視頻目標(biāo)檢測(cè)與跟蹤算法綜述講課教案

1、此文檔收集于網(wǎng)絡(luò)，如有侵權(quán)， 請(qǐng) 聯(lián) 系網(wǎng)站刪除精品文檔視頻目標(biāo)檢測(cè)與跟蹤算法綜述1、引言運(yùn)動(dòng)目標(biāo)的檢測(cè)與跟蹤是機(jī)器視覺(jué)領(lǐng)域的核心課題之一，目前被廣泛應(yīng)用在視頻編碼、智能交通、監(jiān)控、圖像檢測(cè)等眾多領(lǐng)域中。本文針對(duì)視頻監(jiān)控圖像的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤方法，分析了近些年來(lái)國(guó)內(nèi)外的研究工作及最新進(jìn)展。2、視頻監(jiān)控圖像的運(yùn)動(dòng)目標(biāo)檢測(cè)方法運(yùn)動(dòng)目標(biāo)檢測(cè)的目的是把運(yùn)動(dòng)目標(biāo)從背景圖像中分割出來(lái)。運(yùn)動(dòng)目標(biāo)的有效分割對(duì)于目標(biāo)分類、跟蹤和行為理解等后期處理非常重要。目前運(yùn)動(dòng)目標(biāo)檢測(cè)算法的難點(diǎn)主要體現(xiàn)在背景的復(fù)雜性和目標(biāo)的復(fù)雜性兩方面。背景的復(fù)雜性主要體現(xiàn)在背景中一些噪聲對(duì)目標(biāo)的干擾，目標(biāo)的復(fù)雜性主要體現(xiàn)在目標(biāo)的運(yùn)動(dòng)性、

2、突變性以及所提取目標(biāo)的非單一性等等。所有這些特點(diǎn)使得運(yùn)動(dòng)目標(biāo)的檢測(cè)成為一項(xiàng)相當(dāng)困難的事情。目前常用的運(yùn)動(dòng)目標(biāo)檢測(cè)算法主要有光流法、幀差法、背景相減法，其中背景減除法是目前最常用的方法。2.1幀差法幀差法主要是利用視頻序列中連續(xù)兩幀間的變化來(lái)檢測(cè)靜態(tài)場(chǎng)景下的運(yùn)動(dòng)目標(biāo)，假設(shè)f(x,y)和f(x,y)分別為圖像序列中的第k幀和第k+1幀中象素點(diǎn)k(k1)(x,y)的象素值則這兩幀圖像的差值圖像就如公式2-1所示：Diffk1f(x，y)f(k1)(x，y)(2-1)2-1式中差值不為0的圖像區(qū)域代表了由運(yùn)動(dòng)目標(biāo)的運(yùn)動(dòng)所經(jīng)過(guò)的區(qū)域(背景象素值不變)，又因?yàn)橄噜徱曨l幀間時(shí)間間隔很小，目標(biāo)位置變化也很小，

3、所以運(yùn)動(dòng)目標(biāo)的運(yùn)動(dòng)所經(jīng)過(guò)的區(qū)域也就代表了當(dāng)前幀中運(yùn)動(dòng)目標(biāo)所在的區(qū)域。利用此原理便可以提取出目標(biāo)。下圖給出了幀差法的基本流程：1、首先利用2-1式得到第k幀和第k+1幀的差值圖像Diff;2、對(duì)所得到的差值圖像Diff二值化(如k1k1式子2-2示)得到Qk+1;3、為消除微小噪聲的干擾，使得到的運(yùn)動(dòng)目標(biāo)更準(zhǔn)確，對(duì)Q進(jìn)行必要的濾波和去噪處理，后處理結(jié)果k1M(T為閾值)(2-2)八255,if,Diff(x,y)TQk1k10,ifDiff(x,y)Tk1G】(x,y幀差流程圖從結(jié)果看在簡(jiǎn)單背景下幀差法基本可檢測(cè)到運(yùn)動(dòng)目標(biāo)所在的位置，而且計(jì)算簡(jiǎn)單，復(fù)雜度低。當(dāng)圖像采樣間隔較小時(shí)，幀差法對(duì)圖像場(chǎng)景

4、變化不敏感，這是幀差法的優(yōu)點(diǎn)，但同時(shí)目標(biāo)部分漏檢的可能性增大了，容易使檢測(cè)到的目標(biāo)出現(xiàn)空洞。在實(shí)際應(yīng)用中，由于幀差法的簡(jiǎn)易性，幀差法經(jīng)常作為某些改進(jìn)算法的基礎(chǔ)。2.2光流法光流的概念30,31是由Gibson在1950年首先提出的，光流理論在計(jì)算機(jī)視覺(jué)，三維運(yùn)動(dòng)分析中有著非常廣泛的作用。外界物體由于運(yùn)動(dòng)在人的視網(wǎng)膜上產(chǎn)生一系列連續(xù)變化的信息，這些信息就如同是光的流一樣不斷從眼中流過(guò)，故此稱之為光流。1981年Horn和Schunck創(chuàng)造性的將二維速度場(chǎng)和我們通常所說(shuō)的圖像的灰度聯(lián)系在一起，提出了光流約束方程，從而使得光流的計(jì)算有了最基本的方法。隨后光流法不斷發(fā)展，按照理論基礎(chǔ)分為：微分法，快匹

5、配法，基于能量的方法，基于相位的方法，其中尤以微分法最為常用，該方法主要是基于下面兩種假設(shè)：1、強(qiáng)度不變假設(shè)，即在一組連續(xù)的二維圖像序列中，某個(gè)目標(biāo)的運(yùn)動(dòng)軌跡在各幀中對(duì)應(yīng)的像素點(diǎn)具有相同的灰度值。2、全局平滑假設(shè)，即物體的運(yùn)動(dòng)矢量是局部平滑的或只有緩慢變化。特別是剛體運(yùn)動(dòng)，各相鄰像素點(diǎn)具有相同的運(yùn)動(dòng)速度，即速度平滑。這時(shí)，光流矢量梯度的模值的平方應(yīng)該最小，用x和y分量的拉普拉斯算子的平方和來(lái)表征光流場(chǎng)的平滑程度。假如給定一個(gè)圖像上m點(diǎn)坐標(biāo)為(x,y),且它在t時(shí)刻的象素值為I(x,y,t)在td時(shí)刻該點(diǎn)運(yùn)動(dòng)到(xd,yd),象素值為：I(xd,yd,td)則在強(qiáng)度txyxyt不變的假設(shè)下：I(

6、xd,yd,td)I(x,y,t)(2-3)xyt此文檔收集于網(wǎng)絡(luò)，如有侵權(quán)，請(qǐng)聯(lián)系網(wǎng)站刪除公式2-3即為光流約束方程將式2-3泰勒展開(kāi),并令d趨于0,我們可以得到: t(2-4)/t, u d/d,v d/d, (u,v)即為x ty t像素點(diǎn)在圖像平面運(yùn)動(dòng)產(chǎn)生的瞬時(shí)速度場(chǎng)也即光流場(chǎng) 過(guò)求解光流約束方程求出u、V,但是由于只有一個(gè)方程 這就用到了第二個(gè)假設(shè)，在該假設(shè)下就是要使得：光流法的主要任務(wù)就是通 并不能唯一確定u和V, r)d d min(2-5)E 仙 IyV1t)2%(u)2( u)2( v)2( y x y其中混個(gè)權(quán)重系數(shù),xyx,般取0.5,這樣聯(lián)合（2-4）式和（2-5）式即

7、可得到:Un 1 uVn 1 VI I ux xI I uy xI vyI Vyn It32n It 32I 2 I 2xyI 2 I 2xy(3-6)從推導(dǎo)的過(guò)程看，光流法的計(jì)算非常復(fù)雜，難于滿足實(shí)時(shí)性的要求，且在目標(biāo)提取時(shí)對(duì)噪聲很敏感，所以此算法還難以直接在實(shí)際中推廣使用。2.3背景減除法背景減除法是將視頻幀與背景模型進(jìn)行比較，通過(guò)判定灰度等特征的變化,或用直方圖等統(tǒng)計(jì)信息的變化來(lái)判斷異常情況的發(fā)生和分割出運(yùn)動(dòng)目標(biāo)?；诒尘安畹姆椒?，概念非常清晰。該方法與幀差法相比，可以檢測(cè)出短時(shí)間靜止的目標(biāo)，如短時(shí)間靜止的車輛（長(zhǎng)時(shí)間靜止的車輛可以歸為背景），且不受車速快慢的限制；與光流法相比，背景差法

8、可以通過(guò)簡(jiǎn)化算法，降低計(jì)算量，滿足視頻檢測(cè)的實(shí)時(shí)性要求。偉!著研究的不斷深人，算法的復(fù)雜性也在不斷提高，特別是對(duì)較復(fù)雜場(chǎng)景下的前景（運(yùn)動(dòng)目標(biāo)）檢測(cè)，如針對(duì)光照變化場(chǎng)景下的目標(biāo)檢測(cè)（室外的環(huán)境光、室內(nèi)的燈光等），針對(duì)含有高噪聲場(chǎng)景區(qū)域的目標(biāo)檢測(cè)（場(chǎng)景中含有樹(shù)木、水面、旗幟等物體的反復(fù)運(yùn)動(dòng)），針對(duì)場(chǎng)景頻繁發(fā)生改變（車輛停止、背景中物體搬動(dòng)等）情況下的目標(biāo)檢測(cè)等問(wèn)題，使得算法的復(fù)雜性大大提高。用背景減除法進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)的主要過(guò)程包括預(yù)處理、背景建模、前景檢測(cè)和運(yùn)動(dòng)區(qū)域后處理等。背景建模是背景減除法的核心環(huán)節(jié)，目前主要方法有：基于背景的時(shí)間差分法、中值濾波法、W4方法、線性預(yù)測(cè)法、非參數(shù)模型法（又稱

9、內(nèi)核密度估計(jì)法卜混合Gauss法、隱馬爾科夫模型法（HMM）、本征法、基于均值替換的背景估計(jì)法、碼本方法等。目前用無(wú)參的核密度估計(jì)方法對(duì)復(fù)雜場(chǎng)景的背景建模正成為背景差方法研究的熱點(diǎn)，該方法特別針對(duì)具有微小重復(fù)運(yùn)動(dòng)的場(chǎng)合，如含有搖動(dòng)的樹(shù)葉、晃動(dòng)的灌木叢、旋轉(zhuǎn)的風(fēng)扇、海面波濤、雨雪天氣、光線反射等運(yùn)動(dòng)的場(chǎng)合。由于基于無(wú)參的核密度估計(jì)的背景建模是對(duì)一段視頻的統(tǒng)計(jì)分析，在對(duì)視頻圖像中的背景進(jìn)行建模時(shí)，計(jì)算量很大，這勢(shì)必會(huì)影響算法的實(shí)時(shí)性，因此需要在提高背景建模的速度與準(zhǔn)確率上做大量的研究工作，同時(shí)改進(jìn)模型的適應(yīng)性。另外，背景更新策略方面，如何判斷是否需要更新背景模型，如何及時(shí)的更新背景模型都是現(xiàn)階段困

10、擾研究人員的問(wèn)題?；跓o(wú)參方法的背景差法主要分為四個(gè)步驟：1、利用無(wú)參法對(duì)背景進(jìn)行建模，2、核函數(shù)帶寬選擇，3.對(duì)背景模型進(jìn)行更新，4、運(yùn)動(dòng)目標(biāo)的提取。對(duì)于以上三種運(yùn)動(dòng)目標(biāo)的檢測(cè)方法，幀差法實(shí)現(xiàn)最為簡(jiǎn)單，但目標(biāo)提取效果較差，該方法通?？梢宰鳛槟撤N改進(jìn)算法的基礎(chǔ)。光流法相對(duì)準(zhǔn)確，但計(jì)算復(fù)雜，實(shí)時(shí)性很差，且對(duì)多目標(biāo)提取困難。背景差法可以較好的提取目標(biāo)輪廓，但該方法涉及對(duì)背景的建模，建模過(guò)程比較復(fù)雜。這些早期提出的移動(dòng)目標(biāo)檢測(cè)方法大都單獨(dú)地處理各個(gè)像素的灰度值或顏色而沒(méi)有考慮較大尺度上的特征，故可稱它們?yōu)榛谙袼氐姆椒?。典型的方法包括均?閾限方法、高斯混合模型、非參數(shù)模型等。由于這些方法沒(méi)有充分利

11、用局部像素之間的關(guān)系信息，很多有效的圖像特征無(wú)法得到表示，從而導(dǎo)致移動(dòng)目標(biāo)檢測(cè)精度及效度都受到影響。后期大量的檢測(cè)方法都不同程度地利用了局部區(qū)域?qū)哟蔚男畔?，稱為基于區(qū)域的方法。典型的基于區(qū)域的方法包括紋理方法直方圖方法等。針對(duì)移動(dòng)目標(biāo)檢測(cè)的各種像素級(jí)、區(qū)域級(jí)特征不斷被提出，它們各有各的優(yōu)缺點(diǎn)。如何能夠設(shè)計(jì)一種特征將這些特征統(tǒng)一地結(jié)合在一起，從而充分利用各自的優(yōu)勢(shì)顯得非常有意義。一種簡(jiǎn)單的思路是用幾種特征組成特征向量，并利用該向量作為各個(gè)像素的特征：fx,y,LBP(x,y),卜(x,y),|(x,y)|kxy3、視頻目標(biāo)跟蹤算法運(yùn)動(dòng)目標(biāo)跟蹤是在目標(biāo)檢測(cè)的基礎(chǔ)上，對(duì)檢測(cè)到的目標(biāo)進(jìn)行有效跟蹤。目前

12、，精品文檔此文檔收集于網(wǎng)絡(luò)，如有侵權(quán)， 請(qǐng) 聯(lián) 系網(wǎng)站刪除在視頻監(jiān)控、人機(jī)交互及某些高級(jí)的視頻系統(tǒng)中，對(duì)感興趣目標(biāo)的跟蹤是其中必不可少的重要環(huán)節(jié)，它為后面更高級(jí)的視覺(jué)應(yīng)用提供有價(jià)值的信息。通常影響跟蹤的因素主要有四個(gè)：目標(biāo)模板的表示，候選目標(biāo)的表示，相似度的衡量和搜索的策略。衡量跟蹤算法優(yōu)劣的條件有兩個(gè)，即實(shí)時(shí)性和魯棒性，所以一個(gè)好的跟蹤算法應(yīng)滿足：1. 實(shí)時(shí)性好：算法要費(fèi)時(shí)少，至少要比視頻采集系統(tǒng)的采集速率快，否則將無(wú)法實(shí)現(xiàn)對(duì)目標(biāo)的正常跟蹤。如果跟蹤系統(tǒng)還涉及到其他的圖像處理環(huán)節(jié)，那么就要預(yù)留較多的時(shí)間給圖像處理部分，所以實(shí)時(shí)性至關(guān)重要。2. 魯棒性強(qiáng)：實(shí)際的觀測(cè)環(huán)境，圖像的背景可能很復(fù)雜。

13、光照、圖像噪音及隨時(shí)可能出現(xiàn)的目標(biāo)遮擋，均使目標(biāo)的跟蹤變得非常困難。因此算法的魯棒性對(duì)跟蹤效果的好壞起著重要的作用。以上提到的兩條很難在系統(tǒng)中同時(shí)得以滿足，往往需要某種折中，以期得到較好的綜合性能。通常運(yùn)動(dòng)目標(biāo)的跟蹤可以分為運(yùn)動(dòng)目標(biāo)檢測(cè)、運(yùn)動(dòng)目標(biāo)的特征選取和目標(biāo)的后續(xù)跟蹤三個(gè)階段。由此可見(jiàn)跟蹤算法遠(yuǎn)比單純的目標(biāo)檢測(cè)算法復(fù)雜的多。根據(jù)被跟蹤目標(biāo)信息使用情況的不同，可將視覺(jué)跟蹤算法分為：基于對(duì)比度分析的目標(biāo)跟蹤、基于匹配的目標(biāo)跟蹤和基于運(yùn)動(dòng)檢測(cè)的目標(biāo)跟蹤。基于對(duì)比度分析的跟蹤算法主要利用目標(biāo)和背景的對(duì)比度差異，實(shí)現(xiàn)目標(biāo)的檢測(cè)和跟蹤?；谄ヅ涞母欀饕ㄟ^(guò)前后幀之間的特征匹配實(shí)現(xiàn)目標(biāo)的定位?；谶\(yùn)動(dòng)

14、檢測(cè)的跟蹤主要根據(jù)目標(biāo)運(yùn)動(dòng)和背景運(yùn)動(dòng)之間的差異實(shí)現(xiàn)目標(biāo)的檢測(cè)和跟蹤。前兩類方法都是對(duì)單幀圖像進(jìn)行處理?；谄ヅ涞母櫡椒ㄐ枰趲c幀之間傳遞目標(biāo)信息。對(duì)比度跟蹤不需要在幀與幀之間傳遞目標(biāo)信息?；谶\(yùn)動(dòng)檢測(cè)的跟蹤需要對(duì)多幀圖像進(jìn)行處理。除此之外，還有一些算法不易歸類到以上3類，如多目標(biāo)跟蹤算法或其他一些綜合算法。3.1 基于對(duì)比度分析的目標(biāo)跟蹤算法基于對(duì)比度分析的目標(biāo)跟蹤算法利用目標(biāo)與背景在對(duì)比度上的差異來(lái)提取、識(shí)別和跟蹤目標(biāo)。這類算法按照跟蹤參考點(diǎn)的不同可以分為邊緣跟蹤、形心跟蹤和質(zhì)心跟蹤等。這類算法不適合復(fù)雜背景中的目標(biāo)跟蹤，但在空中背景下的目標(biāo)跟蹤中非常有效。邊緣跟蹤的優(yōu)點(diǎn)是脫靶量計(jì)算簡(jiǎn)單

15、、響應(yīng)快，在某些場(chǎng)合（如要求跟蹤目標(biāo)的左上角或右下角等）有其獨(dú)到之處。缺點(diǎn)是跟蹤點(diǎn)易受干擾，跟蹤隨機(jī)誤差大。重心跟蹤算法計(jì)算簡(jiǎn)便，精度較高，但容易受到目標(biāo)的劇烈運(yùn)動(dòng)或目標(biāo)被遮擋的影響。重心的計(jì)算不需要清楚的輪廓在均勻背景下可以對(duì)整個(gè)跟蹤窗口進(jìn)行計(jì)算，不影響測(cè)量精度。重心跟蹤特別適合背景均勻、對(duì)比度小的弱小目標(biāo)跟蹤等一些特殊場(chǎng)合。圖像二值化后，按重心公式計(jì)算出的是目標(biāo)圖像的形心。一般來(lái)說(shuō)形心與重心略有差別。3.2 基于匹配的目標(biāo)跟蹤算法3.2.1 特征匹配特征是目標(biāo)可區(qū)別與其他事物的屬性，具有可區(qū)分性、可靠性、獨(dú)立性和稀疏性?；谄ヅ涞哪繕?biāo)跟蹤算法需要提取目標(biāo)的特征，并在每一幀中尋找該特征。尋找

16、的過(guò)程就是特征匹配過(guò)程。特征提取是一種變換或者編碼，將數(shù)據(jù)從高維的原始特征空間通過(guò)映射，變換到低維空間的表示根據(jù)Marr的特征分析理論，有4種典型的特征計(jì)算理論：神經(jīng)還原論、結(jié)構(gòu)分解理論、特征空間論和特征空間的近似。神經(jīng)還原論直接源于神經(jīng)學(xué)和解剖學(xué)的特征計(jì)算理論，它與生物視覺(jué)的特征提取過(guò)程最接近，其主要技術(shù)是Gabor濾波器、小波濾波器等。結(jié)構(gòu)分解理論是到目前為止唯一能夠?yàn)樾聵颖具M(jìn)行增量學(xué)習(xí)提供原則的計(jì)算理論，目前從事該理論研究的有麻省理T學(xué)院實(shí)驗(yàn)組的視覺(jué)機(jī)器項(xiàng)目組等。特征空間論主要采用主分量分析（PCA）、獨(dú)立分量分析（ICA）、稀疏分量分析（SCA）和非負(fù)矩陣分解（NMF）等技術(shù)抽取目標(biāo)的

17、子空間特征。特征空間的近似屬于非線性方法，適合于解決高維空間上復(fù)雜的分類問(wèn)題，主要采用流形、李代數(shù)、微分幾何等技術(shù)。目標(biāo)跟蹤中用到的特征主要有幾何形狀、子空間特征、外形輪廓和特征點(diǎn)等。其中，特征點(diǎn)是匹配算法中常用的特征。特征點(diǎn)的提取算法很多，如KanadeLucasTomasi（KLT）算法、Harris算法、SIFT算法以及SURF算法等。特征點(diǎn)一般是稀疏的，攜帶的信息較少，可以通過(guò)集成前幾幀的信息進(jìn)行補(bǔ)償。目標(biāo)在運(yùn)動(dòng)過(guò)程中，其特征（如姿態(tài)、幾何形狀、灰度或顏色分布等）也隨之變化。目標(biāo)特征的變化具有隨機(jī)性，這種隨機(jī)變化可以采用統(tǒng)計(jì)數(shù)學(xué)的方法來(lái)描述。直方圖是圖像處理中天然的統(tǒng)計(jì)量，因此彩色和邊

18、緣方向直方圖在跟蹤算法中被廣泛采用。精品文檔此文檔收集于網(wǎng)絡(luò)，如有侵權(quán)， 請(qǐng) 聯(lián) 系網(wǎng)站刪除3.2.2 貝葉斯跟蹤目標(biāo)的運(yùn)動(dòng)往往是隨機(jī)的。這樣的運(yùn)動(dòng)過(guò)程可以采用隨機(jī)過(guò)程來(lái)描述。很多跟蹤算法往往建立在隨機(jī)過(guò)程的基礎(chǔ)之上，如隨機(jī)游走過(guò)程、馬爾科夫過(guò)程、自回歸（AR）過(guò)程等。隨機(jī)過(guò)程的處理在信號(hào)分析領(lǐng)域較成熟，其理論和技術(shù)（如貝葉斯濾波）可以借鑒到目標(biāo)跟蹤中。貝葉斯濾波中，最有名的是Kalman濾波（KF）。KF可以比較準(zhǔn)確地預(yù)測(cè)平穩(wěn)運(yùn)動(dòng)目標(biāo)在下一時(shí)刻的位置，在彈道目標(biāo)跟蹤中具有非常成功的應(yīng)用。一般而言，KF可以用作跟蹤方法的框架，用于估計(jì)目標(biāo)的位置，減少特征匹配中的區(qū)域搜索范圍，提高跟蹤算法的運(yùn)行

19、速度KF只能處理線性高斯模型，KF算法的兩種變形EKF和UKF可以處理非線性高斯模型。兩種變形擴(kuò)展了KF的應(yīng)用范圍,但是不能處理非高斯非線性模型，這個(gè)時(shí)候就需要用粒子濾波（PF）。由于運(yùn)動(dòng)變化，目標(biāo)的形變、非剛體、縮放等問(wèn)題，定義一個(gè)可靠的分布函數(shù)是非常困難的,所以在PF中存在例子退化問(wèn)題，于是引進(jìn)了重采樣技術(shù)。事實(shí)上，貝葉斯框架下視覺(jué)跟蹤的很多工作都是在PF框架下尋找更為有效的采樣方法和建議概率分布。這些工作得到了許多不同的算法。如馬爾可夫鏈蒙特卡洛（MCMC）方法、Unscented粒子濾波器（UPF）、RaLBlackwellised粒子濾波器（RBPF）等等文獻(xiàn)【5】引入了一種新的自適

20、應(yīng)采樣方法序貫粒子生成方法.在該方法中粒子通過(guò)重要性建議概率密度分布的動(dòng)態(tài)調(diào)整順序產(chǎn)生。文獻(xiàn)【6】根據(jù)率失真理論推導(dǎo)了確定粒子分配最優(yōu)數(shù)目的方法，該方法可以最小化視覺(jué)跟蹤中粒子濾波的整體失真。文獻(xiàn)【7】計(jì)算最優(yōu)重要性采樣密度分布和一些重要密度分布之間的KL距離，分析了這些重要密度分布的性能。文獻(xiàn)【8】在粒子濾波框架下，采用概率分類器對(duì)目標(biāo)觀測(cè)量進(jìn)行分類，確定觀測(cè)量的可靠性，通過(guò)加強(qiáng)相關(guān)觀測(cè)量和抑制不相關(guān)觀測(cè)量的方法提高跟蹤性能。除了KF和PF之外，隱馬爾科夫模型（HMMs）和動(dòng)態(tài)貝葉斯模型（DBNs）也是貝葉斯框架下重要的視覺(jué)跟蹤方法。HMMs和DBNs將運(yùn)動(dòng)目標(biāo)的內(nèi)部狀態(tài)和觀測(cè)量用狀態(tài)變量（

21、向量）表示，DBNs使用狀態(tài)隨機(jī)變量（向量）集，并在它們之間建立概率關(guān)聯(lián)。HMMs將系統(tǒng)建模為馬爾科夫過(guò)程。這些算法的主要區(qū)別如表1所不。表1貝葉斯跟蹤算法狀態(tài)算法描述能力表示方法拓?fù)浣Y(jié)構(gòu)KF線性、高斯非一個(gè)隨機(jī)變量（向量）固定PF線性、任意分布一個(gè)隨機(jī)變量（向量）固定HMMs非線性、任意分布一個(gè)隨機(jī)變量（向量）固定DBNs非線性、任意分布隨機(jī)變量（向量）集可變表1中每個(gè)簡(jiǎn)單的算法都可以看成是下一行復(fù)雜算法的特例。反之，每個(gè)復(fù)雜算法都可以看成是簡(jiǎn)單算法的擴(kuò)展。其中.DBNs具有最佳的靈活性，可以處理不同的運(yùn)動(dòng)模型和不同的狀態(tài)變量組合。DBNs又可以看作概率圖模型（PGMs）的一個(gè)例子。PGMs

22、的基本思想是用圖形的方式將多變量概率分布分解.統(tǒng)計(jì)變量用圖的節(jié)點(diǎn)表示，變量間的條件關(guān)系用圖的連接或邊表示。PGMs可以分為有向圖（DAGs）和無(wú)向圖（Ugs）。前者能夠處理時(shí)間模式，適合目標(biāo)跟蹤和場(chǎng)景理解等任務(wù)。后者能很好地描述圖像像素之間的空間依賴性.適合圖像分割和圖像分析等任務(wù)。通過(guò)組合圖理論和概率理論，PGMs可以用來(lái)處理問(wèn)題描述中的不確定性。不確定性恰好符合人類視覺(jué)系統(tǒng)中天然的概率性和視覺(jué)模糊性（如遮擋從3D到2D投影的信息損失）。通過(guò)規(guī)定概率模型元素之間的關(guān)系，PGMs可以有效地表示、學(xué)習(xí)和計(jì)算復(fù)雜的概率模型。PGMs能夠有效地組合目標(biāo)的動(dòng)態(tài)信息和外觀信息，有效解決目標(biāo)的運(yùn)動(dòng)估計(jì)問(wèn)題

23、，為目標(biāo)跟蹤提供了很好的理論框架。表1中算法都可以看成是PGMs的特殊形式。3.2.3核方法核方法的基本思想是對(duì)相似度概率密度函數(shù)或者后驗(yàn)概率密度函數(shù)采用直接的連續(xù)估計(jì)。這樣處理一方面可以簡(jiǎn)化采樣，另一方面可以采用估計(jì)的函數(shù)梯度有效定位采樣粒子。采用連續(xù)概率密度函數(shù)可以減少高維狀態(tài)空間引起的計(jì)算量問(wèn)題，還可以保證例子接近分布模式，避免粒子退化問(wèn)題。核方法一般都采用彩色直方圖作為匹配特征。MeanShiftI是核方法中最有代表性的算法，其含義正如其名。是“偏移的均值向量”。直觀上看，如果樣本點(diǎn)從一個(gè)概率密度函數(shù)中采樣得到，由于非零的概率密度梯度指向概率密度增加最大的方向，從平均上來(lái)說(shuō)，采樣區(qū)域內(nèi)

24、的樣本點(diǎn)更多的落在沿著概率密度梯度增加的方向。因此，對(duì)應(yīng)的MeanShift向量應(yīng)該指向概率密度梯度的負(fù)方向。MeanShift跟蹤算法反復(fù)不斷地把數(shù)據(jù)點(diǎn)朝向MeanShift矢量方向進(jìn)行移動(dòng)，最終收斂到某個(gè)概率密度函數(shù)的極值點(diǎn)。在MeanShift跟蹤算法中。相似度函數(shù)用于刻畫目標(biāo)模板和候選區(qū)域所對(duì)應(yīng)的兩個(gè)核函數(shù)直方圖的相似性，采用的是Bhattacharyya系數(shù)。因此。這種方法將跟蹤問(wèn)題轉(zhuǎn)化為MeanShift模式匹配問(wèn)題。核函數(shù)是MeanShift算法的核心，可以通過(guò)尺度空間差的局部最大化來(lái)選擇核尺度，若采用高斯差分計(jì)算尺度空間差，則得到高斯差分MeanShift算法。MeanShif

25、t算法假設(shè)特征直方圖足夠確定目標(biāo)的位置，并且足夠穩(wěn)健，對(duì)其他運(yùn)動(dòng)不敏感。該方法可以避免目標(biāo)形狀、外觀或運(yùn)動(dòng)的復(fù)雜建模，建立相似度的統(tǒng)計(jì)測(cè)量和連續(xù)優(yōu)化之間的聯(lián)系。但是，MeanShift算法不能用于旋轉(zhuǎn)和尺度運(yùn)動(dòng)的估計(jì)。為克服以上問(wèn)題，人們提出了許多改進(jìn)算法，如多核跟蹤算法、多核協(xié)作跟蹤算法和有效的最優(yōu)核平移算法等。文獻(xiàn)11則針對(duì)可以獲得目標(biāo)多視角信息的情況，提出了一種從目標(biāo)不同視角獲得多個(gè)參考直方圖，增強(qiáng)MeanShift跟蹤性能的算法。3.3 基于運(yùn)動(dòng)檢測(cè)的目標(biāo)跟蹤算法基于運(yùn)動(dòng)檢測(cè)的目標(biāo)跟蹤算法通過(guò)檢測(cè)序列圖像中目標(biāo)和背景的不同運(yùn)動(dòng)來(lái)發(fā)現(xiàn)目標(biāo)存在的區(qū)域。實(shí)現(xiàn)跟蹤。這類算法不需要幀之間的模式匹

26、配，不需要在幀間傳遞目標(biāo)的運(yùn)動(dòng)參數(shù)，只需要突出目標(biāo)和非目標(biāo)在時(shí)域或者空域的區(qū)別即可這類算法具有檢測(cè)多個(gè)目標(biāo)的能力，可用于多目標(biāo)檢測(cè)和跟蹤。這類運(yùn)動(dòng)目標(biāo)檢測(cè)方法主要有幀間圖像差分法、背景估計(jì)法、能量積累法、運(yùn)動(dòng)場(chǎng)估計(jì)法等。光流算法是基于運(yùn)動(dòng)檢測(cè)的目標(biāo)跟蹤的代表性算法。光流是空間運(yùn)動(dòng)物體在成像面上的像素運(yùn)動(dòng)的瞬時(shí)速度，光流矢量是圖像平面坐標(biāo)點(diǎn)上的灰度瞬時(shí)變化率。光流的計(jì)算利用圖像序列中的像素灰度分布的時(shí)域變化和相關(guān)性來(lái)確定各自像素位置的運(yùn)動(dòng)，研究圖像灰度在時(shí)間上的變化與景象中物體結(jié)構(gòu)及其運(yùn)動(dòng)的關(guān)系。將二維速度場(chǎng)與灰度相聯(lián)系，引入光流約束方程，得到光流計(jì)算的基本算法。根據(jù)計(jì)算方法的不同，可以將光流算法分為基于梯度的方法、基于匹配的方法、基于能量的方法、基于相位的方法和基于神經(jīng)動(dòng)力學(xué)的方法。文獻(xiàn)【12】提出了一種基于攝像機(jī)光流反向相關(guān)的無(wú)標(biāo)記跟蹤算法，該算法利用反向攝像機(jī)消除光流中的相同成分，得到有效的跟蹤效果。文獻(xiàn)【13】將光流算法的亮度約束轉(zhuǎn)化為上下文約束把上下文信息集成到目標(biāo)跟蹤的運(yùn)動(dòng)估計(jì)里，仿照光流算法，提精品文檔此文檔收集于網(wǎng)絡(luò)，如有侵權(quán)， 請(qǐng) 聯(lián) 系網(wǎng)站刪除出了