数据融合：如何将多个传感器获得的信息进行融合，准确估计目标的位置是研究的重要问题。
数据融合过程中需要考虑传感器之间的误差、权重分配等问题。
2. 数据关联：如何将不同传感器收集到的信息进行关联，准确匹配目标是关键。
基于YOLOv5和DeepSORT的多目标跟踪算法研究与应用
基于YOLOv5和DeepSORT的多目标跟踪算法研究与应用一、本文概述随着计算机视觉技术的飞速发展，多目标跟踪（Multi-Object Tracking, MOT）作为其中的一项关键技术，已广泛应用于智能监控、自动驾驶、人机交互等领域。
本文旨在研究基于YOLOv5（You Only Look Once version 5）和DeepSORT（Deep Simple Online and Realtime Tracking）的多目标跟踪算法，并探讨其在实际应用中的性能表现。
本文将对YOLOv5算法进行详细介绍。
作为一种先进的实时目标检测算法，YOLOv5凭借其高效的速度和优异的检测性能，在众多目标检测算法中脱颖而出。
本文将对YOLOv5的基本原理、网络结构、训练过程等进行深入剖析，为后续的多目标跟踪算法研究奠定基础。
本文将重点研究DeepSORT算法在多目标跟踪中的应用。
DeepSORT算法结合了深度学习和SORT（Simple Online and Realtime Tracking）算法的优点，通过提取目标的深度特征并进行数据关联，实现了对多个目标的准确跟踪。
本文将详细介绍DeepSORT算法的实现过程，包括特征提取、目标匹配、轨迹管理等关键步骤，并分析其在实际应用中的优势与不足。
本文将探讨基于YOLOv5和DeepSORT的多目标跟踪算法在实际应用中的性能表现。
通过设计实验，对比不同算法在不同场景下的跟踪效果，评估所提算法在准确性、鲁棒性、实时性等方面的性能。
本文将结合具体的应用场景，对所提算法进行实际应用案例分析，展示其在智能监控、自动驾驶等领域的应用潜力。
本文旨在深入研究基于YOLOv5和DeepSORT的多目标跟踪算法，通过理论分析和实验验证，评估其在实际应用中的性能表现，为推动多目标跟踪技术的发展和应用提供有益的参考。
二、YOLOv5目标检测算法介绍YOLOv5，全称为You Only Look Once version 5，是一种先进的实时目标检测算法。
使用计算机视觉技术进行实时目标追踪的步骤
使用计算机视觉技术进行实时目标追踪的步骤实时目标追踪是计算机视觉领域中的一个重要研究方向，它可以在视频或实时摄像头图像序列中实时识别并跟踪感兴趣的目标。
这项技术在许多领域中都有广泛的应用，如自动驾驶、视频监控和虚拟现实等。
下面将介绍使用计算机视觉技术进行实时目标追踪的步骤。
第一步是图像预处理。
在进行目标追踪之前，需要对图像进行预处理。
这通常包括图像的去噪、尺寸归一化和灰度化处理。
去噪可以通过使用滤波器来消除图像中的噪声。
尺寸归一化是将图像调整为统一的尺寸，这样可以更好地进行后续处理。
灰度化处理将彩色图像转换为灰度图像，简化了后续的图像处理步骤。
第二步是特征提取。
在目标追踪过程中，需要从图像中提取出能够代表目标的特征。
常用的特征包括颜色特征、纹理特征和形状特征等。
颜色特征可以通过颜色直方图或颜色分布来表示。
纹理特征可以通过纹理分析方法来提取。
形状特征可以通过边缘检测或轮廓提取方法来获取。
选择合适的特征对于实时目标追踪的准确性和鲁棒性具有重要意义。
第三步是目标检测。
在实时目标追踪中，目标检测是一个关键步骤。
它通过使用机器学习或深度学习技术，在图像中自动检测出目标的位置。
常用的目标检测算法包括基于特征的方法和基于深度学习的方法。
基于特征的方法经常使用Haar特征或HOG特征来训练分类器，并通过应用滑动窗口的方式来扫描整个图像以检测目标。
基于深度学习的方法则使用卷积神经网络（CNN）或循环神经网络（RNN）等进行目标检测。
第四步是目标跟踪。
目标跟踪是指在视频序列中持续追踪目标的位置和运动。
常用的目标跟踪算法包括基于模型的方法和基于特征的方法。
基于模型的方法利用目标的运动模型来进行跟踪，如卡尔曼滤波器或粒子滤波器等。
基于特征的方法则通过比较当前帧和目标模板之间的特征差异来进行跟踪，如相关滤波器或基于颜色直方图的方法等。
第五步是目标关联。
在实时目标追踪中，目标可能会发生遮挡或者形变等情况，导致目标跟踪丢失。
基于深度学习的实时目标检测及追踪研究
基于深度学习的实时目标检测及追踪研究近年来，随着深度学习技术的逐渐成熟和应用的普及，人工智能技术在工业、交通、医疗等领域都有了广泛的应用。
其中，基于深度学习的实时目标检测及追踪技术是人工智能应用的重要方向之一。
随着物联网和5G技术的普及，越来越多的设备可以接入网络，并产生大量的视频数据。
如何高效地对这些数据进行处理和分析，成为了摆在我们面前的重要问题。
实时目标检测和追踪技术是利用机器视觉技术来自动识别和跟踪视频中的目标，实现对环境的感知和理解的方法。
目标检测的过程就是通过图像分析算法自动的在图像中定位目标物体的位置、类别、数量和大小等属性。
而目标追踪则是基于目标检测的结果，对目标在一段时间内的位置、大小、形态等进行跟踪。
基于深度学习的实时目标检测及追踪技术具有很高的准确性和可靠性。
这种技术能够自动进行分类和定位，其模型的参数可以通过反向传播算法来学习。
与传统的目标检测算法相比，基于深度学习的算法具有更高的鲁棒性和泛化性能，即对于不同尺度、角度、遮挡、光照等因素造成的影响也能实现较好的检测效果。
在目标检测方面，深度神经网络（DNN）是被广泛使用的算法。
其中，区域卷积神经网络（R-CNN）是目前最先进的目标检测算法之一。
该算法先利用区域生成网络（RPN）提取感兴趣区域（RoIs），而后对每个RoI进行分类和边界框回归，通过级联分类器和部件卷积网络（part-based convolutional network，P-CNN）的融合，可以达到较高的检测准确率。
在目标追踪方面，长短时记忆网络（LSTM）和卷积神经网络（CNN）的结合被广泛使用。
LSTM是一种深度神经网络，具有记忆功能和时序建模的能力，可以解决非线性平稳时间序列数据的处理问题。
将LSTM与CNN相结合，可以实现图像序列中物体的不同时间戳之间的自然跟踪。
目前，基于LSTM-CNN的目标追踪算法已经在各种情况下取得了较好的效果。
基于深度学习的实时目标检测及追踪技术的应用在众多领域都得到广泛的应用。
雷达信号处理中的目标识别与跟踪研究
雷达信号处理中的目标识别与跟踪研究雷达（Radar）是一种利用电磁波进行探测和测距的技术。
它通过发射脉冲电磁波并接收其反射信号，利用信号的时间延迟和频率特征来探测和跟踪周围的目标物体。
在雷达信号处理中，目标识别与跟踪是两个重要的研究方向，它们对于实现雷达的自主目标探测和跟踪具有重要作用。
目标识别是在雷达信号中确定目标的位置、速度和其他特征属性的过程。
它的主要任务是将雷达接收到的信号与预先建立的目标模型进行匹配，通过特征提取和目标比对算法来判断目标是否存在。
目标识别可以分为传统方法和深度学习方法两种。
传统的目标识别方法主要依靠数学模型和信号处理算法。
常见的方法包括卡尔曼滤波器、最小二乘估计以及基于特征提取的算法等。
这些方法通过对信号的频谱、时频分析和特征提取等技术手段，对目标进行匹配和判断。
虽然传统方法在一定程度上可以实现目标识别，但是在处理复杂场景和目标变化较大的情况下效果有限。
近年来，深度学习方法在目标识别领域取得了显著的成果。
深度学习利用神经网络模型对大量数据进行训练，实现对数据的高级特征提取和模式识别。
在雷达信号处理中，深度学习可以利用卷积神经网络（CNN）和循环神经网络（RNN）等网络结构，对雷达信号进行直接处理和分类。
这种端到端的学习方式能够更好地解决目标识别中的非线性、多样性和时变性等问题。
目标跟踪是在目标识别基础上，在雷达扫描过程中连续追踪目标运动状态的过程。
目标跟踪的主要任务是通过对雷达接收到的连续信号进行滤波和关联，预测目标的位置和运动轨迹，实现实时监测和跟踪。
目标跟踪可以分为基于滤波的方法和基于关联的方法两种。
基于滤波的目标跟踪方法主要应用卡尔曼滤波器和扩展卡尔曼滤波器等算法。
这些方法通过建立目标的状态空间模型，对目标位置和速度进行状态估计和预测。
通过更新观测信息，不断优化目标的运动轨迹。
这种方法简单且实时性较好，适用于快速目标跟踪。
基于关联的目标跟踪方法主要利用关联算法对连续的雷达信号进行处理。
- 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)。
160
实时目标跟踪研究
为使建立的背景模型中不含运动目标的信息，经典的背景模型建立方法为
i, j i, j i, j 0 α ⋅ I k + (1 − α ) ⋅ B k −1 M k = Bik, j = i , j (2) otherwise B k −1 式中， Bik, j 表示第 k 帧建立的背景图像在 ( i, j ) 处的像素值； I ik, j 表示第 k 帧采集到的真实图像在 ( i, j ) 处
Study on Real-Time Target Tracking
Shaohua Hu1, Yong Chen2, Xinhua He3, Zhijun Shen3
1 2
Beijing Institute of Structure and Environment Engineering, Beijing CNPC Greatwall Drilling Engineering Company Limited Mudlogging Company, Panjin 3 Beijing Institute of Astronautical Systems Engineering, Beijing Email: buaahexinhua@ Received: May 28th, 2014; revised: Jun. 29th, 2014; accepted: Jul. 8th, 2014 Copyright © 2014 by authors and Hans Publishers Inc. This work is licensed under the Creative Commons Attribution International License (CC BY). /licenses/by/4.0/
有运动目标信息了。该背景建模方法的关键之处在于 M k 的计算。 获取 M k 的的一种方法是直接求取第 k 帧真实图像与第 k − 1 帧背景图像的差值图像，利用差值图像 其缺点是当运动目标停止一段时间融入背景图像后又突然运动时， 在运动目标停止位置会产生 计算 M k ， 一个虚假目标，而且该虚假目标会一直存在。从而影响该区域的背景更新，造成死锁。为解决此问题， 可通过计算光流判断目标的真实性，光流超过阈值的目标被定义为真实目标，小于阈值的目标被定义为 虚假目标。但光流计算比较复杂，耗时较多。因此本文提出了一种利用多帧混合差分消除虚假目标的方 法。该方法相对于光流法，计算量较少，具体的计算公式为
T2k 为 D2k 的二值化结果； ⊕ 为膨胀操作符；• 为闭运算操作符； E1 、 E2 、 E3 和 E4 为结构元素； M1k 为通过背景减除获得的运动区域； M2k 为通过多帧混合差分获得的运动区域。 M1k 得到的运动区域除包 M2k 得到的运动区域一般比真实目标大， 故将 M1k 与 M2k 进行交运算， 含运动目标外， 还包含虚假目标， 得到 M k ； M k 包含运动目标，与真实运动区域大小相近。然而该运动区域除包含运动目标外，还包含高
Computer Science and Application 计算机科学与应用, 2014, 4, 158-168 Published Online August 2014 in Hans. /journal/csa /10.12677/csa.2014.48023
频背景运动(如波动的水面，摇摆的树枝等)。对 M k 做连通性分析，连通面积超过阈值的区域被视为运动 连通面积小于阈值的区域被视为高频背景区域， 从 M k 中去除。 消除高频背景运动的 M k 目标， 归入 M k ； 就是最终的背景更新掩模图像， 使用 M k 对背景模型进行自适应更新， 这样建立的背景模型可以有效地抑 制高频背景运动以及图像传感器本身带来的噪声信号。
关键词
目标检测，目标跟踪，背景减除，目标匹配
1. 引言
实时运动目标跟踪算法是计算机视觉应用中的关键技术，在军事视觉制导、医疗诊断、视觉监视等 领域有着非常重要的实用价值和广阔的发展前景[1]-[4]。 近年来目标跟踪技术得到了蓬勃的发展， 比较典 型的匹配跟踪算法有：光流法[5] [6]、帧差法，Mean shift 跟踪算法[7]-[9]、Kalman 滤波跟踪算法[10]、 Particle 滤波跟踪算法[11]以及模块匹配等跟踪算法；另一类是基于检测的方法，如背景减除法[12]-[14]。 前者需要人工参与才能完成目标的检测与跟踪，不适合场景中有大量运动目标的情况；后者不需人工参 与，适用于静态背景下的运动目标检测与跟踪。文献[5] [6]提出利用光流法进行运动目标检测，但光流法 的计算复杂程度高，且抗噪声能力差，不适用于对实时性要求较高的应用场合；帧差法虽然容易满足实 时性，但很难准确地分割出运动目标，易造成空洞和拖尾现象，不利于进一步的运动目标跟踪；背景减 除法是利用当前图像与背景图像的差分图像来检测运动目标的一种方法，应用非常广泛。建立简单、可 靠的背景模型是背景减除法提高运动目标检测与跟踪可靠性的基础。大部分研究人员目前都致力于开发 更为简单、实用的背景模型，以期减少动态场景变化对运动目标检测的影响。为此，本文提出了一种计 算量小， 且能反映真实背景的背景建模方法， 通过建立运动目标的位置、 大小、 形状以及颜色分布模型， 构造运动目标全局匹配函数，结合目标活力特征，实现多运动目标连续匹配和跟踪。在此基础上最终提 升了传统运动目标检测与跟踪算法的稳健性和实时性。
159
实时目标跟踪研究
真实的背景模型，降低了运动目标检测与跟踪的可靠性。
2.2. 自适应背景模型
基于自适应背景建模的运动目标检测原理框图如图 1 所示。
Figure 1. Schematic diagram of adaptive background modeling and object detection 图 1. 自适应背景建模及运动目标检测原理框图
158
实时目标跟踪研究
Email: buaahexinhua@ 收稿日期：2014年5月28日；修回日期：2014年6月29日；录用日期：2014年7月8日
摘
要
针对图像序列中运动目标检测、跟踪的难点问题，提出了一种实时运动目标检测与跟踪算法。该算法基 于自适应背景建模，获取运动目标背景模型和前景图像，从而实现运动目标检测；通过建立运动目标的 位置、大小、形状以及颜色分布模型，构造运动目标全局匹配函数，结合目标活力特征，实现多运动目 标连续匹配和跟踪。实验结果表明，相对于传统的运动目标跟踪方法，本文方法明显减少了运算时间， 增强了环境适应性，实现了复杂场景下运动目标的准确检测和稳定跟踪，对非刚性目标的形变、旋转具 有较强的鲁棒性。
(
(
(
(5) (6) (7) (8) (9) (10)
255 threshold ( v ) = 0
v > Tv otherwise
T1ik, j = threshold D1ik, j
(
)
T2ik, j = threshold D2ik, j
M1k = M2k =
(
)
( T1k ⊕ E1) • E2 ( T2k ⊕ E3) • E4
Abstract
In this paper, we propose a real-time mobile target detection and tracking algorithm for challenges of mobile target detection and tracking in sequential images. This algorithm based on the adaptive background modeling obtains background model and front-view images of mobile targets, which is the way to achieve target detection. Continuous matching and tracking of multiple mobile targets are realized through constructing position, size, shape and color distribution of the mobile targets, defining a global matching function for those targets, and associating their vitality characteristics. It is demonstrated by experiments that the algorithm presented in this paper, compared to the traditional methods of mobile target tracking, significantly reduces the computation time, improves adaptive feature to environments, achieves accurate detection and robust tracking of mobile targets in complex environments, and shows strong robustness to deformation and rotation of non-rigid targets.
M ik, j = min M1ik, j , M2ik, j
(
)
(11)
式中， p ， q 为 RGB 色彩空间向量；函数 difference ( p, q ) 获取 p ， q 向量的差值； D1k 表示第 k 帧真实图 像与第 k − 1 帧背景图像的差值图像；D2k 为利用多帧混合差分获得的差值图像； τ 为二次采样间隔；N 为 threshold ( v ) 为二值化函数； Tv 为二值化的阈值； T1k 为 D1k 的二值化结果； 多帧混合差分使用的总帧数；