（通信与信息系统专业论文）运动物体检测与跟踪算法研究.pdf

l i i ii i ii ii i i ii ii i i ii il 17 4 6 0 7 3 ad i s s e r t a t i o ns u b m i t t e dt og u a n g d o n gu n i v e r s i t yo f t e c h n o l o g yf o rt h ed e g r e eo f m a s t e ro f e n g i n e e r i n gs c i e n c e m o v i n go b j e c td e t e c t i o na n dt r a c k i n ga p p r o a c h m a s t e rc a n d i d a t e ：l i uy o n g f u s u p e r v i s o r ：p r o f p a nb a o c h a n g a p r i l 2 0 1 0 f a c u l t yo fi n f o r m a t i o ne n g i n e e r i n g g u a n g d o n gu n i v e r s i t yo ft e c h n o l o g y g u a n g z h o u ，g u a n g d o n g ，p r c h i n a ，5 10 0 0 6 、墓 摘要 摘要 图像序列中运动物体的检测与跟踪是计算机视觉领域的重要研究 课题之一，其中在视频图像序列中对特定目标进行检测和跟踪成为一 些重要部门进行安全监控中的关键一环。 我们作了大量研究，设计了一种运动物体检测和跟踪算法。该算 法主要包含了三大部分：视频图像序列预处理、运动物体检测和运动 物体跟踪。本算法首先采用自适应中值滤波对图像序列进行预处理， 然后采用改进的混合高斯模型进行物体检测定位，并根据遮挡和未遮 挡情况分别采用不同的方法对运动目标的质心进行实时跟踪。 在预处理部分，由于图像在获取和传输过程中容易被噪声污染， 为了消除噪声的同时保留图像更多的细节信息，提出了基于集内离散 度噪声检测器的自适应中值滤波。 运动物体检测部分，在分析了各种检测算法的基础上，采用混合 高斯背景模型进行运动物体检测，但由于运动物体给背景模型带来较 大干扰，因此对混合高斯模型进行了改进，使得背景模型能自适应更 新背景，提高了运动物体检测的准确性。 在运动物体跟踪部分，首先判断是否存在目标互遮挡的情况，非 互遮挡情况下，采用c a m s h i f t 算法对运动目标进行跟踪，但由于原 c a m s h i f l 跟踪算法只用于跟踪肤色运动目标，在多色度的目标和复杂 背景的目标跟踪中，原c a m s h i f t 算法难以准确完成跟踪任务，因此对 c a m s h i f l 作进一步改进，以提高对运动物体的定位和跟踪的准确性。 在目标互遮挡的情况下采用运动质心预测性跟踪。 测试结果表明，本文提出的运动物体检测与跟踪算法是有效的。 自适应中值滤波提高了后继处理的准确性，改进的混合高斯背景模型 能准确的检测出运动物体，改进的c a m s h i f l 算法和预测性质心跟踪算 法能在遮挡和非遮挡情况下对运动目标进行准确跟踪。 工业大学工学硕士学位论文 检测；运动物体跟踪 i i a b s tr a c t a bs t r a c t m o v i n go b je c td e t e c t i o na n dt r a c k i n gi nt h ev i d e os e q u e n c ei so n eo f t h em o s ti m p o r t a n tp r o b l e m so ft h ec o m p u t e rv i s i o nr e s e a r c hf i e l d i ti sa n i m p o r t a n tk e yt od e t e c ta n dt r a c ks p e c i f i ct a r g e ti nv i d e oi m a g es e q u e n c e f o rs a f e t ym o n i t o r i n g t h u s ，w eh a v em a d eal o to fr e s e a r c h ，a n dd e s i g n e da na l g o r i t h ma b o u t m o t i o no b je c td e t e c t i o na n dt r a c k i n g t h ea l g o r i t h mm a i n l yi n c l u d e st h r e e p a r t s ：v i d e os e q u e n c ep r e p r o c e s s i n g ，m o v i n go b j e c t sd e t e c t i o na n dt r a c k i n g a tf i r s tt h ea l g o r i t h mu t i l i z e sa d a p t i v em e d i a nf i l t e rt op r e p r o c e s st h ei m a g e s e q u e n c e ，t h e nw eu s e dt h ei m p r o v e dg a u s s i a nm i x t u r em o d e lf o rr a p i d d e t e c t i o no ft h em o v i n go b je c t s ，o nt h i sb a s i s ，w eu s e dc a m s h i f ta l g o r i t h m f o rt r a c k i n gm o v i n go b je c t s c e n t r o i d ，a n da c c o r d i n gt os h e l t e ra n dn o n s h e l t e r c i r c u m s t a n c e s ，d i f f e r e n tm e t h o d sw e r eu s e d o nt h er e a l t i m e t r a c k i n go fo b je c t sc e n t r o i d i nt h ep r e p r o c e s s i n gp a r t ，a st h ei m a g ea c q u i s i t i o na n dt r a n s m i s s i o n p r o c e s sw i l lb em i x e dw i t hi m p u l s en o i s e ，i no r d e rt oe l i m i n a t en o i s ew h i l e p r e s e r v i n gm o r ed e t a i l ，w ep r o p o s ea na d a p t i v em e d i a nf i l t e rb a s e do nt h e s e to fd i s p e r s i o nn o i s ed e t e c t o r i nt h em o t i o nd e t e c t i o np a r t ，b a s e do nt h ea n a l y s i so fv a r i o u sd e t e c t i o n a l g o r i t h m s ，w e c o n s i d e rt h em i x t u r eg a u s s i a n b a c k g r o u n dm o d e la s m o v i n go b j e c t sd e t e c t i o na l g o r i t h m b u tm o v i n go b j e c t sw i l lb r i n gal o to f i n t e r f e r e n c e st ot h eb a c k g r o u n d t h e r e f o r e ，i m p r o v i n gt h em i x t u r eg a u s s i a n m e t h o dw a sp r o p o s e d ；i tm a k e st h eb a c k g r o u n dm o d e lh a v ea d a p t i v eu p d a t e r a t e ，a n di n c r e a s e st h ea c c u r a c yo ft h ed e t e c t i o n i nt h em o v i n go b je c t st r a c k i n gp a r t ，f i r s t ，d e t e r m i n et h es i t u a t i o no ft h e o n e c t si ss h e l t e ro rn o ns h e l t e r i nt h es i t u a t i o no fn o ns h e l t e r ，w eu s e c a m s h i f ta l g o r i t h mt ot r a c ko b j e c t sm o t i o n ，b u tt h ec a m s h i f ta l g o r i t h m o n l yu s e df o rt r a c k i n gt h et a r g e t sw i t hs i m p l ys k i nc o l o r ，s ot h eo r i g i n a l c a m s h i f ta l g o r i t h mi sd i f f i c u l tt o c o m p l e t e t h et r a c k i n gt a s k sw h e n i 广东工业大学工学硕士学位论文 a l g o r i t h mu s e di nt h em u l t i - c o l o rt a r g e t so rc o m p l e xb a c k g r o u n d s ow e m a d et h ef u r t h e ri m p r o v e do nt h ec a m s h i f la l g o r i t h mt oe n h a n c et h e a c c u r a c yo fo b je c t sl o c a t i o na n dt r a c k i n g f i n a l l yw eu s e dt h em o v e m e n t c e n t r o i dp r e d i c t i o ns t r a t e g yi nt h em u l t i o b je c t so c c l u s i o ns i t u a t i o n t h ee x p e r i m e n t a lr e s u l t si n d i c a t et h a tt h em o v e m e n to fo b je c t s d e t e c t i o na n d t r a c k i n ga l g o r i t h ms u p p o s e d i n t h i s p a p e ri s e f f e c t i v e a d a p t i v em e d i a nf i l t e rc a mi m p r o v et h ea c c u r a c yo fs u b s e q u e n tp r o c e s s i n g ， i m p r o v e dg a u s s i a nm i x t u r eb a c k g r o u n dm o d e lc a nb ea c c u r a t e l yd e t e c tt h e m o v i n go b je c t s ，i m p r o v e dc a m s h i f ta l g o r i t h m sa n dp r e d i c t i v et r a c k i n g a l g o r i t h mc a na c c u r a t e l yt r a c kt h eo b j e c t sb o t hi nt h em u l t i h u m a ns h e l t e r a n dn o ns h e l t e rs i t u a t i o n k e y w o r d ：b a c k g r o u n du p d a t i n g ；m o t i o n0 b je c td e t e c t i o n ；m o t i o n0 b je c t t r a c k i n g i v 目录 目录 摘要i a b s t r a c t i i i 目录1 v ， t a b l eo fc o n t e n t s v i i i 第一章绪论。1 1 1 课题意义背景1 1 2 运动物体检测常用方法2 1 2 1 背景统计平均法2 1 2 2 连续帧间差分法3 1 2 3 光流法4 1 3 运动物体跟踪常用方法5 1 3 1 基于区域的跟踪5 1 3 2 基于动态轮廓的跟踪6 1 3 3 基于特征的跟踪6 1 3 4 基于模型的跟踪6 1 4 难点及发展趋势7 1 4 1 快速准确检测运动物体7 1 4 2 运动物体间的互遮挡问题7 1 5 本文研究内容8 第二章运动目标检测与跟踪算法设计9 2 1 设计思想9 2 2 系统框图1 0 第三章视频序列图像预处理1 2 3 1 自适应中值滤波12 3 1 1 集内离散度的定义1 2 3 1 2 基于集内离散度的噪声检测器1 4 3 2 噪声检测及滤波效果1 4 v 广东工业大学工学硕士学位论文 第四章基于混合高斯模型的运动目标检测1 7 4 1 混合高斯模型18 4 1 1 单模态背景模型18 4 1 2 多模态高斯背景模型19 4 1 3 像素模型定义1 9 4 1 4 像素模型参数修正2 0 4 1 5 背景像素模型的建立2 2 4 2 自适应背景更新2 3 4 2 1 目标间差分2 3 4 2 2 基于自适应更新率的混合高斯模型2 5 4 3 噪声消除及目标粗定位2 6 4 3 1 小面积噪声消除2 7 4 3 2 运动目标定位2 9 第五章基于c a m s h i f l 的运动目标跟踪3 3 5 1 遮挡条件判断3 3 5 2 运动目标特征选取3 4 5 2 1 颜色特征3 5 5 2 2 直方图3 7 5 2 3 矩特征3 7 5 3 特征匹配算法3 8 5 3 1 绝对平衡搜索法3 8 5 3 2 归一化互相匹配算法3 9 5 3 3 均值偏移搜索算法4 0 5 4 基于c a m s h i f l 算法的目标跟踪4 l 5 4 1c a m s h i f l 算法的基本原理4 l 5 4 2 改进c a m s h i f l 算法4 3 5 5 互遮挡情况下物体质心的跟踪4 6 第六章实验结果与分析4 9 总结5 l 参考文献5 2 v i 目录 攻读学位期间发表论文5 7 独创性声明。5 8 至j 谢5 9 v i i 广东工业大学工学硕士学位论文 t a b l eo fc o n t e n t s a b s t r a c t i i i t a b l eo fc o n t e n t s v i i i c h a p t e r li n t r o d u c t i o n 1 1 1s u b j e c tm e a n i n g sa n di t sb a c k g r o u n d 1 1 2t h ec o m m o nm e t h o do fm o t i o no b j e c td e t e c t i o n 2 1 2 1t h em e t h o do fb a c k g r o u n ds t a t i s t i c a la v e r a g e 2 1 2 2t h em e t h o do fc o n t i n u o u sf r a m ed i f f e r e n c e 3 1 2 3t h em e t h b do fo p t i c a lf l o w 4 1 3t h ec o m m o nm e t h o do fm o t i o no b j e c tt r a c k i n g 5 1 3 1r e g i o n - b a s e dt r a c k i n g 5 1 3 2b a s e do nd y n a m i cc o n t o u rt r a c k i n g 6 1 3 3f e a t u r e - b a s e dt r a c k i n g j 6 1 3 4m o d e l b a s e dt r a c k i n g 6 1 4d i f f i c u l t i e sa n dd e v e l o p m e n tt r e n d 7 1 4 1r a p i dd e t e c t i o no fm o t i o n0 b j e c t 7 1 4 2m o t i o no b j e c tt r a c k i n gi nt h ec a s eo fo b j e c t so c c l u s i o n 7 1 5t h em a ir lc o n t e n to ft h i sp a p e r 8 c h a p t e r2a l g o r i t h md e s i g no fm o t i o no b j e c td e t e c t i o na n dt r a c k i n g 9 2 1 d e s i g ni d e a s 9 2 2s y s t e mf 1 0 wc h a r t 1 0 c h a p t e r3v i d e os e q u e n c ep r e t r e a t m e n t 1 2 3 1a d a p t i v em e d i a nf i l t e r 1 2 3 1 1d e f i n i t i o no fs e td i s p e r s i o n 1 2 3 1 2n o i s ed e t e c t o rb a s e do ns e td i s p e r s i o n 1 4 3 2n o i s ed e t e c t i o na n df i l t e r i n ge f f e c t 1 4 c h a p t e r4m o v i n gt a r g e td e t e c t i o nb a s e do nm i x t u r eg a u s s i a nm o d e l 4 1m i x t u r eg a u s s i a nm o d e l 18 t a b l eo fc o n t e n ts 4 1 1s i n g l em o d eo a u s s i a nb a c k g r o u n dm o d e 18 4 1 2m u l t i m o d eg a u s s i a nb a c k g r o u n dm o d e l 19 4 1 3p i x e lm o d e ld e f i n i t i o n 19 4 1 4p a r a m e t e rm o d i f i c a t i o no fp i x e lv a l u em o d e l 2 0 4 1 5b a c k g r o u n dp i x e lm o d e l 2 2 4 2a d a p t i v eb a c k g r o u n du p d a t er a t e 2 3 4 2 1d i f f e r e n c eb e t w e e nt a r g e t 2 3 4 2 2m u l t i m o d eg a u s s i a nm o d e lb a s e do na d a p t i v e u p d a t e r a t e 。：2 1 ； 4 3n o i s er e d u c t i o na n dt a r g e tl o c a t i n g 2 6 4 3 1s m a l la r e ao fn o i s er e d u c t i o n 2 7 z i 3 2t a r g e tp o s i t i o n i n g 2 9 c h a p t e r5t a r g e tt r a c k i n gb a s e do nc a m s h i f ta l g o r i t h m 3 3 5 1t h ej u d g m e n to fm u l t i o b j e c to c c l u s i o n 3 3 ：；2f e a t u r ee x t r a c t i o no fm o v i n go b j e c t s 3 4 5 2 1c o l o rf e a t u r e s 3 5 1 ；2 2h i s t o g r a m 3 7 5 2 3m o m e n tf e a t u r e s 3 7 1 ；3f e a t u r em a t c h i n ga l g o r i t h m 3 8 5 3 1a b s o l u t eb a l a n c es e a r c hm e t h o d 3 8 1 ；3 2n o r m a l i z e dc r o s sm a t c h i n g 3 9 1 ；3 3m e a ns h i f ts e a r c ha l g o r i t h m 4 0 5 4o b j e c t st r a c k i n gb a s e do nc a m s h i f la l g o r i t h m 4 1 5 4 1b a s i cp r i n c i p l eo fc a m s h i f ta l g o r i t h m 4 1 1 ；4 2i m p r o v e dc a m s h i f ta l g o r i t h m 4 3 5 5o b j e c t sc e n t r o i dt r a c k i n gi nt h em u t u a lo c c l u s i o ns i t u a t i o n 4 6 c h a p t e r 6e x p e r i m e n t a lr e s u l t sa n d a n a l y s i s 4 9 c o n c l u s i o n 51 r e f e r e n c e ! ；：! t h ep u b l i s h e dp a p e r sd u r i n gt h em a s t e rp e r i o d 5 7 i x x 第一章绪论 第一章绪论 视频序列的运动物体检测与跟踪也是当今计算机视觉领域的研究热 点之一。运动物体检测与跟踪是指在输入的视频图像序列中提取出运动 物体、确定运动物体位置并对其运动路径进行实时跟踪的一个过程。 1 1 课题意义背景 运动物体检测与跟踪问题的研究在技术上涉及到计算机图像处理、 模式识别、人工智能、计算机视觉等诸多领域，因而具有较高的研究价 值。视频图像序列的运动物体检测与跟踪是计算机视觉领域中的典型 问题，对这方面的研究既有理论价值又有实际意义。运动物体的视觉分 析是模式识别的一个新发展方向和重要应用心，随着社会对公共安全方 面的要求越来越高，运动物体检测与跟踪作为运动物体的视觉分析的子 问题开始应用于如商业中的宾馆、楼宇、商场的监控b ，；公共事业中的 医疗、机场、车站、交通场景，的监控等。 由上文可知，运动物体检测与跟踪主要应用于视频监控系统中。视 频监控系统通过实时观测监控场景中的运动目标，分析他们的行为， 这样不仅节省了大量的人力，而且也节省了大量的物力，特别是在某些 特殊场合中，人类不可能或很难到达现场去亲自查看，这时就只有利用 其他方法，如计算机的监控系统进行实时的观测来完成，。这项技术的 研究主要涉及到运动物体检测 ，、运动物体跟踪，、运动物体的分析与行 为理解等过程，而运动物体的检测与跟踪是整个视频监控系统的核心部 分。 但是，基于视频图像序列的运动物体检测与跟踪也是比较复杂的。 具体来说，序列中的运动物体检测与跟踪面临如下几个难题t 9 ，： ( 1 ) 在获取或传送视频图像序列过程中往往会受到的噪声干扰，为后 继的目标检测和跟踪带来困难； ( 2 ) 在动态的视频图像序列中，由于受光照变化、树叶抖动等因素，会 广东工业大学工学硕士学位论文 对运动物体的检测带来很大的影响； ( 3 ) 在视频图像序列中，如何解决对多个运动物体进行跟踪时所遇到 的运动物体间的互遮挡问题。 在现实世界中，有许多类似的现象和问题，比方说如何提高视频监 控系统的智能监控能力n ”。对运动目标的检测和跟踪的研究对于大量同 类问题的解决有着相互启发和相互推动的现实意义。本文研究的运动物 体检测与跟踪算法，不仅是运动物体视觉分析研究中的子问题，同时也 是运动物体视觉分析重要前提，具有较高的学术价值和广泛的应用前 景。 1 2 运动物体检测常用方法 运动物体检测主要是从图像背景中提取出人们感兴趣的运动目标， 并对其进行定位。运动物体检测是运动物体的视觉分析的第一步，其成 功与否对接下来的运动物体跟踪有直接的影响。由于受到光照和其他方 面的干扰，因此要想提高检测的成功率，必须解决光照和树叶抖动等干 扰对检测结果的影响。目前在运动物体检测领域常用的方法有以下几种： 1 2 1 背景统计平均法 背景统计平均法“2 1 是目前运动物体检测中最常用的方法。背景统 计平均法首先选取背景中的连续多幅图像序列统计平均值作为背景图像， 然后把以后的序列图像当前帧和背景图像相减，进行背景消去。若所得到 的像素数大于某一阂值，则判定被监视场景中有运动物体，从而得到运动 目标。用公式( 1 1 ) 表示。 j ( x ，y ，沪if ( x ，y ，沪b ( x ，y ) i ( 1 1 ) 在公式( 1 1 ) 中，j ( x ，y ，i ) 是差值图像，b y ) 是背景图像， f ( x ，y 9 i ) 是前景序列图像，f 表示帧数( i ：l ，n ) ，为序列图像总 数。 2 第一章绪论 利用背景统计平均法消除图像背景有很明显的效果，但图像在背景 统计平均法运算时必须使两幅相减图像的对应像素点位于空间同一目标 点上，否则，必须先作几何校正与配准”。当将一个场景中序列图像相 减用来检测运动或其它变化时，难以保证准确对准。这种方法的优点是： ( 1 ) 其原理和算法设计简单； ( 2 ) 根据实际情况确定阈值进行处理，所得结果直接反映了运动目标 的位置、大小、形状等信息，能够得到比较精确的运动目标信息。 但其缺点是受光线、天气等外界条件变化的影响较大，如果不能很 好地处理干扰，则背景减除法在实际的应用中会受到很大的制约，甚至 把干扰信号误读为所要寻找的运动目标。同时，对阈值的选取比较难把 握，容易造成阈值过高或阈值过低的情况，影响检测质量。 对此，k a r m a n n 与b r a n d t n 提出采用基于卡尔曼滤波器的自适应模 型以适应天气和光照的时间变化。而一种改进的阈值法采用双阈值【1 盯方 法，提出一种自适应阈值选择算法，克服了单阈值中阈值过高不能完全 分割出目标，过低会产生大量无关噪声的问题。 1 2 2 连续帧间差分法 连续帧间差分法的运动目标检测主要是利用视频序列中连续的两帧 或几帧图像的差异来进行目标检测的。如公式( 1 2 ) 。 if ( x ，y ，f ) 一f ( x ，y ，f 一1 ) i 乃 ( 1 2 ) t 1 、r 一， o 、 在公式( 1 2 ) 中：，乃z ) 和，弘z - 0 分别是第i 帧和第f 一1 帧 图像，i 表示帧数( i = 1 ，) ，为序列图像总数，乃为阈值。 这种方法的优点是： ( 1 ) 算法实现简单，程序设计复杂度低； ( 2 ) 对光照及其他干扰不太敏感，能够适应各种动态环境，稳定性较 好。 象； 但是，这种方法的缺点是： ( 1 ) 不能提取出对象的完整区域，在运动目标内部容易产生空洞现 广东工业大学工学硕士学位论文 ( 2 ) 依赖于选择的图像的时间间隔。对快速运动的物体，需要选择较 小的时间间隔，如果选择不合适，当物体在前后两帧中没有重叠时，会被 检测为两个分开的物体；而对慢速运动的物体，应该选择较大的时间差， 如果此时选择不适当，当物体在前后两帧中几乎完全重叠时，则检测不 到物体。 v i e r e n c 1 6 采用一种改进的方法就是利用三帧图像差分来代替原来 的两帧图像差分，从而较好地解决了对图像时间间隔依赖的问题。 1 2 3 光流法 光流是图像中各像素点运动的速度分布，它是一个瞬时速度场，即 一个向量场，每一个向量代表了图像中一个像素点在图像中的位置的瞬 间变化。 假设e ( x ，y ，) 为( x ，y ) 点在时刻f 的灰度。设r + 衍时刻该点运动到 ( x + d x ，y + 方) 点，他的照度为e ( x + d x ，y + 方，r + 出) 。由于对应同一个点， 所以光流约束方程为如( 1 3 ) 所示。 e ( x ，y ，f ) = e ( x + d x ，y + 砂，f + 衍)( 1 3 ) 将公式( 1 3 ) 右边做泰勒展开，并令毋_ 0 ，则得到公式( 1 4 ) 。 e x 材+ e j ，v + e f = 0 ( 1 4 ) 其中，e x = d e d ) c ，e y = d e | d y ，e t = d e id t 。t l = d x | m ，v = a y | d t4 上面的e 。、e pe ，的计算都很简单，用离散的差分代替导数就可以 了。光流法的主要任务就是通过求解光流约束方程求出u 、v 。 该方法的主要优点是即使在摄像机存在移动的条件下也能比较准确 地检测出运动目标。正如所推导的一样，大部分的光流计算是比较复杂 耗时，且易受外界干扰的影响，抗噪性能差。 l w i x s o n 7 ，通过检测物体的运动特征点，计算“方向一致性光流 进行运动检测。吴芳【】采用加约束的梯度模板从序列图像中抽取光流场， 并结合区域合并算法、区域连通算法或聚类算法，自动筛选出光流较大 的运动目标区域并计算出运动目标的速度矢量，从而实现复杂背景下单 个运动物体的跟踪。 4 第一章绪论 除了上面所提到的三种比较常用的方法之外，目前还有一些比较新 的方法，例如是通过对背景图像进行背景建模来消除光照和其他细小干 扰对检测的影响，从而提高检测的成功率。混合高斯法n “圳是将每个像 素按照多个高斯分布混合建模，以同时处理多种背景变化。该模型的参 数可以自适应更新，不像非参数模型要缓存视频。线性预测法【2 l 】是根据 像素的历史值，利用线性滤波器来预测下一时刻的背景图像，以实现背 景图像的自适应更新。t o y a m a 引对滑动窗缓存中的像素历史值采用 w i e ne r 滤波器来计算当前背景像素的估计值。 1 3 运动物体跟踪常用方法 运动物体跟踪就是在图像序列间创建基于位置、速度、形状等有关 特征的对应匹配问题。运动跟踪算法与运动检测算法会进行大量的信息 交互。跟踪通常是利用点、线或区域等特征在后续图像中进行运动目标 的匹配，常用的数学工具有卡尔曼滤波器心“( k a l m a nf i l t e r ) ，水平集方 法( l e v e ls e tm e t h o d ) ，c o n d e n s a t i o n 方法他”，动态b a y e s i a n 网络等。 其中卡尔曼滤波是基于高斯分布的状态预测方法，可实时地进行跟踪预 测。c o n d e n s a t i o n 算法是以样本抽样为基础的条件密度传播方法， 与合理的动态模型结合使用，能较好的完成运动目标跟踪。m e a n s h i f 算 法心t 圳是基于样本估计的算法，可以进行实时的跟踪。目前就跟踪对象而 言，可分为跟踪物体运动部分、人的整体运动，就摄像机的数量可分为 单摄像机和多摄像机。 1 3 1 基于区域的跟踪 基于区域的跟踪方法是根据与运动目标相关的图像区域的变化来进 行跟踪。它采用运动估计或区域分割的技术，主要依靠诸如纹理和运动 的整体区域特征。基于区域的非刚体目标跟踪与刚体目标跟踪方法在本 质上没有太大的区别，非刚体的跟踪通常是把非刚体区域划分为几个刚 体区域分别进行跟踪，然后利用非刚体形成的若干准则将运动区域合并。 w r e n 心8 1 等人在跟踪单个人体时将人体划分为头、躯干和四肢等几个刚体 广东工业大学工学硕士学位论文 部分，分别进行跟踪，然后根据人体的几何结构信息将跟踪到的运动区 域进行合并，从而达到跟踪人体的目的。 1 3 2 基于动态轮廓的跟踪 基于动态轮廓的跟踪方法心是利用封闭的曲线轮廓来表示运动物 体，并且该轮廓线随着物体移动可以自动、连续地更新。该方法直接提 取运动目标的形状，提供了对目标更有效的描述。与基于区域的跟踪方 法相比，基于动态轮廓的方法对目标的描述简单有效，减少了一定的计 算复杂度，甚至在有干扰或存在部分遮挡的情况下仍然能跟踪目标。但 这种方法在跟踪开始时需要初始化目