几种自动目标跟踪算法比较研究.docVIP

几种自动目标跟踪算法比较研究 　　摘 要：复杂背景目标跟踪是近年来自动目标识别（ATR）领域的一个研究热点，在军事、医疗、安全等多个领域具有广泛的应用前景。ATR的研究内容主要包括目标的检测分类、特征提取和目标定位识别等。本文对当前流行的目标跟踪算法进行了全面的分析比较，最后对目标跟踪算法的进一步研究方向进行了深入的探讨。 　　关键词：目标跟踪；粒子滤波；自动目标识别 　　1 引言 　　目标跟踪（Target Tracking）是近年来计算机视觉领域最活跃的研究方向之一，它包含从目标的图像序列中检测、分类、识别、跟踪并对其行为进行理解和描述，属于图像分析和理解的范畴。从技术角度而言，目标跟踪的研究内容相当丰富，主要涉及到模式识别、图像处理、计算机视觉、人工智能等学科知识；同时，动态场景中运动的快速分割、目标的非刚性运动、目标自遮挡和目标之间互遮挡的处理???问题也为目标跟踪研究带来了一定的挑战。 　　由于目标跟踪在视频会议、安全监控、军事制导、医疗诊断、高级人机交互及基于内容的图像存储与检索等方面具有广泛的应用前景和潜在的经济价值，从而激发了国内外广大科研工作者浓厚兴趣，尤其在美国、英国等国家已经开展了大量相关项目的研究。 　　2 目标跟踪算法的比较 　　视觉目标跟踪是指在视频图像序列的各帧图像中找到被跟踪的目标。目标跟踪算法具有不同的分类标准，可根据检测图像序列的性质分为可见光图像跟踪和红外图像跟踪；又可根据运动场景对象分为静止背景目标跟踪和运动背景下的目标跟踪。本文依据被跟踪目标中提取的不同特征来阐述不同的目标跟踪算法。 　　1）基于区域的目标跟踪算法。基于区域的跟踪的基本思想是通过图像分割或预先人为确定，提取包含着运动目标的运动变化的区域范围作为匹配的目标模板，然后把目标模板与实时图像在所有可能位置上进行叠加，然后计算某种图像相似性度量的相应值，其最大相似性相对应的位置就是目标的位置，Jorge等人提出的区域跟踪算法不仅利用了分割结果来给跟踪提供信息，同时也能利用跟踪所提供的信息改善分割效果，把连续帧的目标匹配起来跟踪目标。 　　由于基于区域的目标跟踪算法用的是目标的全局信息，比如灰度、色彩、纹理等。因此当目标未被遮挡时，跟踪精度非常高、跟踪非常稳定，对于跟踪小目标效果很好，可信度高。但是在灰度级的图像上进行匹配和全图搜索，计算量较大，非常费时间，所以在实际应用中实用性不强；其次，算法要求目标不能有太大的遮挡及其形变，否则会导致匹配精度下降，造成运动目标的丢失。 　　2）基于特征的跟踪算法。基于特征匹配的跟踪方法不考虑运动目标的整体特征，通过有目的的提取序列图像中的过零点、边缘轮廓、线段等相关特征或是部分特性，并建立匹配模板，对目标对象进行特征匹配，达到对目标对象跟踪的目的。假定运动目标可以由惟一的特征集合表达，搜索到该相应的特征集合就认为跟踪上了运动目标。除了用单一的特征来实现跟踪外，还可以采用多个特征信息融合在一起作为跟踪特征。该算法主要包括特征提取和特征匹配两个方面。其中，特征提取指的是针对所包含的目标对象的序列图像选择合适的目标跟踪特性，然后在下一帧采集的图像中对目标对象进行特征提取；特征匹配的过程既是将提取出来的目标对象的特征与我们事先已经建立的特征模板进行匹配，通过与特征模板的相似程度来确定被跟踪的目标对象，实现对目标的跟踪。 　　基于特征的跟踪算法的优点在于速度快、对运动目标的尺度、形变和亮度等变化不敏感，能满足特定场合的处理要求。但由于特征具有稀疏性和不规则性，所以该算法对于噪声、遮挡、图像模糊等比较敏感，如果目标发生旋转，则部分特征点会消失，新的特征点会出现，因此需要对匹配模板进行更新。 　　3）基于活动轮廓的跟踪算法。基于活动轮廓的跟踪是利用可以自动更新的封闭轮廓曲线来表示目标并实现对目标的连续跟踪。目标活动轮廓模型跟踪算法的主要思想是首先通过活动轮廓模型将图像进行分割，然后通过对分割的图像区域进行特征提取并与目标进行特征匹配来实现跟踪。活动轮廓由于具有很强的数学理论性以及有成熟的数值实现方案 ，目前成为计算机视觉中一个研究热点。活动轮廓最早是由Kass等人提出 ，目前已广泛应用于计算机视觉的各个研究和应用领域，包括边缘提取、图像分割和运动目标跟踪等。 　　基于活动轮廓跟踪的优点是不但考虑来自图像的灰度信息， 而且考虑整体轮廓的几何信息， 增强了跟踪的可靠性。由于跟踪过程实际上是解的寻优过程， 带来的计算量比较大，而且由于Snake模型的盲目性，对于快速运动的物体或者形变较大的情况， 跟踪效果不够理想。 　　4）基于Mean shift的跟踪算法。均值漂移（mean shift）是Fukunage等人于1975年提出的一种非参数概率密度估计算法，可以通过迭代快速的收敛于概