运动目标跟踪方法

2024-09-27

运动目标跟踪方法（精选13篇）

1.运动目标跟踪方法篇一

基于光流场技术的复杂背景下运动目标跟踪

针对光电经纬仪在飞机起飞着陆段跟踪角速度大、背景复杂的.情况,根据小波多分辨率技术,提出利用小波分层组成低频图像金字塔,利用光流技术进行匹配解算,实现由粗到精的特征点匹配跟踪.通过对飞行试验视频图像进行事后自动跟踪试验,结果表明,该算法能够稳定可靠跟踪多特征点目标,具有鲁棒性.

作者：李宏杨廷梧任朴舟李朝晖 LI Hong YANG Ting-wu REN Pu-zhou LI Zhao-hui 作者单位：李宏,任朴舟,李朝晖,LI Hong,REN Pu-zhou,LI Zhao-hui(中国飞行试验研究院,陕西,西安,710089)

杨廷梧,YANG Ting-wu(中国飞行试验研究院,陕西,西安,710089;西安电子科技大学,陕西,西安,710072)

刊名：光电工程 ISTIC PKU英文刊名：OPTO-ELECTRONIC ENGINEERING年，卷(期)：33(10)分类号：V248关键词：特征点跟踪图像金字塔小波多分辨率分析光流场目标跟踪

2.运动目标跟踪方法篇二

视频中运动目标的跟踪技术在军事、民用交通检测等各个方面有着越来越多的应用。许多情况下,因为人们真正关注的是运动目标的信息,比如交通流量的检测、商场里的视频监控,以及军事上的入侵检测等等,这使得运动目标的跟踪成为视频处理的热点之一。然而,这个问题也是视频处理的难点之一,尤其许多视频是在摄像机运动的情况下拍摄的。

经过国内外长期的努力,视频运动目标检测与跟踪方面的研究已经取得了一定的进展。处理跟踪问题,常用且实用的方法之一有根据贝叶斯滤波得到的卡尔曼滤波法[1,2,3],这种方法在一定程度上解决了运动方式较简单情况下的跟踪问题,但该模型对视频及噪声的要求苛刻,适用性不强,无法胜任存在目标变形、遮挡和多目标等场合,且存在精度不够的现象。粒子滤波法[4,5,6,7]是贝叶斯估计的另一种应用,有效解决了适应性问题,这种方法通过随机采样来获得粒子,并用粒子之和来逼近连续的概率密度函数值。该方法得到了比较广泛的应用,但存在粒子退化的问题,目标丢失率也较高。MCMC方法[8,9,10,11,12,13]继承了粒子滤波的优点,用MCMC抽样取代传统的重点抽样,克服了粒子退化的问题,得到最广泛的应用。尤其是AMCMC(Added Markov Chain Monte Carlo)算法[14,15],作为一种改进的MCMC算法,不仅解决了MCMC方法不能跟踪个数变化目标的问题,也简化了其他改进MCMC算法的方法和步骤。

以上方法都一定程度上实现了视频运动目标跟踪,但是在背景运动的情况下,尤其是摄像机运动剧烈时,丢失目标的概率仍然很高。在本文中,通过结合代表摄像头运动的FOE[16,17,18,19],修正因摄像头运动引进的误差,有效解决了这个问题。

1MCMC粒子滤波跟踪算法

1.1贝叶斯统计算法

贝叶斯方法将未知参数看作是随机变量,使用先验概率和当前观测信息计算后验概率。其实质是用已有的信息来构造系统状态变量的后验概率密度,即通过得到的观测序列Z1:t来计算实际状态Xt。那么我们会得到不同的置信度p(Xt|Z1:t),从而得到Xt的最优估计。根据观察向量和已知的状态向量推导现在状态的预测方程为:

p(Xt|Z1:t-1)=∫p(Xt|Xt-1)p(Xt-1|Z1:t-1)dXt-1 (1)

根据贝叶斯理论,其更新方程为:

$p (X_{t} | Ζ_{1 : t}) = \frac{p (Ζ_{t} | X_{t}) p (X_{t} | Ζ_{1 : t - 1})}{p (Ζ_{t} | Ζ_{1 : t - 1})}$ (2)

由于观察过程是相互独立的,式(2)中p(Zt|Z1:t-1)可以归一化为一个常数,我们用C来代替它,然后将式(1)带入式(2),得到:

1.2基本粒子滤波

式(3)用于跟踪时,主要有两种情况,一种是在特殊确定的条件下,比如令所有的信号过程是线性和高斯的,我们可以直接求出最优估计,显然这种情况就是我们常见的卡尔曼滤波法。然而大部分信号过程并非是高斯白噪声作用下的线性过程,显然这种方法有很大的局限性。

粒子滤波法解决了这一问题,最先由Gordon提出,它为离散时间的递归滤波问题提供了一种近似的贝叶斯解决方法,其基本思想是构造一个基于样本的后验概率密度函数。这类方法通常称为粒子滤波器或序贯蒙特卡洛方法,它通过一组带权w $_{t}^{(i)}$ 的交互采样点X $_{t}^{(i)}$ 来近似求取式(3),即:

基本粒子滤波算法的一个主要问题是粒子退化,即经过几次迭代之后,差不多所有的粒子都具有负的权值,当大多数粒子的权重较小而只有少数粒子占有绝对性的权重时,经重采样后得到大量完全相同的粒子,粒子的多样性消失。

1.3MCMC算法

MCMC是在普通粒子滤波的基础上建立起来的,也是来自贝叶斯估计方程。对式(3),用马尔科夫链离散抽样来近似递归的贝叶斯滤波器的概率分布,可以得到:

式(3)变为:

MCMC算法是在目标数量固定不变的情况下,在贝叶斯多目标跟踪粒子滤波器(式(4))中,用MCMC抽样代替传统的重点抽样,产生N个不加权的粒子代替时刻的后验概率,即:

常用的MCMC实现方法是Metropolis-Hastings算法,其具体步骤为:

(1) 初始化马尔可夫链Xt(0),并对其迭代抽样,生成Nm+Nb个抽样,其中Nb是冗余的抽样个数,Nm是马尔可夫链达到收敛所需要的抽样个数。

(2) 从基于抽样n-1的提议分布q(X $_{t}^{*}$ /X $_{t}^{(n - 1)}$ )中产生一个提议抽样X $_{t}^{*}$ 。

(3) 计算接收率:

(4) 接收/拒绝判断。如果α≥1,接受提议抽样X $_{t}^{*}$ ,并把它加进马尔可夫链,即X $_{t}^{(n)}$ =X $_{t}^{*}$ ,否则提议抽样以概率α被接收。如果提议被拒绝,把前一个抽样作为当前抽样,即X $_{t}^{(n)}$ =X $_{t}^{(n - 1)}$ 。

2相机聚焦点的计算和作用

FOE 是指摄像机仅仅平移运动时,作为背景的像素点光流的交叉点。它是由于摄像机的运动造成的,代表着摄像机平移运动的方向,除了用来表示摄像头的运动方向外,它可以用来推算摄像头的运动方式,背景的运动方式等。

FOE的计算主要是利用光流场来完成的。由于密集光流场的计算复杂,并且在纹理稀疏的区域准确率明显不足,所以一般利用稀疏光流场来估算FOE。在取得角点和交点后,我们利用Lucas-Kanade算法来解决光流的计算问题。

在获得光流场后,以下推导如何计算FOE。在图1(a)的三维坐标中,Z轴代表着相机的光轴方向,也就是与成像平面垂直:X_Y轴与像平面是平行的。点P(X,Y,Z)表示三维空间中的一个点, p(x, y)是它在图像上的投影点。如果摄像头只存在平移运动,那么p点在图像平面上的运动场(光流场)可以表示为:

${\begin{cases} v x = \frac{Τ_{z x} - Τ_{x} f}{Ζ} \\ v y = \frac{Τ_{z y} - Τ_{y} f}{Ζ} \end{cases}$

(9)

式中,Tx、Ty和Tz分别表示三维平移运动在三个方向的分量,而f是摄像机的焦距。一般FOE定义为:

${\begin{cases} x_{0} = \frac{f Τ_{x}}{Τ_{z}} \\ y_{0} = \frac{f Τ_{y}}{Τ_{z}} \end{cases}$

(10)

于是式(9)可以表示成:

${\begin{cases} v_{x} = (x - x_{0}) \frac{Τ_{z}}{Ζ} \\ v_{y} = (y - y_{0}) \frac{Τ_{z}}{Ζ} \end{cases}$

(11)

这样还可以用光流分量来表示FOE坐标,同时消去Z:

vyx0-vxy0+vxy-vyx=0 (12)

写成矩阵形式:

$(\begin{matrix} v y_{1} & - v x_{1} \\ v y_{2} & - v x_{2} \\ ⋮ & ⋮ \\ v y_{Ν} & - v x_{Ν} \end{matrix}) (\begin{array}{l} x_{0} \\ y_{0} \end{array}) = (\begin{matrix} v y_{1} x_{1} & - v x_{1} y_{1} \\ v y_{2} x_{2} & - v x_{2} y_{2} \\ ⋮ & ⋮ \\ v y_{Ν} x_{Ν} & - v x_{Ν} y_{Ν} \end{matrix})$

(13)

通过计算稀疏光流场,最后作奇异值分解(SVD),就可求得FOE坐标。在实际应用中并非所有求得的光流场都能用来计算FOE,因为只有背景的部分才能代表摄像头的运动,所以我们只有选择合适的门限值,去除太大和太小的光流值,才能获得较准确的FOE坐标。图2给出一个求得FOE的示例,其中中心处大的圆点代表FOE位置。

3采用FOE的MCMC跟踪算法

我们知道,直接利用MCMC算法跟踪视频中运动目标有不错的效果,但是被用来跟踪基于运动摄像头拍摄的视频,往往会非常频繁出现目标丢失或者抖动混乱的情形。究其原因,是由于摄像头运动的加入,目标前后两帧中的位置偏离太大,超出了现有MCMC的搜寻范围,对抽样次数的需求量势必增多。如果该要求不能满足,经过几次误差积累,将导致目标丢失现象的发生。当然我们可以通过增加抽样次数,加长马尔科夫链来改善跟踪效果。但MCMC算法的计算量,主要集中在抽样的过程中,所以这样会使计算量大大增加。尤其是摄像头的运动速度是不定的,我们无法估算应该增加多少个抽样,才能正确地逼近目标位置的分布。若摄像头停止,增加的抽样次数被浪费掉,徒劳增加了抽样次数计算量。因为抽样次数在整个过程中一般是固定的,所以通过增加冗余抽样的方法有其局限性。至于抖动的产生,是因为目标在视频中的消失是需要一个过程的,当目标离开场景时,必须有一个判断的过程。所以目标离开,对其进行的采样不会立刻停止,这就使得目标采样会在目标原来位置进行一段时间的抖动。尤其是当两个目标非常近的时候,无论采用怎样精确的算法,误跟踪是不可完全避免的。

针对上述情况,当摄像头做平移运动时,我们首先计算背景角点和交叉点处的稀疏光流场,然后计算FOE。利用FOE的坐标位置,可以对目标在下一帧中的基本位置进行预测。并且,当目标位置速度相对于摄像头速度较小时,甚至可以忽略目标的运动,把目标的运动近似看成全部由摄像头的运动造成的。这样就可以对目标的位置有个基本的判断。

图3表示了预测的基本模型,假设目标在与摄像头运动方向垂直的平面上与光轴的距离为x,与摄像头的垂直距离为d,其在成像面上距离FOE的距离为x1。下一帧中,摄像头向后运动Δd,在极短时间内,假设光轴方向是不变化的,这样目标近似向前运动了Δd,在成像面上到FOE的距离为x2。由成像原理,可近似得到:

$\frac{x}{x_{1}} = \frac{d}{f}$ (14)

$\frac{x}{x_{2}} = \frac{d + Δ d}{f}$ (15)

假设摄像头即时速度为v,一帧的间隔时间为Δt,焦距为f。经过变换可得:

$Δ x = (\frac{v Δ t}{d + v Δ t}) x_{1}$ (16)

同理,若是摄像头向前运动,有:

$Δ x = (\frac{v Δ t}{d - v Δ t}) x_{1}$ (17)

以上情况是在假设目标不运动的情况下的运动模型,大部分情况是单摄像头且目标运动的,一般无法判断距离d,摄像头的速度v也是不易精确获得。本文中采用比较直观的方式:设定一个阈值,在目标物面积小于阈值的时候,这代表目标距离摄像头太远,其造成的影响可忽略;当面积大于阈值时,再利用目标位置与FOE的位置的距离和目标速度的估算,对目标位置进行修正。这样,二维坐标预测方程可简单表述成:

${\begin{cases} X_{t} = X_{t - 1} + a (X_{t - 1} - X_{f o e}) + Δ X \\ Y_{t} = Y_{t - 1} + a (Y_{t - 1} - Y_{f o e}) + Δ Y \end{cases}$

(18)

式中a代表着摄像头与目标的距离以及载体运动速度对位置的综合影响,在这是一个经验值。其正负表示了摄像头是向前还是向后运动。如果是前进中拍摄的,a为正值,代表摄像头运动促使目标发散;若摄像头向后运动,a为负值,代表摄像头运动促使目标像图像中心汇聚。整个式子表示由摄像头运动所引起的目标运动,处于和摄像头同一直线的目标所受影响较小,而在远离坐标点,也就是和摄像头所在直线较远的位置,受到的影响较大。通过这样一个修正,能对目标的基本运动分量进行预测,从而有效修正了目标位置。并且,预测值的加入,基本规定了运动目标的消失方向,有效减少了目标消失后,四处搜寻目标的现象。

Metropolis-Hastings算法,是MCMC实现的常用方法之一,该方法和FOE的结合方法,如图4所示。其右面代表了普通Metropolis-Hastings算法,左边代表FOE的计算过程。FOE与MCMC的结合,主要改变在抽样这一过程。抽样时,在预测位置处进行抽样。实际操作中,因为预测是不够精确的,所以加入一个随机函数,在一次抽样中,只对一部分的目标进行预测。以使结果更加准确,避免因为不精确预测引进误差。先根据摄像头的运动(FOE),对目标的位置进行一个简单的线性预测,然后在此基础上进行抽样。这样就消除了一部分因为摄像头运动带来的误差,有效地减少了目标跟丢的现象。

4试验结果

实验视频模仿海底潜艇拍摄海底生物,试验环境是PC机(Pentium 2.5GHz,内存1.99G)利用VS2005开发。视频图像的分辨率是320×240,是水下潜艇在高速运行的情况下拍摄的海底鱼类、海蜇以及其他生物,整个过程中潜艇向前运动。

图5和图6分别显示了未改进MCMC和改进后MCMC方法在同样条件下跟踪三个目标的过程。

由结果可见,在跟踪相同目标的情况下,未改进的方法出现了跟丢的情况,这是因为该视频是在摄像头前进的情况下拍摄的,目标运动幅度较大,可能会超过MCMC的搜寻范围。而与单纯的MCMC算法相比,本算法对摄像头的向前运动进行了预算,通过FOE估计目标在场景将要出现的位置,并在此位置处进行搜寻,得到了更为精确的跟踪结果。

在图5中,当有目标离开场景时,其并未引进标定框四处搜寻的现象。这说明本算法在一定程度上消减了目标离开场景时的抖动。除了上述效果,我们还发现在实现相同跟踪目的的情况下,能以较少的抽样次数,实现相同的目的,使程序运算速度加快。

5结语

本文介绍了一种在摄像头运动的情况下视频中运动目标跟踪的改进方法,通过计算代表摄像头运动的FOE和目标的平移分量速度,对运动目标的基本运动分量进行估计,达到对运动目标位置的修正与预测。在与AMCMC结合使用时,减少了目标丢失的数目,并有效消除了目标在边缘处抖动的情况。假如在能获得目标到摄像头距离的情况下,本算法能更精确地判定目标位置,进一步提高跟踪的准确性及稳定性。

3.空中机动目标跟踪算法浅谈篇三

关键词：空中；机动目标；跟踪算法

一、国内外研究现状

机动目标跟踪主要是根据运动目标在时间上的变化关系和空间上的变化关系实现运动目标的跟踪。例如，对于一个典型的雷达机动目标跟踪示意图下所示。

经典的机动目标雷达跟踪系统的输入参数为来自信息处理器和检测器的测量数据，通常对于雷达来说则是测量目标的距离、方位角等参数，输出参数为目标的实时运动轨迹。同时，目标跟踪系统又可分为单目标和多目标跟踪，其基本原理图分别如下所示：

二、目标运动模型研究现状

（1）匀速（Constant Velocity， CV）模型与匀加速（Constant

Acceleration， CA）模型。CV模型假设目标作匀速运动，目标的机动加速度分别服从均值为零，方差为σ2的高斯白噪声，该模型即为二阶常速度模型。CA模型假设目标作匀加速度运动，目标的机动加速度为一常数，其一阶导数服从均值为零，方差为σ2的高斯白噪声分布，该模型即为三阶常速度模型。（2）这一阶时间相关模型（Singer加速模型）。Singer模型采用有色噪声来描述目标的运动加速度，它假定运动加速度为一个平稳的时间相关随机过程，其统计特性服从均值为零、方差为的均匀分布。（3）半马尔可夫模型。Moose等人在研究了Singer模型之后发现该模型的零均值假设并不合理，提出了具有随机开关平均值的高斯白噪声。因此，半马尔科夫模型在Singer模型的基础上，提出了一个非零加速度u（t），用来改进Singer模型机动是零均值的假设，使得该模型在描述机动较大的目标时更为合理。（4）机动目标“当前”统计模型。20世纪80年代初，我国学者周宏仁在航空学报上发表了一篇题为《机动目标“当前”统计模型与自适应跟踪算法》。文中指出了在机动目标运动模型中状态（机动加速度）估值与状态噪声之间的内在联系，提出机动目标“当前”统计模型的概念并建议用改进的瑞利——马尔科夫过程描述目标随机加速机动的统计特征。（5）交互式多模型。该方法用马尔科夫过程描述模型之间的相互转化，同时考虑卡尔曼滤波输入输出均为加权的交互式算法。在该算法中，由若干个模型集组成的混合系统来描述被跟踪目标的运动状态，若干个模型同时计算，用每个模型的贝叶斯后验概率对滤波器的导入导出参数都进行计算。

三、目标跟踪算法研究现状

4.新的近距离红外目标跟踪算法篇四

新的近距离红外目标跟踪算法

提出了一种特征点匹配的近距离红外目标跟踪算法,该算法利用Harris算子提取目标的特征点,然后利用Hausdorff距离匹配帧间的`特征点集,为了减少噪声和杂点的干扰,还引入了特征点邻域相似性度量.该算法在目标出现尺度伸缩、位置平移、角度偏转的情况下仍有较好的匹配性能.实验证明了该算法的有效性和可行性.

作者：谭园园李俊山杨威 TAN Yuan-yuan LI Jun-shan YANG Wei 作者单位：第二炮兵工程学院计算机系,西安,710025 刊名：电光与控制 ISTIC PKU英文刊名：ELECTRONICS OPTICS & CONTROL 年，卷(期)： 14(3) 分类号：V249.3 TP391.4 关键词：目标跟踪匹配 Harris特征点 Hausdorff距离

5.运动目标跟踪方法篇五

数据关联是实现多目标跟踪的核心技术之一,也是实现多传感器信息融合的前提.本文采用改进的`模糊c-均值法求解关联概率,并通过在不同的传感器所对应的观测空间上建立多目标运动状态的投影,将单传感器数据关联算法推广到多传感器信息融合系统,从而可在密集杂波环境中实现对多目标的数据关联和精确跟踪.仿真实验结果说明了本文方法的有效性.

作者：韩红韩崇昭朱洪艳刘允才作者单位：韩红(上海交通大学自动化系,上海,30;西安交通大学综合自动化研究所,西安,710049)

韩崇昭,朱洪艳(西安交通大学综合自动化研究所,西安,710049)

刘允才(上海交通大学自动化系,上海,200030)

6.卫星轨迹跟踪控制的参数化方法篇六

卫星轨迹跟踪控制的参数化方法

在卫星轨迹控制系统的状态空间模型的基础上,通过分析卫星的轨道动力学方程,给出卫星轨迹跟踪控制问题的数学描述;基于线性系统的`特征结构配置和模型参考理论提出一种卫星轨迹跟踪控制的参数化方法,设计系统的反馈镇定控制器和前馈跟踪控制器.分别进行卫星悬停和绕飞两种指令下的仿真.仿真结果表明,提出的控制方案是行之有效的.

作者：段广仁谭峰张世杰顾大可 DUAN Guangren TAN Feng ZHANG Shijie GU Dake 作者单位：哈尔滨工业大学控制理论与制导技术研究中心,哈尔滨,150001刊名：空间控制技术与应用英文刊名：AEROSPACE CONTROL AND APPLICATION年，卷(期)：34(5)分类号：V448.2关键词：卫星轨迹跟踪参数化方法模型参考悬停绕飞

7.运动目标跟踪方法篇七

运动目标跟踪主要是通过分析图像(视频)序列,求出其中各运动目标的轨迹和速度,它在工业、交通、医学、军事、航空航天等领域均具有重要应用。跟踪的速度、精度和可靠性是衡量有关方法性能的主要指标[1]。Kalman滤波和Mean-shift(均值平移)是两种较常用和有效的目标跟踪方法。Kalman滤波通过迭代的预测(状态和误差协方差)、修正(增益、状态和误差协方差)等步骤,可以较精确地预测目标位置和匹配范围,对于较简单的场景可实现有效的跟踪,但无法胜任存在目标变形、遮挡和多目标等的场合[1,2,3]。Mean-shift跟踪将视频运动目标跟踪转化为模式最优匹配问题,配合对目标形态变化等不敏感的目标模式(如颜色分布直方图),可获得较好的跟踪稳定性。但因模式最优匹配的运算量较大,以整幅图像为操作对象的Mean-shift跟踪方法的跟踪速度较差[1,4,5]。

本文提出一种融合Kalman预测和Mean-shift搜索的运动目标跟踪新方法,利用Kalman滤波估计出运动目标在下一帧中最可能出现的位置,利用Mean-shift方法据此进行较小范围的搜索和目标匹配,从而可用较小的运算量获得较为可靠的跟踪效果,并且适用于较复杂的场景。通过实验证明了该算法的有效性。

1 Kalman运动跟踪方法

Kalman滤波器是在协方差估计误差最小的意义上最优的递归算法[2]。对于运动目标跟踪问题,以目标的位置和速度作为运动状态参数。因相邻两帧图像之间的时间间隔较短,目标运动状态的变化较小,故可假设目标在其间是匀速运动且目标大小是线性变化的。相应地,Kalman滤波器的状态方程定义为

$x (t) = A (Δ t) x (t - Δ t) + ω (t - Δ t) (1)$

其中,x(t)是t时刻的系统状态;A(Δt)是Δt时间内的状态转移矩阵;ω(t)是t时刻的估计误差。x(t)、ω(t)均为包括目标的位置、大小及其变化的8维向量:

$\begin{array}{l} x (t) = [x c (t), y c (t), x s (t), y s (t), x c' (t), \\ y c' (t), x s' (t), y s' (t)]^{Τ} (2) \\ ω (t) = [ω_{x c} (t), ω_{y c} (t), ω_{x s} (t), ω_{y s} (t), ω_{x c'} (t), \\ ω_{y c'} (t), ω_{x s'} (t), ω_{y s'} (t)]^{Τ} (3) \end{array}$

其中(xc, yc)表示目标质心位置,xs,ys分别代表目标外接矩形的宽度和高度,xc′、yc′分别表示Δt时间内目标在X轴Y轴方向上的速度;xs′、ys′代表Δt时间内目标外接矩形的宽度、高度的变化率。则状态转移矩阵A(Δt)为:

$A (Δ t) = [\begin{matrix} 1 & 0 & 0 & 0 & Δ t & 0 & 0 & 0 \\ 0 & 1 & 0 & 0 & 0 & Δ t & 0 & 0 \\ 0 & 0 & 1 & 0 & 0 & 0 & Δ t & 0 \\ 0 & 0 & 0 & 1 & 0 & 0 & 0 & Δ t \\ 0 & 0 & 0 & 0 & 1 & 0 & 0 & 0 \\ 0 & 0 & 0 & 0 & 0 & 1 & 0 & 0 \\ 0 & 0 & 0 & 0 & 0 & 0 & 1 & 0 \\ 0 & 0 & 0 & 0 & 0 & 0 & 0 & 1 \end{matrix}] (4)$

相应的Kalman滤波器观测方程是:y(t)=H(t)x(t)+v(t)。其中,y(t)是观测向量,v(t)是观测误差,H(t)是观测矩阵

$Η (t) = [\begin{matrix} 1 & 0 & 0 & 0 & 0 & 0 & 0 & 0 \\ 0 & 1 & 0 & 0 & 0 & 0 & 0 & 0 \\ 0 & 0 & 1 & 0 & 0 & 0 & 0 & 0 \\ 0 & 0 & 0 & 1 & 0 & 0 & 0 & 0 \end{matrix}] (5)$

为简便起见,假设估计误差ω(t)、观测误差v(t)均为零均值的正态白噪声序列,二者互不相关,且可分别用协方差矩阵Q、R来代表。从而可按照图1所示的迭代过程和公式[1,2,3],在初始化之后通过多次循环的预测、修正步骤,利用Kalman滤波来估计目标质心的位置和窗口大小。

2 基于颜色直方图的Mean-shift搜索

运动目标跟踪可以通过目标特征匹配的方式来实现。常用的匹配特征有目标的位置、大小以及形状、颜色等。由于待检测图像的直方图纪录的是颜色出现的概率,对目标形态变化不敏感,故将直方图作为目标模式,依据颜色分布进行匹配,可获得较好的跟踪稳定性[1,4,5]。

假设被跟踪目标是一个中心为Xc而窗口为h的矩形;目标在图像中的像素以{Xi}i=1,…,n表示;目标模型为m值的直方图,b:R2→{1,…,m};对于任一像素点Xi,b(Xi)是其对应的颜色直方图。考虑到目标像素会被遮挡或受到背景影响因而具有相对不可靠性,特引入核轮廓(profile) k(·),对目标内部的像素根据其位置不同而赋予不同的权值——距离目标中心越近的像素,其权值越大。这样,模型中颜色u的概率可以表示为:

$\hat{p}_{u} = C_{h} \sum k (∥ (X_{c} - X_{i}) / h ∥^{2}) δ [b (X_{i}) - u] (6)$

其中δ(·)是Δ函数;Ch是归一化的常数,从隐含条件 $\sum_{u = 1}^{m} \hat{p}_{u} = 1$ ,可得:

$C_{h} = \frac{1}{\sum_{i = 1}^{n} k (∥ (X_{c} - X_{i}) / h ∥)^{2}} (7)$

基于上述目标模型(m值直方图),设目标的离散密度函数估计为:

$\hat{q} = {\hat{q}_{u}}_{u = 1, \dots, m} (s . t . \sum_{u = 1}^{m} \hat{q}_{u} = 1) (8)$

在位置Xc上的候选目标密度函数估计为:

$\hat{p} = {\hat{p}_{u}}_{u = 1, \dots, m} (s . t . \sum_{u = 1}^{m} \hat{p}_{u} = 1) (9)$

则目标和候选目标的相似系数可以表示为:

$\hat{ρ} (X_{c}) = ρ [\hat{p} (X_{c}), \hat{q}] = \sum_{u = 1}^{m} \sqrt{\hat{p}_{u} (X_{c}) \hat{q}_{u}} (10)$

不失一般性,假设初始值 ${\hat{p}_{u} (X_{c, 0})}_{u = 1, . ., m} (\hat{p}_{u} (X_{c, 0}) > 0)$ 与候选目标 ${\hat{p}_{u} (X_{c,})}_{u = 1, . ., m}$ 之间没有很大变化。使用泰勒公式展开上式,并结合颜色u的概率公式可得:

$\begin{array}{l} ρ [\hat{p} (X_{c}), \hat{q}] \approx \frac{1}{2} \sum_{u = 1}^{m} \sqrt{\hat{p}_{u} (X_{c, 0}) \hat{q}_{u}} + \\ \frac{C_{h}}{2} \sum_{i = 1}^{n} ω_{i} k (∥ (X_{c} - X_{i}) / h ∥^{2}) (11) \\ ω_{i} = \sum_{u = 1}^{m} δ [b (X_{i}) - u] \sqrt{\hat{q}_{u} / \hat{p}_{u} (X_{c, o})} (12) \end{array}$

这样,目标匹配便等价于在当前帧中寻找使相似系数 $\hat{ρ} (X_{c})$ 最大的位置X*c,即式(11)中第二项(概率密度估计的加权和)的最大值点。为有效地求取Bhattacharyya系数 $ρ [\hat{p} (X_{c}), \hat{q}]$ 的最大值,特使用下述Mean-Shift迭代算法:

①在当前帧初始化其位置,并按式(6)、式(10)计算 ${\hat{p}_{u} (X_{c})}$ 、 $ρ [\hat{p} (\hat{X}_{c, 0}), \hat{q}];$

②按式(12)计算得到{ωi}i=1,…,n;

③由Mean-Shift向量,得到新的位置估计参数:

$\hat{X}_{c, 1} = \frac{\sum_{i = 1}^{n} X_{i} ω_{i} g (∥ (\hat{X}_{c, 0} - X_{i}) / h ∥^{2})}{\sum_{i = 1}^{n} ω g (∥ \hat{X}_{c, 0} - X_{i}) / h ∥^{2})} (13)$

④更新 ${\hat{p}_{u} (\hat{X}_{c, 1})}_{u = 1, \dots, m}$ ,同时计算 $ρ [\hat{p} (\hat{X}_{c, 1}), \hat{q}] = \sum_{u = 1}^{m} \sqrt{\hat{p}_{u} (X_{c, 1}) \hat{q}_{u}};$

⑤若 $ρ [\hat{p} (\hat{X}_{c, 1}), \hat{q}] < ρ [\hat{p} (\hat{X}_{c, 0}), \hat{q}]$ ,则 $\hat{X}_{c, 1} \leftarrow 1 / 2 (\hat{X}_{c, 0} + \hat{X}_{c, 1});$

⑥若 $| \hat{X}_{c, 1} - \hat{X}_{c, 0} | < e$ ,则停止迭代;否则 $\hat{X}_{c, 0} \leftarrow \hat{X}_{c, 1}$ ,返回到步骤①。

这样便可保证目标在当前帧中的新位置与前一帧中的估计位置之间的距离最小。

3 融合Kalman预测和Mean-shift搜索的运动目标跟踪新方法

由于Kalman跟踪方法和Mean-Shift算法各有优缺点且可优势互补,本文提出一种融合Kalman预测和Mean-Shift搜索的运动目标跟踪新方法。如图2所示,其处理流程可概括为:在发现新的目标出现后,先使用Kalman跟踪器估计出目标在下一时刻最可能出现的位置,再利用Mean-shift算法在以该估计位置为中心的窗口范围内搜索,以确定目标的最终位置。若Mean-Shift搜索是成功的,即Mean-shift迭代的终止条件 $| \hat{X}_{c, 1} - \hat{X}_{c, 0} | < e$ 成立,则将Mean-shift跟踪的结果作为Kalman跟踪器的观测值,参与下一时刻目标运动的估计。

在上述跟踪框架下,我们主要关心目标的质心坐标和大小的运动信息。因此,Kalman滤波器的观测值是由该目标的Mean-shift跟踪器(而非Kalman滤波器)给出。Kalman跟踪器估计出的该目标运动信息,被当作下一时刻该目标Mean-shift迭代的初始值。同时Mean-shift返回目标精确的观测值。这里目标初始的质心位置参数和搜索窗口大小由该目标的Kalman运动估计器给出。这样,既能有效缩小Mean-shift算法搜索范围,又能可靠的更新目标的特征数据,以适应目标在运动过程中发生的旋转和遮挡等引起目标特征的变化。

4 实验与讨论

运用上述算法对实际视频目标进行了多组实验[1]。图3所示是针对某足球比赛录像片段的实验结果,在中线附近的一名运动员被选作跟踪目标。从中可以看出,本文算法可以有效地跟踪视频运动目标,跟踪精度高于单纯的Kalman滤波跟踪。更多的实验结果表明,与单纯的Mean-shift跟踪相比,本文算法的跟踪速度平均提高了2.8倍以上。

5 结语

为了提高视频运动目标跟踪的精度和速度,本文提出了一种融合Kalman预测和Mean-shift搜索的新方法。实验结果表明,该算法可以有效地实现跟踪,且跟踪精度高于典型的Kalman滤波跟踪算法,而跟踪速度显著优于典型的Mean-shift跟踪算法。该算法的DSP实现和优化是需要继续研究的问题。

参考文献

[1]赵俊.智能视频监控系统关键技术研究[D].西安:西安电子科技大学,2006.

[2]Kalman R E.A new approach to linear filtering and predictionproblems[J].Transactions of the ASME-Journal of Baisc En-gineering,1960,82(1):35-45.

[3]Jang Dae-Sik,Kim Gye-Young,Choi Hyung-Il.Kalman filterincorporated model updating for real-time tracking[C].Proc.1996 IEEE TENCON,Digital Signal Processing Applications,1996:878-882.

[4]Comaniciu D,Ramesh V,Meer P.Real-Time tracking of non-rigid objects using mean shift[C].Proc of the IEEE Conf.onComputer Vision and Pattern Recognition(CVPR),2000:142-149.

8.运动目标跟踪方法篇八

经常我们在开发一个新的潜在客户的时候，都须要对潜在客户进行多次的跟踪回访的，但问题是，如果整天不停的打电话给客户，客户会非常反感，但如果隔了比较长时间才回访客户的话，客户往往就会把我们给忘了，所以，怎样抓住客户回访的时机成了有效跟踪客户的一个非常重要的问题了。

我曾看过“扩散团队营销系统KSM!”运用到了人类记忆储能曲线所设计成的一个客户跟踪曲线，非常有效的解决了以上的问题：用最少的电话联系次数、在最必要的时刻联系客户，并且要达到最好的效果，甚至是刚刚好在客户想要购买产品的时候我们就出现了过程是这样的：

在与一个陌生的客户用电话联系的过程中，首先会有第一次打电话，接下来也会有第二次、第三次、第四次、更多，

。。，这一条曲线表明：随着我们与客户联系的次数增多，客户对我们的印象的保留程度也跟着上升，这就是心理学上分析出来的人类记忆储能曲线。心理学统计的结果表明，在我们第一次给一个陌生的客户打电话后，非常有必要的是：在24小时之内我们必须对他进行回访，否则，他很容易就会把我们忘了，这样，我们第一次对他的联系成本就浪费了，接下来应该在3天后回访他，运用跟不运用这种极限点的效果是完全不一样的：比如我在这个极限点上回访这个客户，他的反应是：“哦，你是奇迹公司的edward吧，我记得，你上次传来的资料还在这。。。”，说明客户对我的印象还很深;如果你不知道这个极限点，可能你在6号或7号才去打电话给他，他的反应可能是：“Ha?你是谁啊?什么?你打过电话吗?。。。”，惨了，他已经切底把你忘记了，那你前面两次联系他的功夫也切底白做了。所以，特别是在开发潜在客户的时候，懂得抓住这些记忆储能的极限点是非常关键的。

9.机载雷达从地杂波中检测运动目标篇九

机载雷达从地杂波中检测运动目标

提出了将变抽样率处理技术应用于机载雷达下视探测,以从地杂波中检测运动目标的方法.首先分析了信号模型,针对这一模型,讨论了变抽样率处理技术应用问题,最后进行了仿真,仿真结果,表明该方法可行.

作者：王盛利朱力 WANG Sheng-li ZHU Li 作者单位：南京电子技术研究所,江苏,南京,210013刊名：航空学报 ISTIC EI PKU英文刊名：ACTA AERONAUTICA ET ASTRONAUTICA SINICA年，卷(期)：21(5)分类号：V243.2 TN957.51关键词：地杂波变抽样率机载雷达下视运动目标

10.运动目标相关跟踪算法的研究篇十

相关跟踪算法[1]是将包含目标的模板图像在待匹配图像上以不同的偏移值位移,根据相关函数逐像素计算模板图像和待匹配图像间的相似程度,相关函数取得最大值的位置就是目标位置。由于此跟踪方法不需要对图像进行分割,也不需要提取目标的特征,只需在原始图像数据上进行运算即可,保留了图像的全部信息,所以在许多复杂环境场景中是一种切实可行的目标跟踪方法。因此,相关跟踪算法在跟踪系统中得到了广泛的应用。常见的相关跟踪算法有平均绝对差分法(MAD)、序贯相似性检测算法[1](SSDA)、最大近邻距离[2,3](Maximum Close Distance,MCD)相关匹配算法等。MCD算法因运算量较小,不受个别噪声点的影响成为应用广泛的方法。

在对目标的跟踪过程中,如果对每一帧图像的每个位置都要计算模板图像和它的匹配值来确定目标的位置,计算量太大,不能满足跟踪系统对实时性的要求。一种简化匹配过程的常用方法是根据目标前面的运动信息去预测当前位置,这样可缩小搜索范围,减少目标跟踪中的计算量,提高跟踪的稳定性和抗干扰性。

1 MCD算法

MCD相关算法是结合平均Hausdorff距离算法和最小绝对差分法两种算法的思想定义的一种图像间的相似性度量函数。

设模板图像A的大小为M× N,那么它和任一同样大小的图像B的近邻距离为:

其中:

该算法原理为:首先比较待匹配的两幅图像对应点的灰度绝对差,如果这个绝对差小于某个确定的阈值(这个阈值由实验观察得到,经验表明,该值取10~20 之间比较合适),就可以认为这两点近似;然后统计整幅图像区域中对应点像素绝对差小于这个阈值的数目,就可以确定这两幅图像的相似程度,把这个数目定义为MCD距离。MCD距离越大说明两幅图像越相似。

将该算法应用到图像匹配上时,让模板图像在包含目标的每帧图像内移动,计算每个位置的MCD距离,统计得到整幅图像的一个相关曲面,这个曲面的峰值就是最佳匹配位置。

可见,MCD相关算法用于图像匹配时,目标图像中只有那些与模板图像相近的像素点才被用于匹配度量,而那些与模板图像像素相差很大的点被抛弃。因此,该算法避免了传统相关匹配算法中由于噪声点引起的相关曲面不突出的缺点。

在对目标跟踪过程中,目标模板维系了整个跟踪的动态过程。在跟踪过程中由于目标的运动,视场内目标的大小、形状会发生变化,因此,在跟踪过程中模板图像要做到自动地调节变化。同时由于目标的运动,背景也会不断变化,实际图像会伴随出现变形、旋转、噪声、遮挡等变化。因此在对目标跟踪过程中需要对目标模板进行合理更新,以提高跟踪的稳定性。选择合适的模板更新策略,可以在一定程度上克服这些变化对跟踪效果的影响。

2 运动预测原理

运动预测是利用目标在运动过程中具有轨迹连续性的特点,首先根据目标过去的跟踪点位置信息预测当前位置,然后在预测跟踪点周围一定范围内进行细致的匹配搜索。可见,运动预测缩小了匹配范围,减少了计算量,在一定程度上还能减少噪声对跟踪的影响,保证了匹配的稳定性和抗干扰性。

常用的预测方法有:线性预测、平方预测、综合预测、卡尔曼(Kalman)滤波[4]、粒子滤波等。综合预测是线性预测与平方预测的加权组合,同时具有二者的优点,综合预测器的表达式为:

式中:为线性预测器表达式;为平方预测器表达式;w(k) 为加权函数,满足。

权函数w(k) 的构造方法可根据实时测得的线性预测器和平方预测器的误差来构造。综合预测器的预测值为:

三点线性预测器能够较好地预测目标的快速机动情况,五点二次平方预测器具有一定的平滑作用[5],将二者加权组合得到综合预测器的表达式。用综合预测器取得目标的预测位置后,再根据匹配信息在预测点的周围一定范围内进行匹配,以此确定当前帧的实测位置,这比在待搜索图像中遍历搜索然后再确定目标匹配点位置大大减少了计算量和匹配时间。

3 综合预测在MCD算法中的应用

MCD算法的优点在于计算量小,并且不受个别噪声点的影响;自适应模板的修正策略可以在一定程度上克服实际图像的变形、噪声、遮挡等变化。研究过程中发现,正常情况下此方法可以实现稳定的跟踪,但当目标的状态变化较大时,跟踪效果不理想。所以想到在更新之前采用运动预测目标可能出现的位置对模板更新进行约束。通过对几种预测器的详细分析可知:综合预测器的运算量不大,用于跟踪不会影响跟踪系统对实时性的要求,用它预测目标的位置,预测值较接近于真实值。本文对MCD算法做了改进,提出了加入更新和预测的相关跟踪算法——基于MCD距离的自适应模板修正策略和基于综合预测器的相关跟踪算法,并且分别让线性预测和平方预测与MCD算法结合,对同一序列图像进行跟踪,通过仿真实验对这三种预测器的性能进行了验证、比较。

4 仿真实验结果

仿真实验对一组红外序列图像进行跟踪。基于线性预测、平方预测的算法跟踪如图1 所示,基于综合预测的MCD算法跟踪如图2 所示。

对比图1,图2 可以看出:在抗干扰能力方面,线性预测跟踪遇到类似目标时跟踪受干扰,模板发生了漂移,如第55 帧图;综合预测跟踪不受类似目标的干扰,抗干扰能力明显强于线性预测跟踪。在抗遮挡能力方面,线性预测跟踪在目标被部分遮挡时,模板就一直漂移,直到目标完全出现才能稳定跟踪;平方预测跟踪在目标被遮挡一小部分时跟踪稳定,在第59 帧目标被进一步遮挡时,模板发生了漂移,直至目标大部分出现时才正确跟踪;综合预测跟踪由图2(b)和图2(c)可看出目标部分被遮挡或全部被短暂遮挡时跟踪仍能稳定进行。由此可见,线性预测跟踪的抗遮挡能力最差,平方预测跟踪稍好一点,综合预测跟踪的抗遮挡能力最强。

5 结语

MCD跟踪算法运算量较小并且不受个别噪声点的影响,因此成为运动目标跟踪中的常用方法。如果在匹配过程中根据目标前面的运动信息去预测当前位置,这样可缩小搜索范围,减少目标跟踪中的计算量,提高跟踪的稳定性和抗干扰性。本文采用综合预测器与MCD相结合的方法对红外序列图像进行仿真跟踪。仿真结果表明:在目标运动轨迹变化不是太大的情况下,即使目标部分被遮挡或全部被短暂遮挡,该算法仍能准确预测出目标下一时刻的位置,表明该算法的稳定性。类似目标的干扰对跟踪没产生影响,表明该算法还具有一定的抗干扰性。

参考文献

[1]张万清.飞航导弹电视导引头[M].北京:宇航出版社,1994.

[2]ZHANG Guilin,REN Xianyi,ZHANG Tianxu.Correlation tracking using a novel distance measurement as feedback[J].Infrared and Laser Engineering,2003,32(6):47-53.

[3]罗诗途,张玘,罗飞路,等.基于自适应模板修正的相关跟踪方法[J].仪器仪表学报,2004,25(4):633-635.

[4]张贤达.现代信号处理[M].2版.北京:清华大学出版社,2002.

[5]安建虎.相关跟踪与特征匹配技术研究[D].沈阳:中国科学院沈阳自动化研究所,2002.

11.运动目标跟踪方法篇十一

过去较低的计算能力限制了复杂的、实时性的视频处理应用, 导致许多机器视觉系统实时性太差难以投入实用或者对于实际的工况过多的限制条件。近年来随着硬件计算能力的提升, 研发人员越来越多的考虑采用更加复杂、健壮的数学模型完成流数据的实时分析。在安防领域, 一个健壮的系统不能过度依赖摄像机安装位置, 而应该对出现在场景中的目标具有自适应性并且对于光照效果不能要求苛刻。它应该有能力处理来自于工作区域、视场目标重叠、阴影、光线变化条件下的各种目标运动信息。

建立在线混合模型

一般方法中对于某个高斯分布中的像素数值全部进行建模, 而本文仅对作为混合高斯模型的特定像素点进行建模。基于混合高斯分布中每个高斯函数的持续性和变化性, 我们获取某个对于背景模型颜色反应最强的分布。不符合背景高斯模型的像素值被划归为前景, 直至存在某个分布对于该像素点具有充分的和持续性的概率判断才将其划归为背景模型点。

在线混合模型中, 我们称在一定时间段上的特定像素为一个像素过程, 所以像素过程是对应于一串时间序列的像素值, 例如灰度图像的梯度和彩色图像的向量。在任何时间点, t对应于一个特定的像素点{x0, y0}, 有下式, 其中I代表视频帧序列:

每个像素点的值代表它自身与其沿光流通路所接触的第一个目标的一种度量, 假如背景和光照是静态的则其值是相对常量。而采样过程中存在的独立的高斯噪音, 其密度函数可以由均值的高斯分布来描述。一般来说对于背景模型的支持要有大量的数据, 但是不同目标的颜色值往往是不同的。针对每个像素点的前几帧数值{X1, …Xt}, 我们采用K个高斯分布进行建模, 可以得到当前像素点的概率值为:

其中, K为高斯分布的数量, Wi, t为第i个高斯分布在时间t的权重系数估计值, Ui, t为第i个高斯分布在时刻t的均值, sum (i, t) 是第i个高斯分布在时刻t的方差, u为高斯概率密度函数:

其中K由计算机可用的内存量和计算能力决定, 取值范围3~5。另外由于计算的原因, 协方差矩阵采用如下的形式:

这样存在一个前提是RGB三色具有独立的数值并且具有相同的方差, 但是这个前提在实际中不一定总存在, 这样就使得我们做一个相当耗费CPU的矩阵求反从而丧失了精度。

背景模型近似

当每个像素点对应的混合高斯模型参数变化时, 我们想要得知哪个高斯分布最优可能是背景过程产生的, 这个问题转化为寻找一个可能性最大而且方差最小的高斯分布。当一个新的目标出现在视场中时, 一般来说它与当前的分布是不匹配的, 而解决办法有两种, 其一是建立一个新的分布, 其二是增大现有分布的方差值, 并且运动目标的方差值要比背景模型的方差值大, 直至运动目标停止。为了对此过程建模, 首先对高斯分布进行编码, 在对混合高斯模型的参数进行重新近似之后, 就很容易将最大可能分布从背景模型分布中分离出来, 因为只有匹配到的数值发生了改变。这样的对分布进行排序是一种有效的, 端部开放的列表, 其中最大可能的背景模型分布在顶部, 这样背景模型的近似就可以用下式表达:

其中, T为背景模型中符合匹配规则的像素点数目。如果T值选择的较小, 背景模型的高斯分布往往是单峰的, 也即一般顶部的分布为最大近似分布;如果T的值选择的比较大, 则算法对于微小且长时间的视场变化会敏感, 例如旗帜的飘动, 水波等等, 会形成背景混合高斯模型的多峰分布。

结语

12.运动目标跟踪方法篇十二

临港开发区监察审计局姚广

政府投资项目全过程跟踪审计就是审计机关运用现代审计方法，对建设项目决策、设计、监理、施工、竣工结算等全过程的技术经济活动的真实性、合法性和有效性进行审计监督，以维护国家、业主及相关单位的合法权益，有效控制和如实反映工程造价，促进管理和廉政建设，提高投资效益。如何通过审计手段将工程造价控制在设计概算范围内至关重要。

一、政府投资项目全过程跟踪审计的意义

近年来，建设项目全过程跟踪审计作为控制工程造价、加强工程管理的一种新方法已逐渐被应用到建设项目审计监督中。建设项目全过程跟踪审计是由事后结算审计向事前、事中全过程延伸的一种审计方法。这种方法使整个工程实施处于审计监督之下，能有效地克服事后审计的局限性，在促进相关管理单位提高投资效益方面发挥重要作用，更好地达到控制造价、规范管理的目的，并可以从源头上遏制工程建设领域的腐败，充分发挥审计监督“免疫系统”功能。

二、政府投资项目全过程跟踪审计的主要内容

（一）在建设项目前期准备阶段。一是检查建设项目的审批文件，包括项目建议书、可行性研究报告、环境影响评估报告、概算批复、建设用地批准、建设规划及施工许可、环保及消防批准、项目设计及设计图审核等文件是否齐全。并对项目设计的合理性和效益性进行监督和评价。二是检查招投标程序及其结果是否合法、有效。三是检查与各建设项目相关单位签订的合同条款是否合规、公允，与招标文件和投标承诺是否一致。四是检查建设项目的资金来源是否落实到位、是否合理、是否专户存储，建设资金能否满足项目建设进度的需要。

（二）在建设项目施工阶段。一是检查履行合同情况。检查与建设项目有关的单位是否认真履行合同条款，有无违法分包、转包工程。如有变更、转让或终止情况，应从审批程序和实质两个方面检查其真实性、合法性和效益性。二是检查项目概算执行情况。检查有无超出批准概算范围投资和不按概算批复的规定购置自用固定资产，挤占或者虚列工程成本等问题。三是检查内控制度建立、执行情况。检查建设单位是否建立健全并执行了各项内控制度。如压证施工制度；工程签证、验收制度；设备材料采购、价格控制、验收、领用、清点制度；费用支出报销制度等。四是检查工程设计变更必要性和合理性，是否程序合法、合规。五是检查施工现场签证手续是否合理、合规、及时、完整、真实。六是检查建设资金是否专款专用。是否按照工程进度付款，有无挤占、挪用建设项目资金等问题。防止出现超付工程款现象。七是加强设备、材料价格控制，尤其要对建设单位关联企业所供设备、材料的价格进行检查。

（三）建设项目竣工验收后工程结（决）算审查。一是工程量的审查。工程量是工程造价计算的基础，工程量的准确程度是影响竣工结算的重要因素之一，实际工作中工程量也是施工单位多计工程造价的主要手段，因此审计人员要对工程量进行重点审查。二是材料价格合理性的审查。重点审核主要材料的单价是否合理，质量是否达标，防止施工单位以劣充好，抬高材料价格。三是审查隐蔽验收记录和设计变更及各种经济签证是否真实，防止施工单位事后补办签证或虚假记录的发生。

三、政府投资项目全过程跟踪审计的主要方法

（一）应在建设项目正式立项时，即将其纳入审计视野，关注其各项前期准备工作。

（二）审计组应在项目现场设立办公场所，与被审计单位建立定期例会制度，参加被审计单位的重要例会，及时了解、掌握项目有关情况，提出审计意见，并且作好会议记录。

（三）要重视做好审计宣传和沟通工作，使被审计单位了解跟踪审计的程序、内容及应配合的要求，自觉接受审计。

（四）审计组成员应经常深入施工现场，掌握工程进展、变更等真实情况，了解工程建设中涉及的有关技术问题，熟悉工程计量规则及有关费用的测算办法，并且作好相关记录。一是确定现场监督重点。在项目施工中，某些单位工程、分部分项工程的施工方法和措施，对工程质量、投资及施工安全有较大影响，事后又无法审计取证的，应把其施工过程确定为审计重点。二是对主要的施工管理活动进行审计。目的是便于掌握工程项目的整体情况，并在不影响施工进度和施工程序的情况下，对投资、进度、质量控制情况进行审计。主要包括单位工程以上的工程验收、隐蔽工程隐蔽前的验收、图纸会审、现场技术交底、设计变更的审查、工程建设例会、特殊情况下召开的与工程建设有关的会议、主要材料和设备的进场清点检验、材料实验（化验）的取样及委托等。三是设置施工停审点。它设定于工程施工的连续两道工序之间，即在某项工序完成，各项检验、验收手续已经履行，下道工序开始之前。设置施工停审点的主要目的是对建设管理、监理等工程建设有关各方的职能发挥和职责履行情况进行抽查审计，同时也可解决一些事后审计的难点和疑点问题。

（五）及时发表审计意见。对跟踪审计发现的一般性问题，有关单位立即主动整改的，以及对施工进度安排、施工组织等方面的审计意见，审计人员可用口头的形式向有关单位和部门发表审计意见，并视其重要程度在事后补做审计纪录；对因质量问题需要停工、返工和对施工方案及投资、进度、质量控制措施等

13.运动目标跟踪方法篇十三

运动目标跟踪是计算机视觉领域研究的重要内容,是视频分析与理解的基础。常见的目标跟踪算法有:模板匹配法、粒子滤波[1]和均值漂移[2]以及多种算法融合。

颜色特征由于对目标旋转和姿态变化不敏感以及计算简单等优点,得到了广泛的应用。典型的基于颜色的跟踪算法是均值漂移算法[2],但其采用颜色特征这样一种较弱的目标描述方法,当目标和背景颜色分布相似或者光照不稳定时,逐渐产生累积误差,且该算法采用固定核宽窗,不能自适应更新窗口大小,易导致跟踪失败。

SURF特征[3]是一种基于尺度空间的,对图像平移、旋转、缩放、光照等保持不变性的图像局部不变特征,在可重复性、鲁棒性和可分辨性上优于SIFT[4]等其他方法。它在图像配准、摄像机标定等领域得到广泛应用。目前也有少数学者将SURF特征运用到目标跟踪中。例如,文献[5]构造特征运动模型,并使用在线EM算法来对模型参数学习更新,以及利用极大似然法来估计目标运动,但当没有足够目标特征点时容易跟踪失败。文献[6]根据SURF特征点集之间的匹配来跟踪目标,但当目标较小、纹理单一时无法获得充足的特征点,跟踪易失败。

本文算法联合颜色特征计算简单和SURF特征描述能力强的特点,提出了一种基于算法融合的目标跟踪方法:首先采用基于颜色核直方图的均值漂移算法初步估计当前帧的目标位置;然后利用SURF特征点匹配跟踪算法精确定位目标尺度和中心位置;最后根据区域与模板之间的Bhattacharyya系数自适应选择较优的结果作为当前帧的跟踪结果。实验结果表明,本文算法能解决均值漂移算法跟踪过程中误差累积、窗口漂移、不能自适应调整跟踪窗口大小等问题,且当目标尺寸较小时也能实时、稳健地跟踪目标。

1 基于颜色特征的跟踪算法

1.1 颜色特征提取与目标描述

在第一帧中,通过手工选定目标或目标检测算法确定包含目标的跟踪区域,对该区域提取特征并建立目标模板模型。提取目标跟踪窗口中核函数加权下的的颜色直方图来描述目标。定义目标模板模型 $\overset{Λ}{q}$ 为: $\overset{Λ}{q} = {\overset{Λ}{q}_{u}}_{u = 1 ‚ \dots ‚ m}, \sum_{u = 1}^{m} \overset{Λ}{q}_{u} = 1 (1)$

则候选目标模型为:

$\overset{Λ}{p} (y) = {\overset{Λ}{p}_{u} (y)}_{u = 1 ‚ \dots ‚ m}, \sum_{u = 1}^{m} \overset{Λ}{p}_{u} = 1 (2)$

式(2)中: $\overset{Λ}{q}_{u}$ 、 $\overset{Λ}{p}_{u}$ 分别为目标模板和候选目标颜色核直方图各级概率密度,m为直方图量化等级总数。在目标模板模型和候选目标模型中,第u级概率密度为:

$\overset{Λ}{q_{u}} = C \sum_{i = 1}^{n} k (∥ x_{i}^{*} ∥^{2}) δ [b (x_{i}^{*}) - u] (3)$

$\overset{Λ}{p_{u}} (y) = C_{h} \sum_{i = 1}^{n_{h}} k (∥ \frac{y - x_{i}}{h} ∥^{2}) δ [b (x_{i}) - u] (4)$

其中,C和Ch为归一化因子,k(·)为核函数,h为核函数带宽。

1.2 均值漂移跟踪算法

在当前帧中,以上帧目标位置为中心,在其邻域内迭代寻找最优的y,使得目标模板和候选目标之间的直方图特征最相似。本文选用Bhattacharyya系数来度量二者之间的相似性,其相似性系数为:

$ρ (y) = ρ [\overset{Λ}{p} (y), \overset{Λ}{q}] = \sum_{u = 1}^{m} \sqrt{\overset{Λ}{p}_{u} (y) \overset{Λ}{q}_{u}} (5)$

其值范围为(0,1),值越大表示两者相似性越大。对应的迭代公式为:

$\overset{Λ}{y}_{1} = \frac{\sum_{i = 1}^{n_{h}} x_{i} w_{i} g (∥ \frac{\overset{Λ}{y}_{0} - x_{i}}{h} ∥^{2})}{\sum_{i = 1}^{n_{h}} w_{i} g (∥ \frac{\overset{Λ}{y}_{0} - x_{i}}{h} ∥^{2})} = \frac{\sum_{i = 1}^{n_{h}} x_{i} w_{i}}{\sum_{i = 1}^{n_{h}} w_{i}} (6)$

式(6)中,g(x)=-k′(x),使用Epanechnikov核,核从当前位置 $\overset{Λ}{y}_{0}$ 移向新的目标中心位置 $\overset{Λ}{y}_{1} ‚ w_{i}$ 为权函数,

$w_{i} = \sum_{u = 1}^{m} δ [b (x_{i}) - u] \sqrt{\frac{\overset{Λ}{q}_{u}}{\overset{Λ}{p}_{u} (\overset{Λ}{y}_{0})}} (7)$

迭代过程即不断计算式(6)使得Bhattacharyya系数最大,找到目标新的中心位置,停止迭代。

2 基于SURF匹配的跟踪算法

2.1 SURF特征提取与目标描述

SURF特征能较好地描述目标结构和纹理信息,由于采用盒状滤波和积分图像,计算速度比SIFT特征快了近四倍,而其性能与SIFT不相上下[7],且具有较好的实时性。SURF特征提取过程示意图如图1所示。

SURF特征提取过程:首先通过不断增加盒状滤波器的窗口尺寸,且使用积分图像快速计算图像卷积,构建金字塔尺度空间;接着对金字塔每一层中相邻图像相减得到差分尺度空间,对该空间中每个点与相邻尺度及同尺度3×3×3的立体邻域内的所有点逐个进行比较,通过Hessian矩阵得到极值点,再优化获得稳定特征点;最后在特征点周围寻找主方向,沿主方向构建区域,对区域中的点做Harr小波变换,提取出具有位置、尺度、旋转等不变性的SURF描述向量。

本文在起始帧目标区域内提取SURF特征点作为初始特征模板,每个SURF特征包括特征点位置和特征向量信息,这些特征点信息便描述了目标表观。

2.2 SURF特征匹配与目标定位

本文首先获得第一帧(k=1)初始目标的位置参数,包括目标中心位置(x $_{o}^{k - 1}$ ,y $_{o}^{k - 1}$ )和跟踪窗口尺度(S $_{x}^{k - 1}$ ,S $_{y}^{k - 1}$ )信息,接着在下一帧图像中提取候选目标的SURF特征,将当前帧提取出的N个特征点与模板特征点采用最近邻匹配法进行匹配,最后更新模板特征库,以保证匹配的稳定性。

相邻两幅图像中目标之间的关系可以通过仿射变换表示,根据前后帧匹配的特征点利用仿射变换计算得到两帧之间目标的仿射变换矩阵,可利用该矩阵对目标的位置和大小进行修正。由仿射变换原理可知,相邻帧间的特征点位置关系满足:

$(\begin{array}{l} x^{k} \\ y^{k} \end{array}) = A_{k} (\begin{array}{l} x^{k - 1} \\ y^{k - 1} \end{array}) + b_{k} = (\begin{matrix} s_{x} & 0 \\ 0 & s_{y} \end{matrix}) (\begin{array}{l} x_{k - 1} \\ y_{k - 1} \end{array}) + (\begin{array}{l} b_{x} \\ b_{y} \end{array}) (8)$

sx、sy分别表示目标在水平和垂直方向上的伸缩尺度,bx、by分别表示目标在水平和垂直方向上的平移尺度。可使用RANSAC方法[9]求出Ak和bk。

由仿射变换矩阵可将上帧中心位置映射到本帧得到新的中心位置为(x $_{o}^{k}$ ,y $_{o}^{k}$ ),利用尺度缩放因子可以估计本帧目标窗口尺度为(S $_{x}^{k}$ ,S $_{y}^{k}$ ),但当匹配对数较多时,由该方法定位目标位置非常耗时。本文提出根据匹配点数目不同选择不同的目标定位方法:

1)当匹配点数目大于5时,由当前帧匹配的特征点估计目标中心位置为(x′ok,y′ok),利用匹配点的分散度估计窗口尺度为(S′xk,S′yk),具体公式如式(9)、式(10)所示。

$(x^{'}_{o}^{k}, y^{'}_{o}^{k}) = (\frac{\sum_{i = 1}^{Ν} x_{i}^{k}}{Ν}, \frac{\sum_{i = 1}^{Ν} y_{i}^{k}}{Ν}) (9)$

(S′xk,S′yk)=(max|xik-xok|,max|yik-yok|) (10)

该算法计算简单,在匹配点数目较多且分散时效果较好,但当匹配点较少时,定位的准确性较差。

2)当匹配点数目不大于5时,由匹配点之间仿射变换关系得到当前帧中心位置(x $_{o}^{k}$ ,y $_{o}^{k}$ )及窗口尺度(S $_{x}^{k}$ ,S $_{y}^{k}$ ),且能满足跟踪实时性的要求。

3 基于算法融合的目标跟踪方法

基于颜色特征的跟踪算法虽然可以较快迭代到局部最优解,但在跟踪过程中误差逐渐累积,当目标周围出现表观相似物体时,目标中心点往往会漂移到干扰物上,且不能自适应变化跟踪窗口大小。而基于SURF特征的跟踪算法可以较好地描述目标结构和纹理,但当目标较小或纹理单一时,无法准确定位目标。

本文融合颜色直方图计算简单和SURF特征精确定位的优点,既防止均值漂移算法的漂移问题又能解决SURF跟踪算法不稳定的问题,还能自适应更新窗口尺寸大小。

算法具体步骤如下所示:

1)对模板区域提取颜色核直方图和SURF特征点并建立目标模板模型。

2)采用均值漂移算法快速搜索下一帧目标中心位置,计算该区域和模板之间的Bhattacharyya系数;

3)利用基于SURF特征匹配的跟踪算法在当前帧中得到目标新的位置和尺度,计算该区域和模板颜色核直方图之间的Bhattacharyya系数。

4)当这两个特征跟踪定位结束后,Bhattacharyya系数的值反映了该特征跟踪的准确程度。选择较优的跟踪结果作为当前帧目标跟踪结果,并更新目标模板。

4 实验结果与分析

实验分别选取不同场景对算法进行测试分析。电脑配置为:Celeron(R) CPU 3.06 GHz,2 G内存,Window XP系统,算法实现采用C++语言结合OpenCV2.0库编写,编译环境为Visual studio 2005。实验跟踪结果用白色矩形框表示。

视频序列1分辨率为480×360,帧率为25帧/s,共240帧,跟踪目标为足球运动员。图2、图3分别为基于颜色特征的均值漂移算法和本文算法跟踪效果图。运动员在奔跑过程中尺度发生了较大变化,均值漂移算法由于采用了固定核宽窗,不能及时更新窗口大小,导致后续跟踪窗口偏离目标,如图2(d、e)所示。本文融合两种算法,当目标尺度发生明显变化后,由于SURF特征能有效地描述目标,定位效果更准确,跟踪窗口大小得到及时更新,如图3(c)、(d)所示,这时及时更新目标模板可以解决传统Mean Shift不能有效调整窗口尺度的缺点。实验中发现,运动员在起身时发生较大形变(如图2和图3中(b)所示)或目标太小,纹理单一,出现匹配点和提取的特征点几乎为零的情况,这时便无法利用SURF匹配估计目标位置,而本文融合两种算法,这种情况下利用Mean Shift算法来估计当前帧目标位置,从而增强了跟踪算法的稳定性。

视频序列2选取公用CAVIAR[9]库中的视频,使用其中的250帧对刚性车辆形变较大和周边出现表观相似的情况进行跟踪测试,两种算法效果见图4和图5。可以看到图4(b)中随着目标接近周边颜色相近物体,跟踪窗口偏离原始目标而转向表观相似目标,导致跟踪错误,如图4(c)所示。从图5中可以看到本文算法由于在目标尺度发生变化时能够及时更新跟踪窗大小,窗口尺寸随着目标大小变化而变化,较准确地定位目标位置,有效避免了跟踪窗口漂移,如图5(c)所示。

图6(a)和(b)分别为序列1和2的跟踪误差对比图,从图可以看出本文跟踪算法误差较小。本文算法提取SURF特征点需要占用一定的计算时间,序列1平均每帧计算时间为39.26 ms,序列2为41.12 ms,相比Mean Shift算法计算代价高,但获得了更好的稳定性和准确性,且完全满足跟踪实时性的要求。

5 结论

本文联合颜色特征计算简单和SURF特征精确定位的特点,提出一种基于算法融合的跟踪方法。该算法首先运用基于颜色核直方图特征的Mean Shift算法快速定位目标位置,然后采用基于SURF特征匹配的跟踪算法精确定位目标,最后根据候选区域和模板区域间的Bhattacharyya系数选择较优的跟踪结果,且更新目标模板。从而既防止Mean Shift算法的漂移问题又能解决SURF跟踪算法不稳定的问题,还能自适应更新窗口尺寸大小。实验表明,本文算法在目标发生较大形变、尺度变化、周边具有表观相似目标时具有很好的鲁棒性,且满足实时跟踪的要求。

参考文献

[1] Nummiaro K,Kollor-Meier E,Van-Gool L.Color-based particle fil-ter.Image and Vision Computing,2003;21:99—110

[2] Comaniciu D,Ramesh V,Meer P.Kernel-based object tracking.IEEE Transactions on Pattern Analysis and Machine Intelligence,2003;25(5):564—575

[3] Herbert B,Andreas E,Tinne T,et al.Speeded-up robust fea-ture.Computer Vision and Image Understanding,2006;404—417

[4] Lowe D G.Distinctive image features from scale-invariant keypoints.IJCV 60,2004:91—110

[5] He Wei,Yamashita T,Lu Hong tao,et al.SURF tracking.IEEEInternational Conference on Computer,Kyoto,Japan,September,2009:1586—1592

[6] Werner K,Martin K.Interest point based tracking.IEEE Interna-tional Conference on Pattern Recognition,2010:3549—3552

[7] Luo Juan,Gwun O.A comparison of SIFT,PCA-SIFT andSURF.International Journal of Image Processing,2009;3(4):143—152

[8]康一梅,谢晚冬,胡江,等.目标尺度自适应的Mean Shift跟踪算法.兵工学报,2011;32(2):210—216

【运动目标跟踪方法】推荐阅读：

成功路上达成目标的方法06-17

本群原创-高中英语学习-学习目标与方法07-02