复杂环境中的运动目标检测、提取与跟踪 117页

复杂环境中的运动目标检测、提取与跟踪主讲人：刘龙西安理工大学\n目录ò第一章绪论ò第二章基于局部多结构元素数学形态学的图像预处理ò第三章复杂环境中的运动目标检测ò第四章基于力场分析Snake的运动目标提取ò第五章复杂环境中对运动目标的快速跟踪算法ò第六章总结与展望\n第一章绪论ò研究的背景和意义ò研究现状ò本文的技术路线及创新之处\n研究的背景和意义本论文的研究是在国家重点基础研究发展规划项目(973)“复杂自然环境时空定量信息或区域融合处理的理论与应用”地支持下进行的。论文的方向为“复杂自然环境中基于多源信息融合的图像跟踪及其预处理研究”。因此论文关注于基于图像的复杂环境中运动目标的检测、提取和跟踪以及服务于图像跟踪的图像处理技术的研究。\n研究的背景和意义本研究属于视觉跟踪问题。视觉跟踪研究是计算机视觉领域中的一个重要研究方向，应用于民用或军事中的许多领域，主要包括▲视频监视▲图像压缩（VideoObjectPlane,VOP）▲三维重构等\n研究的背景和意义▲视频监视\n研究的背景和意义▲图像压缩（VideoObjectPlane,VOP）\n研究现状已经出现了众多的视觉跟踪算法，为清楚地对这些方法进行说明，首先对视觉跟踪问题进行分类，然后介绍处理视觉跟踪问题的两种思路，最后对具体的视觉跟踪方法进行分类介绍。\n研究现状视觉跟踪问题分类。▲摄像机的数目：单摄像机Vs多摄像机▲摄像机是否运动：摄像机静止Vs摄像机运动▲场景中运动目标的数目：单运动目标Vs多运动目标▲场景中运动目标的类型：刚体Vs非刚体▲传感器的种类：可见光图像Vs红外图像\n研究现状处理视觉跟踪问题的两种思路。▲自底向上（Bottom-Up，Data-Driven）▲自顶向下（Top-Down，Model-Driven）\n研究现状视觉跟踪方法分类。▲基于区域的跟踪（Region-basedtracking）▲基于特征的跟踪（Feature-basedtracking）▲基于变形模板的跟踪（Deformable-Template-basedtracking）▲基于模型的跟踪（Model-basedtracking）\n本文的技术路线及创新之处本学位论文研究的目的在于，为建立一个在复杂自然环境中，基于多源信息融合的视频图像跟踪系统所进行的相关算法研究。该系统能够在无人干涉的情况下对进入视场中的运动目标自动实施有效地搜索、检测和跟踪。\n本文的技术路线及创新之处本论文的题目是：复杂环境中的运动目标检测、提取与跟踪研究这里，所谓复杂环境是指运动目标所处的背景中有各种自然景物如山、树、建筑物等等，并不是在简单背景下对运动目标实施跟踪，而所谓的简单背景如文字识别时的背景是白纸，晴朗天空中飞行的飞机的背景是蓝天等等均匀背景的情况。\n本文的技术路线及创新之处由于本文研究具有极强的工程应用背景，因此选择了自底向上的思路，这种思路对视觉跟踪的一般处理过程示意图如下图运目目像预动标标序处检分跟列理测类踪\n本文的技术路线及创新之处返回目录本学位论文对其中所涉及的四个环节，即图像预处理、目标检测、目标分类和目标跟踪进行了研究。主要的创新之处包括以下四个方面。▲图像预处理--消噪算法及推广算法▲目标检测--PIC算法及PICM算法▲目标分类--FFASnake算法▲目标跟踪--基于CPM的快速跟踪算法\n第二章基于局部多结构元素数学形态学的图像预处理ò问题的提出ò数学形态学的基本原理ò基于视觉模型的灰度突变像素点的确定ò基于局部多结构元素数学形态学的图像消噪算法ò用于边缘检测的推广算法ò小结\n问题的提出图像预处理用于消除图像噪声，提高图像质量，从而方便后续处理。已经有许多图像消噪算法。典型的算法是，利用中值滤波消除椒盐噪声，利用维纳滤波消除高斯噪声。在上述两类噪声中，椒盐噪声在数字图像中是一种更为常见的噪声。但是，中值滤波在滤除点状噪声的同时，也将图像的细节平滑掉了。\n问题的提出针对中值滤波算法的不足，已提出的算法中如递进开关中值滤波算法，基于方向可调滤波器的图像消噪算法等需要调整参数，使得算法的推广性很差；而基于局部极值噪声检测的迭代中值滤波算法在椒盐噪声不是很高的情况下效果不好。针对这些不足提出一种基于局部多结构元素数学形态学的消噪算法。\n数学形态学的基本原理▲二值形态学▲灰度形态学\n基于视觉模型的灰度突变像素点的确定图像中的区域可以分为平坦区域，细节部分和噪声点三类。平坦区域的像素灰度基本上比较相似，而细节部分和噪声点像素都是图像中灰度变化剧烈的部分，但是细节部分如图像边缘的形态分布和噪声点的形态分布又不相同。因此，在进行图像消噪过程中，首先找出灰度突变的像素点，然后对这些像素点进行多结构元素形态学操作，从而能够减少大量的运算量，同时有效的剔除噪声点，保留图像细节。\n基于视觉模型的灰度突变像素点的确定通常的处理方法是针对整幅图像选取一个固定的全局阈值，但是，如果阈值取得过高，会造成噪声的漏检；而如果阈值取得过低，则在检出大量噪声的同时，也会检出大量的虚假边缘，从而增大了算法的运算量。为此提出一种基于视觉模型的阈值选择策略。\n基于视觉模型的灰度突变像素点的确定设有一亮度为I+△I的光斑，其周围背景亮度为I，只有当△I大于某一个值时，该光斑才能在背景亮度为I的条件下被观察到\n基于视觉模型的灰度突变像素点的确定⎧⎪C,I≤a⎪ΔI=⎨αI,ab⎩β式中，a和b如上图所示，小于a的区域为低暗区，大于b的区域为高亮区，a和b之间为中间区。I为背景亮度灰度值α，、β和C为待定参数。ΔI为所定阈值。灰度级为256级。\n基于视觉模型的灰度突变像素点的确定结合基于视觉模型的阈值选择策略的Sobel算法实验结果比较\n基于局部多结构元素数学形态学的图像消噪算法早期利用数学形态学进行消噪处理时，只采用一种结构元素进行,不利于信号几何特征的保持。近几年，更多的是采用多个结构元素进行。通过对多个结构元素性能的分析，总结出如下图所示的8种结构元素作为判断梯度突变像素点是否为噪声像素点的依据，\n基于局部多结构元素数学形态学的图像消噪算法算法分为两步：步骤1：选择图像中的灰度突变像素点。步骤2：在灰度突变像素点处进行多结构元素二值形态学的腐蚀操作，以确定该像素点是否为噪声点，若是噪声点，则在该点处进行中值滤波，否则保留该像素点。\n基于局部多结构元素数学形态学的图像消噪算法实验结果一：\n基于局部多结构元素数学形态学的图像消噪算法实验结果二：\n用于边缘检测的推广算法将基于局部多结构元素形态学的图像消噪算法经过推广可以用于图像的边缘检测。尤其在对含有脉冲噪声的图像进行边缘提取时，推广算法不仅可以在消除图像噪声的同时，将图像的边缘提取出来，而且由于只对梯度发生变化的像素点进行操作，从而省去了大量没有必要的运算。\n用于边缘检测的推广算法由于处理问题的不同，在利用局部多结构元素形态学进行边缘检测时所采用的多结构元素与进行图像消噪处理时有所不同，定义以下4个方向上的4种结构元素。\n用于边缘检测的推广算法用于边缘检测的推广算法步骤如下：步骤1：选择图像中的梯度突变像素点。步骤2：在梯度突变像素点处进行多结构元素二值形态学的腐蚀操作，以确定该像素点是边缘点还是噪声点，若是噪声点则滤除，若是边缘点则保留。步骤3：采用棋盘距离，求取边缘图像。\n用于边缘检测的推广算法部分实验结果比较：第一行图像从左到右依次为1）lena原图；2）加入10%椒盐噪声图像；3）Sobel算子对原图的结果；4）Sobel算子对噪声图像的结果。第二行图像从左到右依次为1）本文算法对原图的结果；2）本文算法对噪声图像的结果；3）Canny算子对原图的结果；4）Canny算子对噪声图像的结果。\n小结返回目录图像预处理过程中，对于图像的消噪是一个研究的热点问题。本章提出了一种基于局部多结构元素数学形态学的图像点状噪声的消噪算法。仿真结果表明，该算法能够很好的滤除受噪声污染的图像中的孤立噪声点，同时保留了图像的细节部分，提高了图像的信噪比。同时将该消噪算法进行了推广，用于进行图像的边缘检测。对含有脉冲噪声的图像进行边缘提取时，推广算法可以在消除图像噪声的同时，将图像的边缘提取出来。\n第三章复杂环境中的运动目标检测ò问题的提出ò相关工作ò基于像素灰度归类的背景重构算法(PixelIntensityClassification,PIC)ò基于像素灰度归类与修补的背景重构算法(PixelIntensityClassificationandMend,PICM）ò小结\n问题的提出在视频监视系统中，运动目标的检测与分割是个非常重要的问题，尤其在复杂环境中对运动目标进行检测时，由于受到环境噪声的影响，往往很难检测到完整的或者真实的运动目标。运动检测的方法很多，这些方法可以分为三类：Å基于光流的运动检测。Å基于相邻帧图像差分的运动检测。Å基于背景差的运动检测。\n问题的提出由于背景差方法的优越性，选择该方法作为研究的对象，但是该方法的难点在于如何在背景不断变化的情况下构造出随之变化的背景图像以避免运动目标的误检测。\n相关工作一种经典的方法是时间平均法，即对一段时间中的图像序列求和再平均，获得一帧近似的背景图像，但是这种方法容易将前景运动目标混入背景图像当中，产生混合现象。\n相关工作近年来关于背景图像的自适应更新，主要有两大类方法，第一类方法建立背景模型，并采用自适应方法对模型参数进行调整，从而获得新的背景图像，这类方法通常假定在模型初始化阶段，背景图像中不含运动前景，但这种假设在实际的公共场合很难满足；其次，运动前景很容易混入到背景图像中，产生混合现象。\n相关工作第二类方法是从过去的一组观测图像当中按照一定的假设选择像素灰度构成当前的背景图像，这类方法的优点在于背景的初始化与场景中是否存在运动的前景无关，同时能够有效避免混合现象。但是，由于这类方法是从过去的一段图像序列中重构背景图像，因此不如第一类方法能够适应迅速的场景变化，而是产生一定的时间延迟，但这个问题对于长时间图像监视和跟踪系统的影响不大。本文的背景重构算法属于第二类方法。\n基于像素灰度归类的背景重构算法首先选择假设。第二类方法所采用的背景假设主要有：▲在一段图像序列中，像素点处于稳定状态最长的灰度值是背景像素灰度值。▲背景至少在50%的时间内可以被观测到。▲背景在图像序列中总是最经常被观测到的。上述假设中，最后一种假设相比而言更为合理。。\n基于像素灰度归类的背景重构算法对所选择背景假设的说明。。1Background:45%0.91st-20th,56th-80th0.80.70.6OneforegroundIntensity0.5object:35%0.40.321st-55th0.20.10102030405060708090100AnotherforegroundTime(Frame)object:20%一个像素点在图像序列中的灰度变化曲线示意图81st-100th\n基于像素灰度归类的背景重构算法算法步骤：步骤1：划分像素点的灰度平稳区间；步骤2：分别计算各灰度平稳区间的平均灰度值；步骤3：将平均灰度值相近的灰度平稳区间归为一类称之为灰度值一致区间，统计该区间像素点出现的频率；步骤4：选择频率最大的灰度值作为该像素点的背景灰度值。\n基于像素灰度归类的背景重构算法实验结果一：\n基于像素灰度归类的背景重构算法实验结果二：\n基于像素灰度归类与修补的背景重构算法基于像素灰度归类的背景重构算法存在的问题。在图像序列分析中，如果背景像素的出现满足假设条件，即背景在图像序列中总是最经常被观测到的，则利用PIC算法可以获得非常满意的重构背景。但是在很多情况下，这种假设条件并不满足。\n基于像素灰度归类与修补的背景重构算法例如在高速公路上，如果车辆较多时，道路在大多数情况下总是被遮挡的。\n基于像素灰度归类与修补的背景重构算法基于像素灰度归类与修补的背景重构算法的算法思路：PICM算法首先确定出利用PIC算法得到的重构背景中的错误区域，然后按照一定的规则对错误区域进行修补，最终得到正确的重构背景。即算法分为三步：步骤1：利用PIC算法得到重构的初始背景；步骤2：确定初始背景中的错误区域；步骤3：修补错误区域，获得正确的重构背景。\n基于像素灰度归类与修补的背景重构算法步骤2：确定背景中的错误区域；初始背景中的错误区域通常是由该区域运动目标的遮挡所造成的，尽管这些错误区域所对应的真实背景在实际图像序列中出现的频率并不是最高的，但仍会以一定的频率出现。因此，如果将该图像序列与初始重构背景相减，那么错误区域所对应像素点的灰度值总是会以一个比较高的比例显示为变化的。\n基于像素灰度归类与修补的背景重构算法由步骤2得到的实验结果\n基于像素灰度归类与修补的背景重构算法步骤3：修补错误区域，获得正确的重构背景。这一步的工作是在区域一致性假设的前提下进行的。所谓区域一致性假设是指，如果在背景的一个区域中，像素灰度值是大面积均匀的，则称该区域为均匀区域，在均匀区域中不会出现像素灰度值突变的区域，这种假设非常符合背景中含有道路、广场和天空等均匀区域的情况。然后选择错误区域周边的像素灰度值作为标准灰度值,在错误区域所对应的像素点上选出与标准灰度值最接近的灰度值作为该点背景像素的灰度值，从而获得正确的重构背景，即最终背景。\n基于像素灰度归类与修补的背景重构算法由步骤3得到的实验结果\n基于像素灰度归类与修补的背景重构算法实验结果一：\n基于像素灰度归类与修补的背景重构算法实验结果二：\n小结针对复杂环境中的运动目标检测问题，本章首先提出了一种基于像素灰度归类的背景重构算法(PIC)，该算法无须对场景中的背景和目标建立模型，能够直接从含有前景运动目标的场景图像中重构背景，有效的避免了混合现象。同时PIC算法只需要对一个物理意义明确的参数进行调节，在参数变化的很大范围内都可以得到满意的结果。通过对实际图像序列的处理表明，PIC算法能够很好的进行背景重构。\n小结返回目录但PIC算法是建立在假设背景像素以最大概率出现在图像序列中的前提下的，若不满足这种假设则不能正确重构背景。因此本章又提出基于像素灰度归类和修补的背景重构算法(PICM)，该算法重构出初始背景之后，检测初始背景中的错误区域并对其进行修补，最终获得正确的重构背景，从而有效克服了当不满足初始假设条件时背景图像的错误重构问题。通过对实际图像序列的处理表明，PICM算法能够准确地进行背景重构，从而正确完整地检测和分割出运动的前景目标。\n第四章基于力场分析Snake的运动目标提取ò问题的提出ò主动轮廓模型的数学基础ò基于力场分析的主动轮廓模型ò实验结果与比较ò小结\n问题的提出在图像监视和跟踪系统中，检测到运动目标之后，应当将运动目标提取出来，以便获取运动目标的相关信息，从而进行更进一步的处理。运动目标的提取问题属于图像分割范畴。图像分割是计算机视觉领域中最基本的问题之一，由于该问题的复杂性，目前尚未得到满意的解决。在众多的图像分割方法中，主动轮廓模型(ActiveContourModels)近些年受到广泛关注。\n问题的提出主动轮廓模型又称为Snake模型。本章主要利用Snake模型实现对运动目标完整和有意义地提取。但是传统Snake模型存在以下严重缺点：ω初始轮廓必须靠近感兴趣图像的真实边缘，否则就会得到错误的结果。ω不能进入感兴趣图像的深凹部分。ω参数主动轮廓模型具有非凸性，曲线能量最小时有可能是局部极小点。\n问题的提出针对这些缺点已经提出了许多改进算法，主要有ω主动轮廓线的气球模型。ω距离势能模型。ωGVFSnake（GradientVectorFlowSnake）。但上述算法在解决传统Snake模型其中一个或两个缺点的同时又会产生新的问题。为此，经过研究提出一种基于力场分析的主动轮廓模型(ForceFieldAnalysisSnake)，称为FFASnake。\n主动轮廓模型的数学基础主动轮廓模型分为两大类：▲一类是参数主动轮廓模型（ParametricActiveContourModel）▲另一类是几何主动轮廓模型（GeometricActiveContourModel）\n主动轮廓模型的数学基础▲参数主动轮廓模型传统的参数Snake模型是一条曲线v(s)=[x(s),y(s)],s∈[0,1],这条曲线在图象的空间域中移动的能量最小化函数为1*Esnake=∫0Eint(v(s))+Eext(v(s))ds其中，称为内部能量函数，用来平滑ESnake曲线。intEext称为外部能量函数，用来推动或牵引Snake向图象中感兴趣特征移动。\n主动轮廓模型的数学基础▲几何主动轮廓模型几何主动轮廓模型是建立在曲线演化理论(CurveEvolutionTheory)基础上利用水平集(LevelSet)方法来实现的。在水平集方法中，曲线C(p,t)被看作是高一维水平集函数φ(x,y,t=0)的零水平集，定义φ(x,y,t=0)=±dd值是点(x,y在时刻)t=0时到曲线C(p,t)的最短距离，则曲线C(p,t)由下式表示C(p,t)={(x,y)|φ(x,y,t)=0}\n基于力场分析的主动轮廓模型▲FFASnake的算法思路▲算法步骤▲真轮廓点的判定▲假轮廓点▲已更新轮廓\n基于力场分析的主动轮廓模型▲FFASnake的算法思路传统Snake方法所得结果示意图(a)Snake的收缩过程使用(b)距离势能力场，(c)在接近边缘凹槽处的力场分布细节示意\n基于力场分析的主动轮廓模型▲FFASnake的算法思路FFASnake的算法思路示意图\n基于力场分析的主动轮廓模型▲FFASnake的算法思路要实现上述思想，主要解决两个问题：1）如何判断预更新轮廓中的真轮廓点和假轮廓点？也就是说，在图中如何确定假轮廓ACB。2）如何确定已更新轮廓？实际上，这个问题要解决的是如何确定图中的对应轮廓点D，因为知道了点D就可以将点C直接拖向点D，从而也就确定了已更新轮廓ADB。\n基于力场分析的主动轮廓模型▲FFASnake的算法步骤步骤1：对输入图像进行边缘检测，求取边缘图像；步骤2：对边缘图像求基于欧氏距离变换的距离势能力场作为外部力场；步骤3：在外部力场上设定Snake的初始轮廓，进行Snake变形，得预更新轮廓；步骤4：判断预更新轮廓中有无假轮廓，若有转步骤5，若无转步骤7；步骤5：搜寻所有假轮廓的对应轮廓点；步骤6：将预更新轮廓中的假轮廓拉向其对应轮廓点，得到已更新轮廓，以此已更新轮廓作为Snake的初始轮廓，转步骤3；步骤7：预更新轮廓为最终感兴趣图像的真实轮廓，算法结束。\n基于力场分析的主动轮廓模型▲真轮廓点的判定通过观察发现，真轮廓点的力场分布具有极强的规律性，假轮廓点的力场分布却没有规律可言。因此，只要归纳出真轮廓点8-连接域中力场分布规律，从预更新轮廓中将符合这些规律的轮廓点去掉，剩下的轮廓点就是假轮廓点，也就确定出了假轮廓。通过对大量真轮廓点8-连接域中力场分布规律的总结，一共归纳出了六类真轮廓点，分别是正规轮廓点、16对轮廓点、断点、中心轮廓点、零点以及特殊轮廓点。\n基于力场分析的主动轮廓模型▲真轮廓点的判定真轮廓点的力场分布具有极强的规律性。\n基于力场分析的主动轮廓模型▲真轮廓点的判定正规轮廓点\n基于力场分析的主动轮廓模型▲真轮廓点的判定16对轮廓点\n基于力场分析的主动轮廓模型▲真轮廓点的判定断点\n基于力场分析的主动轮廓模型▲真轮廓点的判定中心轮廓点、零点以及特殊轮廓点\n基于力场分析的主动轮廓模型▲假轮廓点\n基于力场分析的主动轮廓模型▲已更新轮廓点对于连续假轮廓点，所求出的一个对应轮廓点是这组连续假轮廓点所共有的，将预更新轮廓中的这组连续假轮廓点全部用这个共有的对应轮廓点代替。对于离散假轮廓点，每一个点都有一个对应轮廓点，将预更新轮廓中的离散假轮廓点用各自的对应轮廓点代替。通过这样更换后得到的新轮廓就是已更新轮廓。\n实验结果与比较▲进入感兴趣图像的深凹部分▲克服局部极小点▲实际图像的结果▲运行时间比较\n实验结果与比较▲进入感兴趣图像的深凹部分\n实验结果与比较▲进入感兴趣图像的深凹部分\n实验结果与比较▲克服局部极小点\n实验结果与比较▲克服局部极小点\n实验结果与比较▲实际图像的结果\n实验结果与比较▲运行时间比较\n小结返回目录本章提出一种基于力场分析的主动轮廓模型，即FFASnake模型，该模型具有以下特点：1）具有较大的捕获区域，初始轮廓不需要靠近感兴趣图像真实边缘，而且能够进入感兴趣图像深凹部分。2）能够避免Snake陷入局部极小点，因此，可以提取复杂形状。3）计算量小。主要与GVFSnake模型相比，同时，还与几何主动轮廓模型所采用的FastMarching方法在运算时间上进行了比较。仿真结果表明，FFASnake模型对初始位置的选择不敏感，能快速准确地提取感兴趣图像的轮廓。\n第五章复杂环境中对运动目标的快速跟踪算法ò问题的提出ò图像跟踪的工程算法ò基于环形像素点匹配的快速图像跟踪算法ò基于环形像素点的快速图像匹配算法ò小结\n问题的提出目标跟踪是前述所有处理过程的最终目的。有关图像目标跟踪方面的方法主要分为四类：基于区域的跟踪、基于特征点的跟踪、基于变形模板的跟踪和基于3-D模型的跟踪。这些方法所涉及的共同问题在于被跟踪目标由于姿态的改变、光线的改变以及遮挡所引起的跟踪过程中的不确定性造成的目标丢失。另外一个突出的问题在于各种跟踪方法需要大量的运算时间，从而不能实现实时的跟踪。\n问题的提出现有跟踪算法的不足之处都是研究的热点问题。我们主要针对图像跟踪的工程方法中相关跟踪法的运算量特别大的缺点，提出一种改进算法以减少运算量。一种有效地算法是序贯相似检测算法，该方法结合了粗-精搜索策略，在跟踪性能和时间上都有很大改进，但在处理时间上还有进一步提高的可能。而基于特征点的跟踪方法在跟踪时运算量小，但提取目标的特征时需要大量运算，且特征点的提取往往不理想。\n问题的提出提出了基于环形像素点匹配的快速图像跟踪算法，该算法采用环形像素点为特征点，在借鉴序贯相似检测法的基础上，对匹配区域先进行粗搜索以确定待匹配窗口，再进行精搜索以确定正确的匹配窗口，最后利用相关跟踪法中的归一化相关系数确定模板的更新策略。实验结果表明，该算法不仅能稳定的跟踪目标，与相关跟踪法和序贯相似检测法相比，在处理时间上具有明显的优越性。同时，该算法还可以推广应用于图像匹配问题。\n图像跟踪的工程算法▲相关跟踪法—属于基于区域的图像跟踪▲波门跟踪法—属于基于特征点的图像跟踪\n图像跟踪的工程算法▲相关跟踪法相关跟踪法是把一个预先存储的或者由操纵员锁定的目标图像样板作为识别和测定目标位置的依据，用目标样板与图像的各个子区域按照一定的相似性度量准则进行比较，计算相关函数值，从而找出和目标样板最相似的一个子图像的位置，就认为是当前目标的位置，这种方法也叫做"模板匹配法"或者"图像匹配法"。\n图像跟踪的工程算法▲相关跟踪法相关跟踪法根据所采用的相似性度量准则的不同主要有：=平均绝对差值法（MAD）；=均方误差法（MSE）；=归一化相关算法（NCCF）；=序贯相似检测算法（SSDA）。\n图像跟踪的工程算法▲波门跟踪法波门跟踪法又称对比度跟踪，利用目标与背景景物在对比度上的差别来识别和提取目标信号，实现对目标的自动跟踪。波门跟踪法的特点是：对目标图像的变化（尺寸大小，姿态变化）的适应性强，求解比较简单，容易实现对高速运动目标的跟踪；但是，它的识别能力较差，一般只适于跟踪简单背景中的目标，如对空中和水面目标的跟踪，以及从运动载体上跟踪地面固定目标。\n图像跟踪的工程算法▲波门跟踪法依据跟踪参考点的不同，又分为：=形心跟踪法；=质心跟踪法；=边缘跟踪法；=峰值跟踪法等等。\n基于环形像素点匹配的快速图像跟踪算法▲环形像素点的选择▲算法步骤▲实验结果分析与比较\n基于环形像素点匹配的快速图像跟踪算法▲环形像素点的选择考虑到人眼视网膜中视觉细胞是以中央凹为中心呈环形分布，本文提出了采用环形像素点作为特征像素点集。所谓环形像素点是指以目标上的一点为中心，划一个覆盖在目标上并不超出目标的圆，将落在该圆边缘上的像素点定义为特征像素点，所有的特征像素点构成特征像素点集。本文选择5-7-11模板进行距离变换。选取环形像素点时，以模板的中心像素点为圆点，所取圆环小于模板像素区域。\n基于环形像素点匹配的快速图像跟踪算法▲环形像素点的选择例如，\n基于环形像素点匹配的快速图像跟踪算法▲算法步骤算法分三步完成一次跟踪。这三步为：1）粗搜索。用于排除明显失配点，选择出待匹配点；2）精搜索。在待匹配点中选择出最匹配的点作为目标的当前位置；3）模板更新。决定下一步跟踪中所使用的模板。\n基于环形像素点匹配的快速图像跟踪算法▲实验结果分析与比较实验结果一：第1帧第16帧第25帧第30帧第42帧第56帧\n基于环形像素点匹配的快速图像跟踪算法▲实验结果分析与比较实验结果二：第1帧第15帧第26帧第36帧第53帧第68帧\n基于环形像素点匹配的快速图像跟踪算法▲实验结果分析与比较NCCF是指归一化相关跟踪法，SSDA是指序贯相似检测法，该实验在PⅢ733机器上用Matlab6.1编程实现。\n基于环形像素点的快速图像匹配算法将基于环形像素点匹配的快速图像跟踪算法经过推广，可以很容易的用于图像的相关匹配，该推广算法我们称之为基于环行像素点的快速图像匹配算法。推广算法在选择好环行模板之后进行图像匹配，匹配算法分为两步：首先是粗匹配；其次是精匹配。这两步实际上是基于环行像素点匹配的快速图像跟踪算法的前两步。就是说，如果只保留基于环行像素点匹配的快速图像跟踪算法的前两步，就构成了基于环行像素点的快速图像匹配算法。\n基于环形像素点的快速图像匹配算法实验结果一：\n基于环形像素点的快速图像匹配算法实验结果二：\n基于环形像素点的快速图像匹配算法实验结果三：\n基于环形像素点的快速图像匹配算法两种方法花费时间比较：NCCF是指相关匹配法，CTM是指本文算法，基于环行像素点的匹配算法。\n小结本章中提出了一种基于环形像素点匹配的快速图像跟踪算法，实验结果表明，本文算法不仅能够稳定的跟踪目标，而且由于特征点的提取非常简单，又结合了粗搜索与精搜索策略，从而大大减少了运算量，与相关跟踪法及SSDA算法相比，在保证跟踪性能的前提下，在处理时间上具有明显的优越性。\n小结返回目录同时将该算法进行了推广，提出了一种基于环形像素点的快速匹配算法并将其运用于遥感图像匹配中。仿真结果表明，该算法不仅能够实现准确匹配，而且由于结合了粗匹配与精匹配策略，大大减少了运算量。为了进一步降低运算量，该算法还可以结合小波变换在图像的不同尺度上进行，从而实现在更大尺寸图像上的快速精确匹配。\n第六章总结与展望ò本文工作总结ò视觉跟踪问题中的难点ò展望\n本文工作总结视觉跟踪问题是计算机视觉中的核心技术之一，广泛应用于民用和军事的许多领域。解决视觉跟踪问题有两种思路，一种是自底向上，另一种是自顶向下。其中，自底向上的处理思路非常适于在工程实践中使用，并且已经被大量的实际系统采用，而自顶向下的思路在理论上具有更大的意义。由于本文的研究是在一定的工程应用背景下进行的，因此采用了自底向上的思路考虑视觉跟踪问题，主要对所涉及的四个环节，即图像预处理、目标检测、目标提取和目标跟踪进行了研究。\n本文工作总结▲图像预处理提出了一种基于局部多结构元素数学形态学的图像点状噪声的消噪算法。仿真结果表明，该算法能够很好的滤除受噪声污染的图像中的孤立噪声点，同时保留图像的细节部分，提高了图像的信噪比。还将该消噪算法进行了推广，用于进行图像的边缘检测。与经典的边缘检测算子提取的边缘相比，推广算法不仅具有良好的提取边缘的能力，而且具有较强的抗噪能力。\n本文工作总结▲目标检测针对复杂环境中运动目标检测问题，提出一种基于像素灰度归类的背景重构算法(PIC)，该算法无须对场景中的背景和目标建立模型，能够直接从含有前景运动目标的图像中重构背景，有效避免混合现象。同时针对PIC算法的不足，又提出一种基于像素灰度归类和修补的背景重构算法(PICM)，能有效克服当不满足初始假设条件时背景图像的错误重构问题,对实际图像序列的处理表明，PICM算法能够准确地进行背景重构，从而正确完整地检测和分割出运动的前景目标。\n本文工作总结▲目标提取提出了一种基于力场分析的主动轮廓模型，即FFASnake模型。该模型具有较大的捕获区域，初始轮廓不需要靠近感兴趣图像真实边缘，能够进入感兴趣图像深凹部分。避免Snake陷入局部极小点，同时计算量小。仿真结果表明，FFASnake模型对初始位置的选择不敏感，能快速准确地提取感兴趣图像的轮廓。\n本文工作总结▲目标跟踪提出一种基于环形像素点匹配的快速图像跟踪算法，实验表明，该算法不仅能稳定地跟踪目标，而且由于特征点的提取非常简单，又采用粗-精搜索策略，大大减少了运算量，与相关跟踪法及SSDA算法相比，在保证跟踪性能的前提下，在处理时间上具有明显的优越性。同时将该算法进行了推广，提出一种基于环形像素点的快速匹配算法。仿真结果表明，该算法不仅能够实现准确匹配，还大大减少了运算量。\n视觉跟踪问题中的难点从控制论的观点来看，视觉跟踪问题所面临的主要难点可以归结为对视觉跟踪算法在三个方面的要求，即对算法的鲁棒性、准确性和快速性要求。\n视觉跟踪问题中的难点▲算法的鲁棒性影响视觉跟踪算法鲁棒性的最主要原因在于：=被跟踪运动目标的姿态改变；=运动目标所处环境的光照变化；=部分遮挡所引起的运动目标不规则变形和全部遮挡所引起的运动目标的暂时消失。\n视觉跟踪问题中的难点▲算法的准确性在视觉跟踪问题研究中，准确性包括两个方面:=一个是指对运动目标检测的准确性，=另一个是指对运动目标分割的准确性。一旦能够实现对运动目标的准确检测和准确分割，那么也就能够准确获得运动目标的相关运动信息。\n视觉跟踪问题中的难点▲算法的快速性视觉跟踪算法处理的对象是包含有巨大数据量的图像，这些算法往往需要大量的运算时间，很难达到实时处理的要求。一种通用的减小视觉跟踪算法运算量的方法是利用金字塔分解或小波变换将图像分层处理；另一种思路是设计专用硬件实现实时的视觉跟踪。\n展望视觉跟踪技术具有广阔的应用前景，例如机器人技术、智能武器系统、虚拟现实技术等。近几十年来，在计算机技术和数学理论方面取得了巨大的进步，使计算机视觉领域在发展过程中可以很好的利用这些工具处理视觉跟踪问题。视觉跟踪技术所具有的强大的生命力必将使得该技术在不远的将来得到充分的发展，并对人们未来的生活产生深远的影响。