第三章运动目标跟踪.docVIP

第三章 运动目标跟踪方法 3.1 引言 运动目标跟踪是机器视觉领域内一个备受关注的课题，图像中运动目标的跟踪技术通常是通过目标检测来进行跟踪。运动目标的跟踪就是在视频图像的每一幅图像中确定出我们感兴趣的运动目标的位置，来实现目标的跟踪。在机器视觉研究领域里，随着技术不断发展，自动目标跟踪(ATR)越来越受到研究者的重视，具有广阔的应用前景。运动目标的跟踪在虚拟现实、工业控制、军事设备、医学研究、视频监控、交通流量观测监控等很多领域都有重要的实用价值。特别在军事上，先进的武器导航、军事侦察和监控中都成功运用了自动跟踪技术。而跟踪的难点在于如何快速而准确的在每一帧图像中实现目标定位。 3.2 单一摄像头常见跟踪方法简介 基于视频的目标检测、跟踪等技术的发展，使得摄像头系统的应用越来越广泛，其研究也越来越深入。从单一摄像头到多摄像头的场景监控，监控技术越来越成熟，下面就两类目标跟踪问题进行研究。 目前，根据不同跟踪方法可分类为如下几类。 1、基于区域的跟踪 基于区域的跟踪是根据图像中对应于运动目标区域的变化来实现跟踪。运动区域一般通过背景图像与当前帧图像比较来获取，因此需要对背景图像动态更新，难点在于处理运动目标的影子和遮挡情况。基于区域的跟踪方法目前已有较多的应用，如Wren利用小区域特征进行室内单人的跟踪，将人体看作由头、躯干、四肢等身体部分所对应的小区域块所组成，重庆邮电大学硕士论文第二章运动目标检测与跟踪理论基础利用高斯分布建立人体和场景的模型，属于人体的像素被规划于不同的身体部分，通过跟踪各个小区域来完成整个人的跟踪；McKenna等将跟踪过程建立在区域、人、人群三个抽象级别上执行，区域可以合并和分离，而人是由许多身体部分区域在满足几何约束的条件下组成的，同时人群又是由单个的人组成的，因此利用区域跟踪器并结合人的表面颜色模型，在遮挡情况下也能够较好地完成多人的跟踪。 但是在复杂情况下，基于区域的跟踪方法还缺乏可靠性，并且不能很好地获取物体的3D位置、方位。 2．基于轮廓的跟踪 基于活动轮廓的跟踪方法是利用封闭的曲线轮廓来表达运动目标，并且该轮廓能够自动连续地更新，能提取出目标形状并获得比区域跟踪方法更为有效的对目标的描述。例如，Paragios与Deriche利用短线程的活动轮廓，结合Level Set理论在图像序列中检测和跟踪多个运动目标；Peterfreund采用基于卡尔曼滤波的活动轮廓来跟踪非刚性物体。相对于基于区域的跟踪方法，轮廓表达能减少计算复杂度，甚至在出现干扰或部分遮挡的情况下，也能连续跟踪目标，但是对于轮廓初始化通常却是很困难的。 3．基于特征的跟踪 基于特征的跟踪算法通过提取目标特征元素来识别、跟踪，以及实现帧间物体匹配。根据所选特征可以分为三类：全局特征、局部特征及依赖图特征。 全局特征包括质心、周长、面积及颜色等，Polana就是一个点特征跟踪的例子。将每个行人用一个矩形框封闭起来，封闭框的质心被选择作为跟踪的特征：在跟踪过程中若两人出现相互遮挡时，只要质心的速度能被区分开来，跟踪仍能被成功地执行，该方法的优点是实现简单，但仅仅考虑了平移运动，如果结合纹理、彩色及形状等特征可能会进一步提高跟踪的鲁棒性。 局部特征用于特征跟踪时一般包括线、角点。基于支持图特征根据特征间距离、几何关系的变化来跟踪目标。以上不同特征跟踪方法也可以同时采用，如Jang利用区域的形状、纹理、色彩和边缘特征信息建立了活动模板，结合卡尔曼滤波的预测方法，使特征匹配能量函数最小化来完成运动目标的跟踪过程，该活动模型对于非刚性物体的跟踪具有很好的自适应性。 基于特征跟踪方法通过跟踪目标运动特征、局部特征及依赖图可实现在目标部分遮挡时的跟踪。但这种方法也有缺点，如基于2D图特征的目标识别率低；不能很好的恢复目标3D位置；处理目标遮挡、重叠时的稳定性低等。 4．基于模型的跟踪 基于模型的跟踪算法通过匹配由先验知识得到目标模型来跟踪目标。 模型通常根据人工量测、CAD和计算机视觉技术离线建立。目标模型可以 分为刚性目标模型和非刚性目标模型，目前研究得较多的刚性目标模型是 车辆跟踪，非刚性目标模型用于人体跟踪。例如传统的人体模型有： (1)线图法：将身体的各个部分以直线来近似； (2)二维轮廓法：与人体在图像中的投影有关，如Ju提出的纸板人模 型，它将人的肢体用一组连接的平面区域块来表达，该区域块的参数化运 动受关节运动的约束，可用于关节运动图像的分析； (3)立体模型：利用广义锥台、椭圆柱、球等三维模型来描述人体的结构细节，因此要求更多的计算参数和匹配过程中更大计算量，如Rohr使用14个椭圆柱体模型来表达人体结构，坐标系统的原点被定位在躯干的中心，目的是利用该模型来产生人行走的三维描述。 基于模型的跟踪方法主要缺点是必须构建模型及计