1、1畢業(yè)設計文獻綜述畢業(yè)設計文獻綜述計算機科學與技術計算機科學與技術視頻中移動對象跟蹤技術研究視頻中移動對象跟蹤技術研究摘要：視頻中移動對象跟蹤技術的研究是當前計算機視覺領域的一個熱點問題，本文對這一問題研究現(xiàn)狀進行了大量的文獻閱讀，并做了總結和展望。為了清楚地表達這一研究問題我引用了目前主流的劃分方法進行相應的闡述。最后我提出了未來的移動對象跟蹤技術的一個發(fā)展前景是人機交互。在某些時刻適當?shù)刈屗惴ㄅc人進行一定的交互來達到有效地處理復雜情

2、景。關鍵詞：計算機視覺；目標跟蹤；移動對象跟蹤技術；人機交互；一、視頻中移動對象跟蹤技術研究的意義隨著計算機技術的不斷發(fā)展，計算能力得到了極大地提高，使得利用計算機實現(xiàn)人類的視覺功能成為目前計算機領域中最熱門的課題之一[1]。視頻中移動對象跟蹤（簡稱目標跟蹤）是計算機視覺領域的一個分支，它在視頻監(jiān)控、視頻壓縮與傳輸、電話會議、人機界面的應用中以及高技術武器裝備方面都有重要的意義[215]。目前的一些目標跟蹤算法中都有各自適用的情景，有些

3、不能處理遮擋、速度突變、光線變化以及多目標干擾。二、視頻中移動對象跟蹤技術的研究現(xiàn)狀1.移動對象跟蹤技術的基本原理對于視覺跟蹤問題的處理，總體上講有兩種思路[1]，一種稱之為自底向上的處理方法；另一種稱之為自頂向下的處理方法。文獻[34]也給出了另外兩種不同角度的劃分。（1）自底向上的處理方法自底向上的處理方法又稱之為基于運動分析的方法[3]，這種方法不依賴于先驗知識，直接從圖像序列中獲得目標的運動信息并進行跟蹤。在自底向上的視覺跟蹤過

4、程中，跟蹤的目的是獲得場景中運動目標的位置、速度、加速度、運動軌跡等信息，這相當于視覺過程中的后期階段，為得到這些信息，在獲得圖像序列并對圖像序列進行預處理之后，首先直接從圖像序列中檢測運動目標，這是早期階段；檢測到運動目標之后，提取出運動目標并進行識別，以判定是否跟蹤，這相當于中期階段；最后對該目標進行跟蹤并獲得運動目標的相關運動信息。上述過程按處理順序共分為四步，第一步為圖像預處理，一般對所獲得的序列圖像進行消噪或增強，提高圖像質量

5、以方便后續(xù)處3尋優(yōu)策略，有很好的實時性。熊玉梅、郭堅、陳一民[5]與2011年提出了一種搜索窗口可變的目標跟蹤算法，該跟蹤算法最關鍵之處就是需要根據(jù)預測前面得到的標志坐標預測下一次標志將會出現(xiàn)的位置并計算下一次的搜索窗口。曲巨寶林宏基梁洪濤，劉勝[12]與2011年提出的文獻中比較了經(jīng)典的卡爾曼濾波、粒子濾波以及Meanshift算法的各自缺點，并提出了一種改進背景差分法與核寬自適應的Meanshift算法相結合的目標跟蹤算法，此算法采

6、用灰度質心技術與核帶寬自適應算法提高Meanshift跟蹤效率和魯棒性。（2）國外的研究現(xiàn)狀國外的主流的跟蹤算法還是集中在對MeanShift、粒子濾波，卡爾曼等算法的研究上。經(jīng)典的卡爾曼計算量大，構造模型困難，不適合復雜環(huán)境下的實時運動目標跟蹤。經(jīng)典的粒子濾波算法也因經(jīng)過多次迭代后，大量粒子只集中了較小的權值它們對后驗概率的估計幾乎不起作用。經(jīng)典的Meanshift算法缺乏模板更新與核帶寬自適應功能，容易出現(xiàn)目標丟失情況。雖然Mean

7、shift算法有這樣的缺點，但是它是一個無參數(shù)估計算法，硬件實現(xiàn)比較容易，加之采用核函數(shù)直方圖建模，對邊緣遮擋、目標旋轉、變形和背景運動不太敏感。因此在目標跟蹤算法中Meanshift算法還是一個主流。另外在目標模板與候選模板之間相似度的計算一般都采用Bhattayya系數(shù)。文獻[14]與2010年提出了結合自適應卡爾曼與Meanshift的目標跟蹤算法，該方法對真實復雜情況下連續(xù)幀中目標移動的跟蹤有很好的魯棒性，例如，由于遮擋目標的部

8、分消失或全部消失，快速移動的目標，移動目標的突然加速等。文獻[15]提出了一種結合SIFT特征和Meanshift的目標跟蹤技術，為了獲得相似性區(qū)域的最大似然估計，這兩個評估方法的概率分布被計算出來用以尋找最大期望。這種相互支持的機制，使得即使在其中一個方法變得不穩(wěn)定的時候也能保持跟蹤的一致性。三、移動對象跟蹤技術的發(fā)展趨勢通過文獻閱讀和對國內外研究現(xiàn)狀的分析和綜合，我認為移動對象跟蹤技術的發(fā)展趨勢如下：1.隨著移動對象跟蹤技術在現(xiàn)實場