付秀明，嚴(yán)中紅

（重慶理工大學(xué)藥學(xué)與生物工程學(xué)院，重慶400054）

非剛性運(yùn)動(dòng)目標(biāo)識(shí)別跟蹤研究現(xiàn)狀

付秀明，嚴(yán)中紅

（重慶理工大學(xué)藥學(xué)與生物工程學(xué)院，重慶400054）

基于非剛性目標(biāo)運(yùn)動(dòng)跟蹤問題進(jìn)行分析，針對(duì)運(yùn)動(dòng)過程中目標(biāo)會(huì)出現(xiàn)旋轉(zhuǎn)、比例變化及形變等情況，在復(fù)雜的背景中通過特征識(shí)別匹配實(shí)現(xiàn)跟蹤。以運(yùn)動(dòng)目標(biāo)的檢測識(shí)別方法及特征識(shí)別方法為出發(fā)點(diǎn)，對(duì)目前幾種經(jīng)典方法進(jìn)行分析、比較。結(jié)果表明：與光流法及背景差分法相比，MHI在非剛性目標(biāo)運(yùn)動(dòng)的檢測準(zhǔn)確率、實(shí)時(shí)性以及魯棒性方面均占優(yōu)勢；特征匹配技術(shù)SURF則可更好地平衡處理速度和效果性能。以SIFT使用不同尺度確定穩(wěn)定特征點(diǎn)的思路為基礎(chǔ)，提出多小波變換圖像分析方法，用于實(shí)現(xiàn)對(duì)序列圖像運(yùn)動(dòng)目標(biāo)的特征匹配。

非剛性目標(biāo)；目標(biāo)檢測；運(yùn)動(dòng)跟蹤；運(yùn)動(dòng)識(shí)別；多小波變換

非剛性物體運(yùn)動(dòng)分析被廣泛應(yīng)用于人臉識(shí)別、運(yùn)動(dòng)識(shí)別等，而機(jī)器人視覺也涉及非剛性物體形狀的處理，如工業(yè)設(shè)備中帶關(guān)節(jié)和可彎曲的部件。同時(shí)，虛擬現(xiàn)實(shí)技術(shù)要求同時(shí)對(duì)剛體和非剛性體進(jìn)行重建和模擬［1］。利用序列圖像中非剛性目標(biāo)在邊緣、輪廓、時(shí)空等方面的差異，檢測出感興趣的運(yùn)動(dòng)物體，提取目標(biāo)輪廓形狀特征等信息，并獲取目標(biāo)位置、尺寸、速度等運(yùn)動(dòng)狀態(tài)，從而進(jìn)行目標(biāo)識(shí)別跟蹤［2］。在非剛性運(yùn)動(dòng)研究領(lǐng)域，其分析方法可分為基于模型的方法和基于特征的方法［3］。由于前者不能進(jìn)行精確的關(guān)鍵節(jié)點(diǎn)的識(shí)別跟蹤，故在現(xiàn)實(shí)應(yīng)用中多采用基于特征的方法，但是該方法實(shí)現(xiàn)自動(dòng)跟蹤時(shí)對(duì)背景的要求很嚴(yán)格。本文從目標(biāo)檢測與特征匹配兩個(gè)方面對(duì)這些方法進(jìn)行分析比較。

1　非剛性運(yùn)動(dòng)目標(biāo)檢測技術(shù)

對(duì)于復(fù)雜背景下運(yùn)動(dòng)目標(biāo)的檢測，實(shí)現(xiàn)實(shí)時(shí)控制對(duì)算法的實(shí)時(shí)性和準(zhǔn)確性都有較高的要求。目前對(duì)運(yùn)動(dòng)序列圖像的目標(biāo)分割檢測的主流方法是背景差分法、光流場法和MHI等［4］。

1.1光流法

Optical Flow（光流）屬于較高層次的計(jì)算機(jī)視覺表述方式，這是因?yàn)閳D像光流的計(jì)算不需要在圖像序列中建立對(duì)應(yīng)的特征關(guān)系［5］。Horn和Schunck［6］創(chuàng)造性地將二維速度場與灰度聯(lián)系，進(jìn)而引入光流約束方程，得到光流計(jì)算的基本算法。其原理是利用圖像的時(shí)空亮度梯度計(jì)算出一個(gè)運(yùn)動(dòng)場估算，用這個(gè)估算來表達(dá)圖像中各個(gè)像素點(diǎn)的運(yùn)動(dòng)矢量。光流為一個(gè)瞬時(shí)速度場，由場景中運(yùn)動(dòng)物體被測表面上的像素運(yùn)動(dòng)而產(chǎn)生［7］。之后很多研究者基于不同的理論基礎(chǔ)提出各種光流計(jì)算方法，將光流算法優(yōu)化并廣泛應(yīng)用。Barron［8］對(duì)多種光流算法進(jìn)行總結(jié)，將其按理論基礎(chǔ)和與數(shù)學(xué)方法的區(qū)別分為4種：基于梯度的方法（以Horn-Schunck為典型代表）、基于匹配的方法、基于能量的方法、基于相位的方法（以Fleet和Jepson為代表）。

在攝像機(jī)靜止的情況下，可以利用光流法計(jì)算運(yùn)動(dòng)物體的數(shù)目、速度、運(yùn)動(dòng)目標(biāo)的距離等運(yùn)動(dòng)參數(shù)。光流法不需要預(yù)知圖像場景的任何先驗(yàn)信息就能檢測到運(yùn)動(dòng)對(duì)象，并且在攝像機(jī)運(yùn)動(dòng)的情況下也能檢測到運(yùn)動(dòng)目標(biāo)，但該方法計(jì)算復(fù)雜，光流場計(jì)算結(jié)果的精確性受高噪聲、陰影、遮擋等情況的干擾，抗噪性能差，計(jì)算量較大，這在一定程度上限制了光流法在實(shí)時(shí)監(jiān)控中的應(yīng)用［9］。對(duì)于光流計(jì)算的抗噪性和算法的實(shí)時(shí)性，目前很多研究者基于光流場對(duì)其進(jìn)行改進(jìn)。張澤旭等［10］針對(duì)攝像機(jī)運(yùn)動(dòng)過程中的目標(biāo)提取問題提出了基于光流場分割和邊緣提取的方法，可在復(fù)雜場景的序列圖像中檢測出完整的運(yùn)動(dòng)目標(biāo)。昌猛等［11］在Horm與Schunck算法的遞歸方程的基礎(chǔ)上添加一個(gè)慣性因子，在保證算法性能的同時(shí)加快了算法的收斂速度，極大提高了計(jì)算效率。Singh［12］中指出，現(xiàn)有各種光流估計(jì)方法基本是在一個(gè)框架中，光流信息被這個(gè)框架分為兩類：保持信息和領(lǐng)域信息，通過這兩種信息提取物和融合來實(shí)現(xiàn)光流場的恢復(fù)。該領(lǐng)域的研究趨勢是對(duì)光流計(jì)算的統(tǒng)一框架的研究。

1.2背景差分法

背景差分法通過序列圖像建立背景圖像的像素模型，并在此基礎(chǔ)上將每幀圖像與背景圖像進(jìn)行對(duì)比運(yùn)算得到運(yùn)動(dòng)目標(biāo)［13］。這種方法一般涉及對(duì)兩個(gè)重要因素的考慮：一是背景模型的表示及初始化；二是背景更新的方法。背景差分法一般能提供完全的特征數(shù)據(jù)，但由于場景的復(fù)雜性、不可預(yù)知性以及環(huán)境噪聲的存在，其對(duì)天氣變化，光照變化，背景擾動(dòng)及背景物移入、移出等情況非常敏感。例如在下雨的環(huán)境中檢測運(yùn)動(dòng)目標(biāo)，那么其檢測結(jié)果的準(zhǔn)確性及跟蹤的精確性會(huì)受到運(yùn)動(dòng)目標(biāo)陰影的干擾［14］。背景差分法對(duì)運(yùn)動(dòng)目標(biāo)的檢測效果直接受背景圖像建模準(zhǔn)確程度等因素的影響，但檢測速度比較快，檢測結(jié)果也較準(zhǔn)確。

Wren等提出了基于單個(gè)高斯模型的背景構(gòu)建方法，前提是假定連續(xù)圖像幀中每個(gè)像素均是獨(dú)立的，并且其灰度值遵循高斯分布。Koller等指出上述方法存在一定的欠缺，在此基礎(chǔ)上進(jìn)行改進(jìn)，使運(yùn)動(dòng)目標(biāo)的像素點(diǎn)不會(huì)疊加到背景中，可以適當(dāng)?shù)馗卤尘?。Stauffer等提出了自適應(yīng)的混合高斯模型背景構(gòu)建方法，每個(gè)像素點(diǎn)的灰度值分布都由多個(gè)高斯分布混合表示，當(dāng)有重復(fù)運(yùn)動(dòng)的背景（比如樹枝的搖動(dòng)、水面的波動(dòng)等）時(shí)，這種背景通常表現(xiàn)為多峰，利用混合高斯模型可以很好地解決這個(gè)問題。Wu Yi-Ming等使用Kalman濾波器來對(duì)背景進(jìn)行不斷更新，該方法的計(jì)算復(fù)雜度相對(duì)較低，但是目標(biāo)緩慢運(yùn)動(dòng)時(shí)會(huì)導(dǎo)致背景模型出現(xiàn)拖影問題。許多學(xué)者在其基礎(chǔ)上進(jìn)行改進(jìn)。Elgammal等提出了基于和密度估計(jì)的非參數(shù)背景模型，該方法能解決樹葉晃動(dòng)等背景變動(dòng)對(duì)運(yùn)動(dòng)目標(biāo)提取的影響，但其計(jì)算代價(jià)過高。近年來很多學(xué)者對(duì)該方法進(jìn)行優(yōu)化，并取得了一定的效果。

1.3運(yùn)動(dòng)歷史圖像（MHI）

在運(yùn)動(dòng)歷史圖像的運(yùn)動(dòng)分割方法中，連續(xù)圖像中目標(biāo)輪廓在空間上的連續(xù)性成為其研究的出發(fā)點(diǎn)，通過每幀圖像對(duì)應(yīng)的目標(biāo)在不同時(shí)刻加權(quán)疊加形成目標(biāo)的運(yùn)動(dòng)歷史圖像，然后進(jìn)行分割得到最終目標(biāo)［15］。MHI的關(guān)鍵思想是利用浮點(diǎn)數(shù)來表示運(yùn)動(dòng)歷史圖像，輪廓圖像通過當(dāng)前系統(tǒng)轉(zhuǎn)換為浮點(diǎn)矩陣后對(duì)MHI進(jìn)行更新［16］。隨著時(shí)間的推進(jìn)，當(dāng)前幀對(duì)應(yīng)輪廓總是具有最大灰度值（最亮），而過去的輪廓在當(dāng)前MHI中的影響會(huì)越來越?。ㄗ儼担?。當(dāng)過去幀與當(dāng)前幀的時(shí)間超過設(shè)置的時(shí)間區(qū)段時(shí)，其影響將被清零。

在MHI中，輪廓序列凝結(jié)成灰度圖像把需要的運(yùn)動(dòng)信息保存下來。因此，MHI能以緊湊的方式來描述運(yùn)動(dòng)序列，同時(shí)MHI模板對(duì)輪廓噪聲不會(huì)非常敏感，例如孔、陰影和不完整的目標(biāo)等。這些優(yōu)勢使得MHI模板適合應(yīng)用于運(yùn)動(dòng)分析和步態(tài)分析中。MHI模板保持每個(gè)像素位置隨時(shí)間的變化運(yùn)動(dòng)歷史，并隨時(shí)間衰減，利用每個(gè)像素的亮度在時(shí)間方式上表達(dá)運(yùn)動(dòng)流和序列。該方法對(duì)光線的要求不是特別高，但不適用于動(dòng)態(tài)背景的運(yùn)動(dòng)分析，而僅限于對(duì)特定目標(biāo)的運(yùn)動(dòng)分析，無法得到目標(biāo)其他的信息［13］。

2　非剛性目標(biāo)的特征匹配技術(shù)

在運(yùn)動(dòng)序列圖像的目標(biāo)跟蹤識(shí)別過程中，除了需要對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行檢測外，更重要的是對(duì)運(yùn)動(dòng)目標(biāo)的識(shí)別。在對(duì)非剛性物體的跟蹤分析中，由于非剛性物體的特性，很多方法對(duì)運(yùn)動(dòng)目標(biāo)的特征進(jìn)行抽取，然后與后續(xù)圖像的特征進(jìn)行匹配，以最后達(dá)到跟蹤的目的［17］。本文主要分析比較SIFT、SURF以及CenSurE在圖像特征匹配方面的區(qū)別。

2.1SIFT

David G.Lowez在不變量技術(shù)的特征檢測方法的基礎(chǔ)上提出了SIFT算法。該算法基于尺度空間，其SIFT描述算子對(duì)圖像的一些局部特征有很好的魯棒性，如圖像的收縮、旋轉(zhuǎn)、平移甚至仿射變換［18-19］。SIFT算法的特征檢測基于尺度空間，在同時(shí)確定關(guān)鍵點(diǎn)的位置和所處的尺度條件下，將關(guān)鍵點(diǎn)領(lǐng)域梯度的主方向作為該點(diǎn)的方向特征，實(shí)現(xiàn)了SFIT算子對(duì)尺度和方向的無關(guān)性［20］。

SIFT對(duì)圖像實(shí)現(xiàn)特征匹配的主要過程如下：①從需要處理的多張圖像中提取不變的關(guān)鍵特征點(diǎn)；②為初步確定關(guān)鍵點(diǎn)的位置和所在尺度，需要利用尺度空間極值來檢測特征點(diǎn)，但關(guān)鍵點(diǎn)的數(shù)目較多；③通過擬合三維二次函數(shù)更精確地確定關(guān)鍵點(diǎn)的位置和尺度，同時(shí)利用閾值去除對(duì)比度低的關(guān)鍵點(diǎn)和不穩(wěn)定的邊緣響應(yīng)點(diǎn)，增強(qiáng)匹配穩(wěn)定性和可靠性［21］；④對(duì)關(guān)鍵點(diǎn)領(lǐng)域像素的梯度方向分布特性進(jìn)行統(tǒng)計(jì)，以此作為關(guān)鍵點(diǎn)指定方向參數(shù)，使算子具備旋轉(zhuǎn)不變性；⑤對(duì)關(guān)鍵點(diǎn)的特征向量進(jìn)行歐氏距離運(yùn)算，以此作為多幀圖像中關(guān)鍵點(diǎn)的相似性判定度量來確定匹配點(diǎn)［22］。

該方法對(duì)圖像目標(biāo)的方向和尺度有很好的魯棒性，在較復(fù)雜的情況下能實(shí)現(xiàn)特征匹配，但是計(jì)算量大，匹配不夠精確，并且處理速度較慢，難以實(shí)現(xiàn)實(shí)時(shí)特征匹配。

2.2SURF

基于SURF（speeded-up robust features）算法的圖像匹配方法由Bay在2006年［23］提出，它采用一種新的橫向擴(kuò)展和旋轉(zhuǎn)不變的特征點(diǎn)檢測和描述符，在SIFT的基礎(chǔ)上將特征匹配的算法進(jìn)行優(yōu)化，其核心是對(duì)整個(gè)圖像進(jìn)行卷積。為了平衡處理速度與效果性能，SURF在發(fā)揮現(xiàn)有的檢測和描述算子優(yōu)勢的基礎(chǔ)上，構(gòu)建以Hessian矩陣為測量標(biāo)準(zhǔn)的檢測方法以及一種基于分布的描述算子。文獻(xiàn)［24］進(jìn)一步完善了SURF算法，所構(gòu)建的USURF算子用于特征匹配時(shí)具有較好的尺度旋轉(zhuǎn)不變性。該算法由于不利用顏色進(jìn)行檢測，所以對(duì)光照有很好的魯棒性，同時(shí)利用全仿射不變特征的穩(wěn)健性能可有效避免對(duì)旋轉(zhuǎn)不變性矯枉過正的情況。

SURF算法的檢測過程與SIFT算法類似，兩者的不同之處主要在于SURF算法將方框?yàn)V波近似代替二階高斯濾波以生成尺度空間，同時(shí)利用haar小波代替直方圖來統(tǒng)計(jì)特征點(diǎn)的主方向以及生成特征向量［25］。SURF算子在很多方面都優(yōu)于以往類似的方法，如重復(fù)性、獨(dú)特性、魯棒性，保持所提取的特征向量依然具有旋轉(zhuǎn)不變性以及尺度不變性。這不僅使得該方法在特征匹配中的精確度比較理想，同時(shí)在計(jì)算速度上也有所突破［26］。SURF算法與Harris角點(diǎn)檢測算法相比，精度有所提高；與SIFT算法相比，解決了運(yùn)算量的問題，在一定程度上提高了實(shí)時(shí)檢測性能。

2.3CenSurE

Agrawal等在結(jié)合SIFT、SUFT性能的基礎(chǔ)上提出Center Surround Extremas方法。CenSurE是一種計(jì)算效率極高的局部不變特征［27］，其主要思路是首先利用雙層高斯拉普拉斯濾波器構(gòu)建尺度空間，用積分圖像加速計(jì)算每個(gè)像素點(diǎn)的中心環(huán)繞哈爾小波響應(yīng)值，然后采用非極大值抑制方法檢測局部極值，最后濾除響應(yīng)值較小和分布在圖像邊緣或線上的不穩(wěn)定點(diǎn)。

在實(shí)際工程中，相鄰兩幀之間通常只有幾個(gè)像素的小范圍距離變化，動(dòng)態(tài)場景變化緩慢［28］，不會(huì)發(fā)生突變。因此，求解單應(yīng)性矩陣所需的特征點(diǎn)提取算法需要有較好的實(shí)時(shí)性，并且對(duì)小尺度平移、旋轉(zhuǎn)和縮放變化具有很好的不變性，對(duì)于光照、噪聲和一定程度的視角變化也具有適應(yīng)性。CenSurE算法可較好地滿足上述要求。

CenSurE特征具有計(jì)算效率高、特征點(diǎn)坐標(biāo)精確等優(yōu)點(diǎn)，對(duì)小尺度的旋轉(zhuǎn)、縮放和平移具有很好的穩(wěn)定性，對(duì)光照和噪聲也具有較好的適應(yīng)性，目前已在目標(biāo)跟蹤、識(shí)別等實(shí)時(shí)性要求較高的場合得到應(yīng)用。

2.4多小波變換

本文在結(jié)合SIFT與SURF算法的多尺度思想基礎(chǔ)上提出圖像的多小波變換分析法。多小波變換的本質(zhì)是利用多個(gè)不同的濾波器對(duì)圖像進(jìn)行濾波處理，每個(gè)濾波器有不同的頻率響應(yīng)范圍，將原圖像變換成多個(gè)頻段上的圖像。在多小波變換中的多尺度就是圖像空間變化的多個(gè)頻率分段，與SIFT與SURF的多尺度基于空間尺度是相同的，只是分析的角度不同而已。多小波變換后多頻段上的圖像之間存在某種關(guān)系，本質(zhì)上也與SIFT在不同尺度上尋找圖像特征的機(jī)制是相同的。但是多小波變換計(jì)算更簡單、明確、直接，可以利用小波的各種特性如極值、局部特性等實(shí)現(xiàn)不同特征的檢測，同時(shí)小波理論有非常完善的理論分析框架，便于分析計(jì)算，甚至由小波特征點(diǎn)可以重建原始圖像，顯然這是SIFT與SURF無法達(dá)到的，這些也是筆者感興趣的研究問題。

3　結(jié)束語

在通過運(yùn)動(dòng)序列圖像對(duì)運(yùn)動(dòng)目標(biāo)的跟蹤識(shí)別過程中，主要是對(duì)運(yùn)動(dòng)目標(biāo)的識(shí)別操作以及利用特征匹配來實(shí)現(xiàn)目標(biāo)跟蹤操作。在這些操作處理過程中會(huì)遇到以下主要問題：①有無遮擋。在圖像視場范圍內(nèi)，經(jīng)常遇到這樣的問題：運(yùn)動(dòng)目標(biāo)在過程中會(huì)出現(xiàn)被遮擋的現(xiàn)象，在運(yùn)動(dòng)目標(biāo)識(shí)別過程中如何將不完整的運(yùn)動(dòng)對(duì)象與完整運(yùn)動(dòng)對(duì)象匹配。②多目標(biāo)識(shí)別問題。運(yùn)動(dòng)目標(biāo)的數(shù)量對(duì)研究有一定的影響，單目標(biāo)的識(shí)別跟蹤相對(duì)來說比較簡單，目前技術(shù)也較成熟，但是對(duì)于多個(gè)運(yùn)動(dòng)目標(biāo)的識(shí)別則更具有挑戰(zhàn)性，同時(shí)多目標(biāo)識(shí)別跟蹤還涉及多目標(biāo)的重疊問題。

序列圖像的運(yùn)動(dòng)目標(biāo)提取在實(shí)際應(yīng)用中很有價(jià)值，單一方法在運(yùn)動(dòng)目標(biāo)檢測跟蹤中均存在一些問題，故研究中更多地是將不同的方法有效地融合在一起，在相互彌補(bǔ)不足的同時(shí)將重要的參數(shù)指標(biāo)提高。目前在攝像頭運(yùn)動(dòng)時(shí)的多目標(biāo)提取尤為困難，但其研究價(jià)值更高，亟待突破。

［1］李防震，胡匡祜.非剛性運(yùn)動(dòng)分析方法的現(xiàn)狀與展望［J］.中國圖象圖形學(xué)報(bào)：A輯，2005，10（1）：11-17.

［2］吳樂，黃東軍.基于視頻流的運(yùn)動(dòng)目標(biāo)跟蹤技術(shù)的研究［J］.科技信息，2008（3）：76-77.

［3］胡海燕，黃文清，李文杰，等.基于MRF和神經(jīng)網(wǎng)絡(luò)的三維運(yùn)動(dòng)參數(shù)估計(jì)［J］.工業(yè)控制計(jì)算機(jī)，2012，25（4）：92-93.

［4］屠禮芬，仲思東，彭祺.基于混合差分法的運(yùn)動(dòng)目標(biāo)檢測［J］.科學(xué)技術(shù)與工程，2012（2）：325-329.

［5］胡以靜，李政訪，胡躍明.基于光流的運(yùn)動(dòng)分析理論及應(yīng)用［J］.計(jì)算機(jī)測量與控制，2007，15（2）：219-221.

［6］Horn B K，Schunck B G.Determining optical flow［C］// 1981 Technical Symposium East.International Society for Optics and Photonics.［S.l.］：［s.n.］，1981：319-331.

［7］Royden C S，Holloway M A.Detecting moving objects in an optic flow field using direction-and speed-tuned operators［J］.Vision research，2014，98：14-25.

［8］Barron J L，F(xiàn)leet D J，Beauchemin S S.Performance of optical flow techniques［J］.International journal of computer vision，1994，12（1）：43-77.

［9］侯宏錄，李寧鳥，劉迪迪，等.智能視頻監(jiān)控中運(yùn)動(dòng)目標(biāo)檢測的研究［J］.計(jì)算機(jī)技術(shù)與發(fā)展，2012，22（2）：49-52.

［10］張澤旭，李金宗，李寧寧.基于光流場分割和Canny邊緣提取融合算法的運(yùn)動(dòng)目標(biāo)檢測［J］.電子學(xué)報(bào)，2003，31（9）：1299-1302.

［11］昌猛，吳新根.一種快速的光流場計(jì)算方法［J］.東南大學(xué)學(xué)報(bào)，1999，29（5）：101-104.

［12］Singh A.An estimation-theoretic framework for imageflow computation［C］//Computer Vision，1990.Proceedings，Third International Conference on.USA：IEEE，1990：168-177.

［13］王孝艷，張艷珠，董慧穎，等.運(yùn)動(dòng)目標(biāo)檢測的三幀差法算法研究［J］.沈陽理工大學(xué)學(xué)報(bào)，2012，30（6）：82 -85.

［14］張娟，毛曉波，陳鐵軍.運(yùn)動(dòng)目標(biāo)跟蹤算法研究綜述［J］.計(jì)算機(jī)應(yīng)用研究，2009（12）：4407-4410.

［15］屈楨深，于萌萌，姜永林，等.應(yīng)用小波模歷史圖像的運(yùn)動(dòng)車輛視頻檢測［J］.西南交通大學(xué)學(xué)報(bào)，2012，47（3）：439-445.

［16］Ahad M A R，Tan J K，Kim H，et al.Motion history image：its variants and applications［J］.Machine Vision and Applications，2012，23（2）：255-281.

［17］侯宏錄，李寧鳥.一種基于運(yùn)動(dòng)目標(biāo)識(shí)別的智能視頻監(jiān)控系統(tǒng)［J］.兵工自動(dòng)化，2012，31（3）：5-9.

［18］LOWEDG.Object recognition from local scale in variant features［C］//Proc.of the International Conference on Computer Vision.［S.l.］：［s.n.］，1999：1150-1157.

［19］LOWEDG.Distinctive image features from scale in variant key points［J］.International Journal of Computer Vision，2004（6）：91-110.

［20］藺海峰，宇峰，宋濤.基于SIFT特征目標(biāo)跟蹤算法研究［J］.自動(dòng)化學(xué)報(bào)，2010，36（8）：1204-1208.

［21］李二森，張保明，劉景正，等.SIFT特征匹配技術(shù)在自動(dòng)相對(duì)定向中的應(yīng)用［J］.測繪科學(xué)，2008，33（5）：16 -18.

［22］張永宏，楊戈，郝培培，等.基于SURF特征的PCB圖像拼接算法研究［J］.制造業(yè)自動(dòng)化，2013，35（7）：71 -74.

［23］Bay H，Tuytelaars T，Van Gool L.Surf：Speeded up robust features［M］//Computer Vision-ECCV 2006.Berlin：Springer Berlin Heidelberg，［S.l.］：［s.n.］，2006：404-417.

［24］Bay H，Ess A，Tuytelaars T，et al.Speeded-up robust features（SURF）［J］.Computer vision and image understanding，2008，110（3）：346-359.

［25］仝如強(qiáng)，黃玉清，田瑞娟.SURF算法及其對(duì)運(yùn)動(dòng)目標(biāo)的檢測跟蹤效果［J］.西南科技大學(xué)學(xué)報(bào)，2011，26（3）：63-67.

［26］李秀艷，劉鐵根，鄧仕超，等.基于SURF算子的快速手背靜脈識(shí)別［J］.儀器儀表學(xué)報(bào)，2011，32（4）：831 -836.

［27］Agrawal M，Konolige K，Blas M R.Censure：Center surround extremas for realtime feature detection and matching［M］.Computer Vision-ECCV 2008，Berlin：Springer Berlin Heidelberg，2008：102-115.

（責(zé)任編輯楊黎麗）

Research Status of Target Identification and Tracking of Non-Rigid Motion

FU Xiu-ming，YAN Zhong-hong
（College of Pharmacy and Biological Engineering，Chongqing University of Technology，Chongqing 400054，China）

The analysis based on non-rigid object motion tracking.In a complex background by the feature，we identified the tracking match through the goal conditions of rotation，scaling and deformation changes in the campaign course.The starting point was to analyze the detection and identification method and feature recognition method of moving targets and to comparatively analyze on the current development of several classical methods.Compared with the optical flow method and background subtraction，MHI has advantages in non-rigid object motion detection accuracy，timeliness and robustness dominant.Feature matching technology，SURF can better balance processing speed and effectiveness of performance.Based on the idea of the SIFT of different scales to determine the stability feature points，we proposed multi-wavelet transform image analysis，which was used to implement the feature match of image sequences moving targets.

non-rigid target；target detection；motion tracking；motion recognition；multiwavelet transform

TP391.4

A

1674-8425（2015）04-0081-05

10.3969/j.issn.1674-8425（z）.2015.04.016

2014-12-20

重慶市教委科學(xué)技術(shù)研究項(xiàng)目（KJ120807）

付秀明（1991—），女，江西贛州人，碩士研究生，主要從事計(jì)算機(jī)醫(yī)學(xué)圖像與信號(hào)處理方面的研究；通訊作者嚴(yán)中紅（1964—），男，重慶墊江人，博士，教授，主要從事計(jì)算機(jī)醫(yī)學(xué)圖像與信號(hào)處理方面的研究。

付秀明，嚴(yán)中紅.非剛性運(yùn)動(dòng)目標(biāo)識(shí)別跟蹤研究現(xiàn)狀［J］.重慶理工大學(xué)學(xué)報(bào)：自然科學(xué)版，2015（4）：81 -85.

format：FU Xiu-ming，YAN Zhong-hong.Research Status of Target Identification and Tracking of Non-Rigid Motion［J］.Journal of Chongqing University of Technology：Natural Science，2015（4）：81-85.