視頻中移動(dòng)對(duì)象跟蹤技術(shù)研究【文獻(xiàn)綜述】

1、1畢業(yè)設(shè)計(jì)文獻(xiàn)綜述畢業(yè)設(shè)計(jì)文獻(xiàn)綜述計(jì)算機(jī)科學(xué)與技術(shù)計(jì)算機(jī)科學(xué)與技術(shù)視頻中移動(dòng)對(duì)象跟蹤技術(shù)研究視頻中移動(dòng)對(duì)象跟蹤技術(shù)研究摘要：視頻中移動(dòng)對(duì)象跟蹤技術(shù)的研究是當(dāng)前計(jì)算機(jī)視覺領(lǐng)域的一個(gè)熱點(diǎn)問題，本文對(duì)這一問題研究現(xiàn)狀進(jìn)行了大量的文獻(xiàn)閱讀，并做了總結(jié)和展望。為了清楚地表達(dá)這一研究問題我引用了目前主流的劃分方法進(jìn)行相應(yīng)的闡述。最后我提出了未來的移動(dòng)對(duì)象跟蹤技術(shù)的一個(gè)發(fā)展前景是人機(jī)交互。在某些時(shí)刻適當(dāng)?shù)刈屗惴ㄅc人進(jìn)行一定的交互來達(dá)到有效地處理復(fù)雜情

2、景。關(guān)鍵詞：計(jì)算機(jī)視覺；目標(biāo)跟蹤；移動(dòng)對(duì)象跟蹤技術(shù)；人機(jī)交互；一、視頻中移動(dòng)對(duì)象跟蹤技術(shù)研究的意義隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展，計(jì)算能力得到了極大地提高，使得利用計(jì)算機(jī)實(shí)現(xiàn)人類的視覺功能成為目前計(jì)算機(jī)領(lǐng)域中最熱門的課題之一[1]。視頻中移動(dòng)對(duì)象跟蹤（簡(jiǎn)稱目標(biāo)跟蹤）是計(jì)算機(jī)視覺領(lǐng)域的一個(gè)分支，它在視頻監(jiān)控、視頻壓縮與傳輸、電話會(huì)議、人機(jī)界面的應(yīng)用中以及高技術(shù)武器裝備方面都有重要的意義[215]。目前的一些目標(biāo)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(biāo)干擾。二、視頻中移動(dòng)對(duì)象跟蹤技術(shù)的研究現(xiàn)狀1.移動(dòng)對(duì)象跟蹤技術(shù)的基本原理對(duì)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(xiàn)[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(yùn)動(dòng)分析的方法[3]，這種方法不依賴于先驗(yàn)知識(shí)，直接從圖像序列中獲得目標(biāo)的運(yùn)動(dòng)信息并進(jìn)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(chǎng)景中運(yùn)動(dòng)目標(biāo)的位置、速度、加速度、運(yùn)動(dòng)軌跡等信息，這相當(dāng)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(duì)圖像序列進(jìn)行預(yù)處理之后，首先直接從圖像序列中檢測(cè)運(yùn)動(dòng)目標(biāo)，這是早期階段；檢測(cè)到運(yùn)動(dòng)目標(biāo)之后，提取出運(yùn)動(dòng)目標(biāo)并進(jìn)行識(shí)別，以判定是否跟蹤，這相當(dāng)于中期階段；最后對(duì)該目標(biāo)進(jìn)行跟蹤并獲得運(yùn)動(dòng)目標(biāo)的相關(guān)運(yùn)動(dòng)信息。上述過程按處理順序共分為四步，第一步為圖像預(yù)處理，一般對(duì)所獲得的序列圖像進(jìn)行消噪或增強(qiáng)，提高圖像質(zhì)量

5、以方便后續(xù)處3尋優(yōu)策略，有很好的實(shí)時(shí)性。熊玉梅、郭堅(jiān)、陳一民[5]與2011年提出了一種搜索窗口可變的目標(biāo)跟蹤算法，該跟蹤算法最關(guān)鍵之處就是需要根據(jù)預(yù)測(cè)前面得到的標(biāo)志坐標(biāo)預(yù)測(cè)下一次標(biāo)志將會(huì)出現(xiàn)的位置并計(jì)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(xiàn)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(diǎn)，并提出了一種改進(jìn)背景差分法與核寬自適應(yīng)的Meanshift算法相結(jié)合的目標(biāo)跟蹤算法，此算法采

6、用灰度質(zhì)心技術(shù)與核帶寬自適應(yīng)算法提高M(jìn)eanshift跟蹤效率和魯棒性。（2）國(guó)外的研究現(xiàn)狀國(guó)外的主流的跟蹤算法還是集中在對(duì)MeanShift、粒子濾波，卡爾曼等算法的研究上。經(jīng)典的卡爾曼計(jì)算量大，構(gòu)造模型困難，不適合復(fù)雜環(huán)境下的實(shí)時(shí)運(yùn)動(dòng)目標(biāo)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(quán)值它們對(duì)后驗(yàn)概率的估計(jì)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(yīng)功能，容易出現(xiàn)目標(biāo)丟失情況。雖然Mean

7、shift算法有這樣的缺點(diǎn)，但是它是一個(gè)無參數(shù)估計(jì)算法，硬件實(shí)現(xiàn)比較容易，加之采用核函數(shù)直方圖建模，對(duì)邊緣遮擋、目標(biāo)旋轉(zhuǎn)、變形和背景運(yùn)動(dòng)不太敏感。因此在目標(biāo)跟蹤算法中Meanshift算法還是一個(gè)主流。另外在目標(biāo)模板與候選模板之間相似度的計(jì)算一般都采用Bhattayya系數(shù)。文獻(xiàn)[14]與2010年提出了結(jié)合自適應(yīng)卡爾曼與Meanshift的目標(biāo)跟蹤算法，該方法對(duì)真實(shí)復(fù)雜情況下連續(xù)幀中目標(biāo)移動(dòng)的跟蹤有很好的魯棒性，例如，由于遮擋目標(biāo)的部

8、分消失或全部消失，快速移動(dòng)的目標(biāo)，移動(dòng)目標(biāo)的突然加速等。文獻(xiàn)[15]提出了一種結(jié)合SIFT特征和Meanshift的目標(biāo)跟蹤技術(shù)，為了獲得相似性區(qū)域的最大似然估計(jì)，這兩個(gè)評(píng)估方法的概率分布被計(jì)算出來用以尋找最大期望。這種相互支持的機(jī)制，使得即使在其中一個(gè)方法變得不穩(wěn)定的時(shí)候也能保持跟蹤的一致性。三、移動(dòng)對(duì)象跟蹤技術(shù)的發(fā)展趨勢(shì)通過文獻(xiàn)閱讀和對(duì)國(guó)內(nèi)外研究現(xiàn)狀的分析和綜合，我認(rèn)為移動(dòng)對(duì)象跟蹤技術(shù)的發(fā)展趨勢(shì)如下：1.隨著移動(dòng)對(duì)象跟蹤技術(shù)在現(xiàn)實(shí)場(chǎng)