基于卡尔曼滤波的动态目标跟踪
基于卡尔曼滤波的车辆跟踪技术
１ 跟 踪 问题 分 析
前 方速 度低 于 本 车 的 车 辆是 频 繁 出现 在 公 路 上 的障碍物 ， 它 进 人 摄 影 区 到 被超 过 ， 出现 在 从 会
一
个 连续 图像 序 列 上． 果 能 够 实 时跟 踪 它 ， 比 如 将
研究 ， 学者们提出了各种各样的方法检测道路前方
能够 比较准 确地 在图像 中检 测 到前 方 车辆 的位 置 ． 但 是 ， 果 在 图像 序 列 中 不 停 地 运 行 车 辆 检 测 算 如 法 ， 必会 降低 系统 的实 时 性． 势 保证 自动 驾驶 系统 实时性 的最 好 方 法 是 采用 优化 的跟 踪 算 法实 现 单 目标或 多 目标 的跟 踪 ．
噪声 的卡尔 曼滤 波算法 ， 介绍 如 何根 据 运 动对 象 构 造状 态方程 和测量 方 程 ， 给 出具体 计 算方 法 和实 并 验结 果． 种 算法 不 但 可 以跟 踪单 一运 动 目标 ， 这 而 且 可以用 于多 目标 的快 速跟 踪 ． 文 出现 的 图像 均 本 是 Ｃ Ｄ摄 像 头 捕 获 的 灰 度 图像 ， Ｃ 大小 为 ３０像 素 ２ ×４ ２０像 素． 像头 安放在 方 向盘 的旁边 ， 轴与 汽 摄 光
滤 波算法 ， 针对具体对象构造 了状态方程和测量方程 ， 并给 出了具体计算方法和实验结果． 该跟踪技术在 四
Ｊ 省高速公路上进行 了反复实验 ， Ｉ Ｉ 本车时速达到 １０ｋ ／ ２ ｍ ｈ时 ， 仍然 可以实时跟踪定位前方车辆．
关键词 ： 机器视觉 ； 车辆跟踪 ； 有色噪声 ；卡尔曼滤波
噪声 为有 色 噪 声 的 卡 尔 曼 滤 波算 法 来 进 行 车 辆 的 实 时跟踪 （ 量 噪声 由 图像 处 理 引起 ， 以假 定 为 测 可 白噪声 ） ．
基于自适应卡尔曼滤波的多目标跟踪算法
基于自适应卡尔曼滤波的多目标跟踪算法
王广玉;窦磊;窦杰
【期刊名称】《计算机应用》
【年(卷),期】2022(42)S01
【摘要】在视频的多目标跟踪任务中,卡尔曼滤波器性能受硬件噪声以及光线等环境噪声干扰较大,导致滤波性能下降甚至发散,严重影响目标跟踪精度。
针对这一问题,在检测端不变的情况下,对跟踪算法中的卡尔曼滤波器进行改进。
首先,通过实时监测跟踪过程中滤波器观测值和估计值的动态变化,提取新息或残差;然后,利用新息协方差对观测噪声统计特性进行自适应估计,进而调整卡尔曼滤波增益;并通过数值仿真表明所提方法能有效降低噪声,获得更好跟踪效果。
最后,基于YOLOv3算法检测结果进行实验验证,结果表明在多目标跟踪(MOT16)数据集上,相较于传统卡尔曼滤波设计,所提自适应卡尔曼滤波在多目标跟踪任务中的精度、标号(ID)相关指标(IDF1,IDP)等指标均有所提升。
【总页数】5页(P271-275)
【作者】王广玉;窦磊;窦杰
【作者单位】瞬态物理国家重点实验室(南京理工大学)
【正文语种】中文
【中图分类】TP391.14
【相关文献】
1.一种基于卡尔曼滤波器的多目标跟踪算法研究
2.基于卡尔曼滤波和多种信息融合的在线多目标跟踪算法
3.基于边缘卡尔曼滤波的GM-PHD多目标被动跟踪算法
4.基于YOLOv3与卡尔曼滤波的多目标跟踪算法
5.基于自适应卡尔曼滤波的Meanshift跟踪算法
因版权原因，仅展示原文概要，查看原文内容请购买。
动态场景下的基于SIFT和CBWH的目标跟踪
动态场景下的基于SIFT和CBWH的目标跟踪王芬芬;陈华华【摘要】针对动态背景下的目标跟踪，提出了基于SIFT特征和CBWH特征的卡尔曼跟踪算法。
算法利用卡尔曼滤波器预测目标的大概位置；在所在位置区域内提取SIFT特征，与第一帧和前一帧进行特征匹配，并投票获得候选目标位置；利用CBWH特征获得目标可能位置；将二者位置加权对卡尔曼滤波器预测值进行修正，得到目标位置。
实验表明，所提算法取得了较好的实验结果。
%An object tracking algorithm based on Kalman filter using scale invariant feature transform (SIFT) and CBWH is proposed to solve the problem that trackers always drift or even lose target in dynamic scenes . Kalman filter predictsan area ,each matched keypoint casts a vote for the object center ,then the voting results are evaluated by the nearest neighbor clustering , the weighted result is a candidate position of the object's center.Another possible position is calculated by mean shift tracking using CBWH .The positions above are weighted into the object's center.This center is then sent to Kalman filter to get the final position and velocity . Experimental results demonstrate that the proposed method obtains good tracking results .【期刊名称】《杭州电子科技大学学报》【年(卷),期】2015(000)004【总页数】4页(P46-49)【关键词】动态场景;目标跟踪;卡尔曼滤波;尺度不变特征变换【作者】王芬芬;陈华华【作者单位】杭州电子科技大学通信工程学院，浙江杭州310018;杭州电子科技大学通信工程学院，浙江杭州310018【正文语种】中文【中图分类】TP391运动目标跟踪是计算机视觉的重要研究方向，其中对先验未知的物体进行跟踪越来越引起人们的关注。
基于扩展卡尔曼滤波的目标跟踪定位算法及matlab程序实现
基于扩展卡尔曼滤波的目标跟踪定位算法及matlab程序实现扩展卡尔曼滤波（Extended Kalman Filter，EKF）是一种用于非线性系统状态估计的算法。
在目标跟踪定位中，它可以用于估计目标的运动轨迹。
下面是一个简单的基于扩展卡尔曼滤波的目标跟踪定位算法的描述，以及一个简化的MATLAB程序实现。
算法描述1. 初始化：设置初始状态估计值（例如位置和速度）以及初始的估计误差协方差矩阵。
2. 预测：根据上一时刻的状态估计值和模型预测下一时刻的状态。
3. 更新：结合观测数据和预测值，使用扩展卡尔曼滤波算法更新状态估计值和估计误差协方差矩阵。
4. 迭代：重复步骤2和3，直到达到终止条件。
MATLAB程序实现这是一个简化的示例，仅用于说明扩展卡尔曼滤波在目标跟踪定位中的应用。
实际应用中，您需要根据具体问题和数据调整模型和参数。
```matlab% 参数设置dt = ; % 时间间隔Q = ; % 过程噪声协方差R = 1; % 观测噪声协方差x_est = [0; 0]; % 初始位置估计P_est = eye(2); % 初始估计误差协方差矩阵% 模拟数据：观测位置和真实轨迹N = 100; % 模拟数据点数x_true = [0; 0]; % 真实轨迹初始位置for k = 1:N% 真实轨迹模型（这里使用简化的匀速模型）x_true(1) = x_true(1) + x_true(2)dt;x_true(2) = x_true(2);% 观测模型（这里假设有噪声）z = x_true + sqrt(R)randn; % 观测位置% 扩展卡尔曼滤波更新步骤[x_est, P_est] = ekf_update(x_est, P_est, z, dt, Q, R);end% 扩展卡尔曼滤波更新函数（这里简化为2D一维情况）function [x_est, P_est] = ekf_update(x_est, P_est, z, dt, Q, R)% 预测步骤：无观测时使用上一时刻的状态和模型预测下一时刻状态F = [1 dt; 0 1]; % 状态转移矩阵（这里使用简化的匀速模型）x_pred = Fx_est + [0; 0]; % 预测位置P_pred = FP_estF' + Q; % 预测误差协方差矩阵% 更新步骤：结合观测数据和预测值进行状态更新和误差协方差矩阵更新K = P_predinv(HP_pred + R); % 卡尔曼增益矩阵x_est = x_pred + K(z - Hx_pred); % 更新位置估计值P_est = (eye(2) - KH)P_pred; % 更新误差协方差矩阵end```这个示例代码使用扩展卡尔曼滤波对一个简化的匀速运动模型进行估计。
基于Camshift与Kalman滤波算法的动态目标跟踪
反 向投影模板 的生成过程如下 ：
算量可以准确地预测 出目标的位置与速度 。 来实现 目标 的实时跟踪 ， 根据 场景 中不 同的干扰情 况 ， 采 用不 同的 比例 因子将 Ｃ ｍ ｈｆ算法与 Ｋ ｌａ 算法计算的 ａ ｓｉ ｌ ａ ｎ ｍ 结果进行相应 的线性加权 ， 从而得到 目 的最终位置。在 标
∑ ∑Ｘ （， ２ ｙ Ｊ ）
（） ７ （） ８
＝ 测 目
式 中：
为状态预测值 ； ｋ Ｘ 为先验估计
。 的修 正
的协方差矩
Ｍ２ ｏ＝∑ ∑ｙ （， ２ ｙ Ｊ ）
令 。＝
标长洲 的方 向角为
０＝ ｔ ２ ａ （ ｎ ）
值 ； 为卡尔曼滤波增益矩阵 ； 一为 Ｐ 。
。 ［ 一 ＋
一
。 ］
。 ＋Ｒ ）
（５ １）
（６ １）
（７ １） （８ １）
Ｐ¨
一
。
（
一
２ ）白适应的计算搜索 的宽 Ｗ与高 ｈ 。
计算 与 Ｙ的二 阶矩 ， 式为 公
。 ＝
Ｐ
ｌ＝Ａ ¨
１
Ｐ
一
ｌ
Ａ
．
一
】 Ｑ ＋
Ｐ ： （ — Ｈ Ｉ ）
１ 连 续 自 应均 值 漂移算 法 适
Ｃ ｍ ｈｆ算法 是基 于 Ｍ ａ ｓｉ 算 法 的搜 索算 法 ， ａ ｓｉ ｌ ｅｎｈｆ ｌ 它
等领域 的关键 性 技术 。由于 Ｍｅｎｈ 算 法具 有 无参 ａｓｉ ｌ ｆ
数、 高效 、 快速等特性 ， 从而被广泛应用 于 目标跟踪的应 用 将 Ｍ ａｓｉ 算法扩展到整个 图像 序列。Ｃ ｍ ｈ 算法 利 ｅｎｈｆ ｌ ａ ｓｉ ｉ ｆ
卡尔曼滤波实现目标跟踪
卡尔曼滤波实现目标跟踪1.系统模型x_k=A_k*x_{k-1}+B_k*u_k+w_k其中，x_k是目标的状态向量，A_k是系统状态转移矩阵，表示目标从k-1时刻到k时刻状态的变化；B_k是控制输入矩阵，表示外部输入对目标状态的影响；u_k是控制输入向量，表示外部输入的值；w_k是过程噪声，表示系统模型的误差。
2.观测模型观测模型描述了如何根据目标状态得到观测值。
观测模型可以用下面的观测方程表示：z_k=H_k*x_k+v_k其中，z_k是观测值，H_k是观测矩阵，表示目标状态到观测值的映射关系；v_k是观测噪声，表示观测数据的误差。
3.初始化在开始跟踪之前，需要对目标的状态进行初始化。
可以根据已有的观测数据和模型来初始化状态向量和协方差矩阵。
4.预测步骤在预测步骤中，根据系统模型和上一时刻的状态估计，可以预测目标的下一时刻状态。
预测的状态估计由下面的方程给出：x_k^-=A_k*x_{k-1}+B_k*u_k其中，x_k^-是预测的状态估计值。
同时，还需要预测状态估计值的协方差矩阵，可以使用下面的方程计算：P_k^-=A_k*P_{k-1}*A_k^T+Q_k其中，P_k^-是预测的协方差矩阵，Q_k是过程噪声的协方差矩阵。
5.更新步骤在更新步骤中，根据观测数据来修正预测的状态估计。
首先，计算创新（innovation）或者观测残差：y_k=z_k-H_k*x_k^-其中，y_k是观测残差。
然后，计算创新的协方差矩阵：S_k=H_k*P_k^-*H_k^T+R_k其中，S_k是创新的协方差矩阵，R_k是观测噪声的协方差矩阵。
接下来，计算卡尔曼增益：K_k=P_k^-*H_k^T*S_k^-1最后，更新估计的目标状态和协方差矩阵：x_k=x_k^-+K_k*y_kP_k=(I-K_k*H_k)*P_k^-其中，I是单位矩阵。
6.重复预测和更新步骤重复进行预测和更新步骤，可以得到目标的状态估计序列和协方差矩阵序列。
卡尔曼滤波在GPS中的应用
本科毕业论文 (设计)题目：卡尔曼滤波在GPS定位中的应用学院：自动化工程学院专业：自动化姓名：指导教师：2010年 6月 4日The Application of Kalman Filtering for GPS Positioning摘要本文提出了一种应用卡尔曼滤波的GPS滤波模型。
目前在提高GPS定位精度的自主式方法研究领域，普遍采用卡尔曼滤波算法对GPS定位数据进行处理。
由于定位误差的存在,在GPS动态导航定位中，为提高定位精度，必须对动态定位数据进行滤波处理。
文中在比较分析各种动态模型的基础上，提出了应用卡尔曼滤波的GPS滤波模型，并通过对实测滤波算例仿真，证实了模型的可行性和有效性。
最后提出了卡尔曼滤波在GPS定位滤波应用中的问题和改进思路。
关键词 GPS 卡尔曼滤波定位误差AbstractThis article proposed applies the GPS filter model of the Kalman filtering. At present, to improve GPS positioning accuracy in the autonomous areas of research methods, we commonly use Kalman filter algorithm to process GPS location data.As a result of the position error existence in the GPS dynamic navigation localization, we must carry on filter processing to the dynamic localization data for the enhancement pointing accuracy．In the base of comparing each kind of dynamic model, this article proposed applies the GPS filter model of the Kalman filtering，the actual examples of filter calculation are simulated, it confirmed that the model is feasibility and validity. Finally, this article also proposed the existing problems and improving the idea ofthe applications of Kalman filter in GPS positioning.Keywords GPS Kalman filtering Positioning error目录前言 (1)第1章绪论 (3)1.1GPS的简介及应用 (3)1.2本课题的背景及意义 (5)1.3国内外研究动态及发展趋势 (7)1.4目前GPS定位系统面临着新的困扰和挑战 (5)第2章 GPS全球定位系统及GPS定位误差分析 (8)2.1GPS全球定位系统组成部分 (8)2.1.1 GPS卫星星座 (8)2.1.2 地面支持系统 (9)2.1.3 用户部分 (10)2.2GPS定位原理和测速原理 (16)2.2.1 卫星无源测距定位和伪距测量定位原理 (17)2.2.2 多普勒测量定位原理 (193)2.2.3 GPS测速原理 (214)2.3GPS定位误差分析 (225)2.3.1 星钟误差 (225)2.3.2 星历误差 (225)2.3.3 电离层和对流层的延迟误差 (236)2.3.4 多路径效应引起的误差 (246)2.3.5 接收设备误差 (246)2.3.6 GPS测速误差 (257)第3章卡尔曼滤波理论 (27)3.1卡尔曼滤波理论的工程背景 (27)3.2卡尔曼滤波理论 (28)第4章卡尔曼滤波在GPS定位中的应用 (34)4.1卡尔曼滤波在GPS定位中的应用概述 (34)4.2运动载体的动态模型 (35)4.3卡尔曼滤波模型 (36)4.3.1 状态方程 (36)4.3.2系统的量测方程 (37)4.4滤波仿真和结论 (37)第5章卡尔曼滤波在GPS定位应用中的问题和改进思路 (40)5.1对野值的处理 (40)5.2对状态以及观测噪声方差阵的处理 (41)5.3对观测噪声和测量噪声的处理 (42)结论 (30)谢辞 (31)参考文献 (47)前言自从赫兹证明了麦克斯韦的电磁波辐射理论以后，人们便开始了对无线电导航定位系统研究。
卡尔曼滤波在目标跟踪中的应用
卡尔曼滤波在目标跟踪中的应用卡尔曼滤波是一种常用的目标跟踪算法，它通过预测和更新两个步骤，能够有效地估计目标的状态，对于实时目标跟踪有着重要的应用。
在目标跟踪中，我们通常需要根据已有的观测数据，来预测目标的未来位置或状态。
然而，由于观测数据往往存在噪声和不确定性，仅仅依靠单个观测值进行预测往往会引入较大的误差。
卡尔曼滤波通过对系统的动态模型和测量模型进行建模，能够准确地预测目标的状态，并根据新的观测数据进行更新，从而提高目标跟踪的精度。
卡尔曼滤波的核心思想是通过融合先验估计和观测数据，得到后验估计，从而更准确地估计目标的状态。
在预测步骤中，利用系统的动态模型和先验估计，通过状态转移方程对目标的状态进行预测。
在更新步骤中，根据观测数据和测量模型，通过测量方程对预测值进行修正，得到更准确的后验估计。
卡尔曼滤波的核心是卡尔曼增益，它用于衡量观测数据的权重。
卡尔曼增益越大，观测数据的权重越大，反之亦然。
卡尔曼增益的计算依赖于系统噪声和测量噪声的协方差矩阵，以及先验估计和观测数据之间的协方差矩阵。
通过调整卡尔曼增益，可以在系统噪声和观测噪声之间取得一个平衡，从而实现对目标状态的准确估计。
卡尔曼滤波在目标跟踪中有着广泛应用。
例如，在无人机跟踪目标的场景中，通过传感器获取目标的位置和速度信息，可以利用卡尔曼滤波对目标的运动进行预测，并根据新的观测数据对预测值进行修正，从而实现对目标的精确跟踪。
另外，在自动驾驶领域，卡尔曼滤波也被广泛应用于车辆的目标检测和跟踪，通过对车辆状态的准确估计，可以实现自动驾驶系统的精确控制。
除了目标跟踪，卡尔曼滤波还在其他领域有着重要的应用。
例如，在导航系统中，卡尔曼滤波可以用于优化地图匹配和位置估计，提高导航的精度和鲁棒性。
在信号处理中，卡尔曼滤波可以用于降噪和提取有效信号，从而改善信号质量。
在机器人领域，卡尔曼滤波可以用于机器人的定位和建图，实现自主导航和环境感知。
卡尔曼滤波在目标跟踪中有着广泛的应用。
- 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)。
０ 引 言 动 态 目标 跟踪 是 在 视 频 流 的每 一 幅 图像 中 确定 出感 兴
趣 的运 动 目标 的位 置 ，并 把 不 同 帧 中 的 同一 目标 对 应 起 来 ， 是机 器 视 觉领 域 的热点 研 究 之 一 ，广 泛 应 用 在 交通 监 控 、车 辆 跟踪 中 。在 机 器 视 觉研 究 领 域 ，随着 技术 不 断 发 展 ，目标 跟踪 越 来 越受 到研 究 者 的重 视 ，具 有 广 阔 的应 用 前 景 。
Ｓｙｓｔｅｍ，Ｈｕａｑｉａｏ Ｕｎｉｖｅｒｓｉｔｙ，Ｑｕａｎｚｈｏｕ ３６２０２ １，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｉｎ ｏｒｄｅｒ ｔｏ ｒｅａｌｉｚｅ ａｃｃｕｒａｔｅ ａｎｄ ｒｅａｌ—ｔｉｍ ｅ ｄｙｎａｍｉｃ ｔａｒｇｅｔ ｔｒａｃｋｉｎｇ ｆｒｏｍ ｔｈｅ ｉｎｄｕｓｔｒｉａｌ ｃａｍ ｅｒａ，ｔｈｉｓ ｐａｐｅｒ ｐｕｔｓ ｆｏｒｗａｒｄ ａｎ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ Ｋａｌｍａｎ ｆｉｌｔｅｒ． Ｂｙ ｃｒｅａｔｉｎｇ ａ ｂａｃｋｇｒｏｕｎｄ ｍｏｄｅｌ，ｉｔ ｅｓｔｉｍａｔｅｓ ｔｈｅ ｃｕｒｒｅｎｔ ｂａｃｋｇｒｏｕｎｄ，ｔｈｅｎ ｏｂｔａｉｎｓ ｔｈｅ ｆｏｒｅｇｒｏｕｎｄ，ａｎｄ ｔａｋｅｓ ａ ｍｏｒｐｈｏ— ｌｏｇｉｃａｌ ｉｍａｇｅ ｐｒｏｃｅｓｓｉｎｇ ｏｎ ｆｏｒｅｇｒｏｕｎｄ． Ｆｉｎａｌｌｙ，ｔｈｅ ｂａｃｋｇｒｏｕｎｄ ｗｉｌｌ ｂｅ ｕｐｄａｔｅｄ ｂｙ ｃａｌｃｕｌａｔｉｎｇ ｔｈｅ ｃｏｍｐｌｅｍｅｎｔ ｏｆ ｔｈｅ ｆｏｒｅｇｒｏｕｎｄ．Ｔｈｉｓ ｍ ｅｔｈｏｄ ｃａｎ ａｄｊｕｓｔ ｔｈｅ ｔｈｒｅｓｈｏｌｄ ｏｆ ｆｏｒｅｇｒｏｕｎｄ ａｎｄ ｂａｃｋｇｒｏｕｎｄ ａｃｃｏｒｄｉｎｇ ｔｏ ｄｉｆｆｅｒｅｎｔ ｓｃｅｎａｒｉｏｓ ｉｎｆｏｒｍａｔｉｏｎ ａｎｄ ａｂａｔｅ ｔｈｅ ｎｏｉｓｅ ｉｍｐａｃｔ ｏｆ ｔｈｅ ｂａｃｋｇｒｏｕｎｄ ｒｅｇｉｏｎ ，ａｎｄ ｉｔ ｃａｎ ｒａｐｉｄｌｙ ａｎｄ ａｕｔｏｍ ａｔｉｃａｌｌｙ ｕｐｄａｔｅ ｔｈｅ ｂａｃｋｇｒｏｕｎｄ ａｃｃｏｒｄｉｎｇ ｔｏ ｔｈｅ ｒｅａｌ—ｔｉｍ ｅ ｃｈａｎｇｅｄ ｓｃｅｎｅ．Ｔｈｅ ａｌｇｏｒｉｔｈｍ ｗａｓ ｒｅａｌｉｚｅｄ ｂｙ Ｈａｌ— ｃｏｎ ｆｕｎｃｔｉｏｎｓ ｃｏｍｂｉｎｅｄ ｗｉｔｈ ＪＡＩ ＳＤＫ ｕｐｏｎ ＶＳ２０１０．Ｔｈｅ ＪＡＩ ＳＤＫ ｆｏｒ ｔｈｅ ｄｅｖｅｌｏｐｍｅｎｔ ｏｆ Ｇｉｇａｂｉｔ Ｅｔｈｅｒｎｅｔ ｃａｍｅｒａｓ，ｓｕｐｐｏ￣ｓ ａｌｍ ｏｓｔ ａｌｌ Ｇｉｇａｂｉｔ Ｅｔｈｅｒｎｅｔ ｃａｍｅｒａｓ．Ｅｘｐｅｒｉｍｅｎｔ ｓｈｏｗｅｄ ｔｈａｔ ｉｔ ｃａｎ ｒｅａｌ—ｔｉｍｅｌｙ ａｎｄ ａｃｃｕｒａｔｅｌｙ ｋｅｅｐ ｔｒａｃｋ ｏｆ ｄｙｎａｍ ｉｃ ｔａｒｇｅｔ． Ｋｅｙ ｗｏｒｄｓ：ｄｙｎａｍｉｃ ｔｒａｃｋｉｎｇ； Ｋａｌｍａｎ ｆｉｌｔｅｒ； Ｈａｌｃｏｎ；ＪＡＩ ＳＤＫ
ｍ ａｇｅ ａｎｄ Ｍ ｕｌｔｉｍｅｄｉａ
基 于 卡 尔 曼 滤 波 的动 态 目标 跟 踪
余 乐 ，郑 力 新
（华 侨 大 学 工业 智 能 化 技 术 与 系 统 福 建 省 高 校 工 程 研 究 中心 ，福 建 泉 州 ３６２０２１）
摘 要 ：为 了实现 ５－业相 机对 动 态 目标 的准确 、实时跟 踪 ，提 出 了基 于卡 尔 曼滤 波 的算 法 。通 过创 建 背景 模 型 来估 计 出 当前 背
可 变 部 分 模 型 （Ｄｅｆｏｒｍａｂｌｅ Ｐａｒｔｓ Ｍｏｄｅｌ，ＤＰＭ）… 是 一 个 非 常 成 功 的 目标 检 测 与跟 踪 算 法 ，它 的 核 心 思 想 是 模 板 匹 配 。而 国 内动 态 目标 跟 踪 研 究 和 使 用 较 多 的 是 相 邻 帧 差 法 、背 景 差 分 法 等 。相 邻 帧差 法 根 据 目标 与 背 景 灰 度
计 。 通 过 在 ＶＳ２０１０平 台 上 结 合 ＪＡＩ软 件 开 工 具 包 （Ｓｏｆｔｗａｒｅ Ｄｅｖｅｌｏｐｍｅｎｔ Ｋｉｔ，ＳＤＫ）调 用 Ｈａｌｃｏｎ函 数 库 实 现 了 卡 尔 曼 滤 波 动 态 跟
踪 ，其 中 ＪＡＩ ＳＤＫ用于 开发 千兆 网相机 ，几乎 支持 所 有千 兆 网相机 。 实验 结 果表 明 ，该算 法 能够 实现 对 目标 的 实 时动 态跟 踪 ，踪 ；卡 尔 曼 滤 波 ；Ｈａｌｃｏｎ；ＪＡＩ ＳＤＫ
中 图 分 类 号 ：ＴＰ３９１．４
文 献 标 识 码 ：Ａ
ＤＯＩ：１０．１９３５８／ｊ．ｉｓｓｎ．１６７４—７７２０．２０１６．１６．０１３
引用格 式 ：余乐 ，郑力新 ．基 于卡尔 曼滤 波 的动态 目标 跟踪 ［Ｊ］．微 型机 与应用 ，２０１６，３５（１６）：４４－４５，５２．
本 文 设 计 一 种 在 ｃ＃编 程 环 境 下 通 过 工 业 相 机 获 取 实 时 画 面 并 同步 根 据 背 景 估 计 的前 一 个 状 态 、当 前 图 像 值 以 及 该像 素 在 前 一 个 状 态 中 的分 类 ，决 定 卡尔 曼 滤 波 器 的参 数 ，进 行 卡 尔 曼 滤 波 和 相 关 图像 形 态 学 处 理 的 方 法 ，实 现 实 时 运 动 目标 跟 踪 。 １ 研 究 现 状
Ｄｙｎａｍｉｃ ｔａｒｇｅｔ ｔｒａｃｋｉｎｇ ｂａｓｅｄ ｏｎ Ｋａｌｍａｎ ｆ ｉｌｔｅｒ
Ｙｕ ｌｅ，Ｚｈｅｎｇ Ｌｉｘｉｎ （Ｅｎｇｉｎｅｅｒｉｎｇ Ｒｅｓｅａｒｃｈ Ｃｅｎｔｅｒ ｏｆ Ｈａａｑｉａｏ Ｕｎｉｖｅｒｓｉｔｙ Ｆｕｊｉａｎ Ｉｎｄｕｓｔｒｉａｌ Ｉｎｔｅｌｌｉｇｅｎｔ Ｔｅｃｈｎｏｌｏｇｙ ａｎｄ
景 ，进 而得 到 前景 区域 ，并 对前 景 区域 进行 相 关处理 ，最后 通过 计算 补 集得 到 更 新后 的背 景 。此 方 法 能根 据 不 同场 景 信 息调 整
前景 与背景 阈值 ，减弱 背景 区域造 成 的噪声 影 响 ，实 时地根 据 场 景 变化 快 速 、自动 更 新 背景 ，并 对每 一 位 置 的像 素进 行 背景 估