运动目标跟踪算法综述.docVIP

运动目标跟踪算法综述 　　随着视频监控技术的不断发展和视频监控系统的广泛应用，目标跟踪是近年来一个重要的研究课题，目标跟踪技术是监控系统中最重要、应用范围最广的技术之一，目标跟踪技术的实现依托于目标跟踪算法。运动目标跟踪算法具有广泛的研究价值和挑战性。本文对当前主流的运动目标跟踪算法：Kalman滤波算法、Mean Shift算法、粒子滤波算法等进行了研究，归纳总结了每种跟踪算法的优缺点、适用性和局限性，通过对跟踪算法的分析对运动目标跟?技术的发展趋势进行了展望。 　　【关键词】视频监控 运动目标跟踪 跟踪算法 　　目标跟踪是计算机视觉领域的一个基本问题，是监控领域中的重点问题，目标跟踪方法是监控领域最为关键的技术，也是现在研究的热点问题之一。目标跟踪技术是多种技术的综合技术，如计算机技术、模式识别技术、图像处理技术和人工智能等。它已广泛的应用在智能监控、交通监视、人机交互、日常生活、视频索引、国防、车辆导航、天文观测、高校教室监控、图像检索等方面，由于跟踪的对象是视频图像序列中每一帧的运动目标，所以其跟踪结果中包含了大量目标颜色、位置等特征，所以目标跟踪在其应用领域起着重要的作用。在对目标进行跟踪时，需要对跟踪图像序列的某一帧或者多帖结合起来的图像进行颜色变换、滤波、提取背景等操作，使用计算机在复杂环境中进行目标跟踪是一项具有挑战性的工作，目前没有一种通用的跟踪算法能够准确跟踪任何环境下的运动目标，所以目标跟踪方法有很大的提升空间，对目标跟踪的研究是一项非常有意义的工作。本文将对目标跟踪的基本算法进行详细的介绍。 　　1 目标跟踪算法 　　1.1 基于Mean Shift（均值偏移）的目标跟踪算法 　　Mean Shift算法第一次是由Fukunaga和Hostetle在1975 年提出的，他们的文章是关于概率密度梯度函数的估计的，它是一种无参估计算法，Mean Shift是一个不断进行迭代的循环，通过不停的迭代过程寻找到跟踪目标的下一个位置。简单来说，Mean Shift算法过程就是首先计算起始点的偏移的均值，给定一个初始点，核函数和容许误差，得到的数值就是目标移动的距离，然后通过迭代方法，沿着概率密度函数的梯度方向不断的移动，最终收敛于一个局部密度的峰值。 　　Mean Shift算法计算简单，对目标的形状变化、尺度变化有一定的适应性，效率较高，分析结果的可靠性越高跟踪的鲁棒性越好。但是这种算法只是一种局部优化的方法，当目标颜色与背景颜色相近或者跟踪目标的距离较远时，跟踪效果不够理想，可能出现丢失跟踪目标的现象。 　　1.2 基于Kalman（卡尔曼）滤波器的目标跟踪算法 　　1960年Rudolph E. Kalman发表了关于用递归方法解决离散数据线性滤波问题的论文，从那以后，Kalman滤波算法逐渐被推广使用。如今，Kalman滤波广泛应用在机器人导航、军事雷达系统和导弹追踪等领域。近年来Kalman滤波被应用于数字图像处理，例如人脸识别、目标跟踪等。卡尔曼滤波器是一种用于时变线性系统的递归滤波器，它包括预测下一个状态和更新当前状态，通过对这两种状态进行递归和反复的计算，通过一系列递归数学公式，计算出最小预测估计均方误差值。 　　Kalman滤波算法是一个最优化自回归数据处理算法，这种算法跟踪成本较低，计算量小，实时性强，效率较高，预测结果稳定，它不需要保存先前的数据，当进行新的测量时也不需要对原来数据进行处理，所以很容易实现，但是它只适合于零均值白噪声的系统，也就是线性高斯系统。 　　1.3 基于粒子滤波器（Particle Filter）的目标跟踪算法 　　粒子滤波在上世纪90年代后期才发展起来，是一种基于贝叶斯估计理论和蒙特卡罗理论的实时推理算法。其基本思想是用随机样本描述概率分布，以递归的方式对测量数据进行序贯处理，粒子权值的大小和样本的位置用测量数据来调节。这种方法是把概率密度函数用一组随机样本来表示，用样本均值代替积分运算，进而获得系统状态的最小方差估计的过程，这些样本被形象的称为“粒子”，所以叫粒子滤波。 　　这种跟踪算法的粒子滤波较为灵活，并且可以能够并行化。用粒子滤波器跟踪过程中，在很大程度上能够维持目标的假设状态，在跟踪目标被遮挡或者跟踪的目标运动速度较快时，用这种算法能够较好的跟踪。粒子滤波器算法能够解决非线性、非高斯动态系统问题。但是这种算法跟踪时需要大量样本，重采样阶段会出现样本贫化现象，导致算法的复杂度高，实时性差。 　　1.4 其他目标跟踪算法 　　除了以上介绍的三种经典算法外，还可以进行多算法框架融合使用，还有PDF（概率数据关联）算法、JPDF（联合概率数据关联）算法、基于模板匹配算法等，以提高跟踪的可靠性和准确性。近年来，新的目标跟踪算法越来越受到了