戴廣軍　張樂　李亞霖　余雷

摘要：本文分析和描述了當(dāng)前常用的運(yùn)動(dòng)目標(biāo)跟蹤的有關(guān)算法，通過分類介紹的形式，從跟蹤方法的算法性能，實(shí)現(xiàn)難度和應(yīng)用場(chǎng)景等方面進(jìn)行討論，分別闡述了幾種方法的優(yōu)缺點(diǎn)以及研究過程中所面臨的難題。最后對(duì)運(yùn)動(dòng)目標(biāo)跟蹤算法提出了展望。

關(guān)鍵詞：圖像跟蹤；機(jī)器視覺；目標(biāo)跟蹤算法

中圖分類號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2016）23-0151-02

視頻對(duì)象中的運(yùn)動(dòng)目標(biāo)跟蹤作為現(xiàn)在圖像處理和機(jī)器視覺領(lǐng)域中的研究熱點(diǎn)，在人工智能，軍事偵察，人機(jī)互動(dòng)，安全監(jiān)控等眾多領(lǐng)域中具有廣泛的研究前景。但由于目標(biāo)運(yùn)動(dòng)的不確定特性，目標(biāo)與場(chǎng)景之間的遮擋，攝像機(jī)的運(yùn)動(dòng)等因素，使得圖像跟蹤的精準(zhǔn)度存在較大誤差[1][2]。本文通過分析大量文獻(xiàn)，綜述了不同的圖像跟蹤算法，并且分析了其中的問題和不足，并指出了之后的應(yīng)用研究方向。

1 目標(biāo)檢測(cè)跟蹤算法

在目標(biāo)跟蹤的過程中，圖像序列的背景一般分為兩種情況，一種是背景變化，一種是背景靜止。前者來說運(yùn)動(dòng)的背景是一直在變化的，即攝像機(jī)處于不停的運(yùn)動(dòng)中。后者來說，攝像機(jī)處于靜止?fàn)顟B(tài)，只有跟蹤的目標(biāo)在運(yùn)動(dòng)。這種情況下，可以采用幀間差分法去除背景噪聲的干擾，從而獲取運(yùn)動(dòng)目標(biāo)的相對(duì)位置[3]。

幀間差分法是通過對(duì)圖像序列中相鄰的圖像做差分運(yùn)算來提取出運(yùn)動(dòng)區(qū)域的。通常提取現(xiàn)時(shí)段的運(yùn)動(dòng)狀態(tài)數(shù)據(jù)，同前兩個(gè)時(shí)刻的數(shù)據(jù)的均值做差分運(yùn)算，差值若大于預(yù)設(shè)的閾值，則保留數(shù)據(jù)，反之去除。將保留下的數(shù)據(jù)組成集合G，該集合就是要提取的運(yùn)動(dòng)區(qū)域[4]。

該方法簡(jiǎn)單有效，同時(shí)因?yàn)槭菍?duì)圖像序列做差分運(yùn)算，故對(duì)光線變化不敏感。其缺點(diǎn)是只能檢測(cè)背景圖像中的運(yùn)動(dòng)目標(biāo)，當(dāng)目標(biāo)處于靜止?fàn)顟B(tài)或者運(yùn)動(dòng)較慢時(shí)，跟蹤常常會(huì)失效。另外，幀間差分法適應(yīng)于背景靜止的場(chǎng)景，因此如果攝像機(jī)在移動(dòng)，該方法同樣會(huì)失效。

2 圖像相關(guān)匹配跟蹤算法

圖像的相關(guān)；匹配跟蹤算法是將實(shí)時(shí)檢測(cè)到的圖像與模板圖像相匹配，按照指定的相似度的度量方法，在實(shí)時(shí)圖像中確定運(yùn)動(dòng)目標(biāo)的位置。針對(duì)于不同的度量函數(shù)，會(huì)形成不同的度量方法。同時(shí)，不同的搜索路徑也會(huì)對(duì)搜索的精度和算法的運(yùn)算時(shí)間造成影響。

在相關(guān)匹配跟蹤算法中，通常是采用某一區(qū)域圖像的灰度特征作為目標(biāo)的特征選擇，因此，當(dāng)跟蹤目標(biāo)受到遮擋或者背景光線變化時(shí)，對(duì)該算法會(huì)造成很大的影響。相關(guān)匹配跟蹤算法的另一個(gè)缺點(diǎn)是迭代搜索時(shí)間過長(zhǎng)。因?yàn)樵谄ヅ淠繕?biāo)跟蹤時(shí)，為了保證跟算法的精度，通常會(huì)將目標(biāo)模板與很多的待匹配點(diǎn)進(jìn)行匹配，因此搜索時(shí)間會(huì)很長(zhǎng)。當(dāng)目標(biāo)模板與待匹配區(qū)域進(jìn)行逐點(diǎn)匹配運(yùn)算時(shí)，可以保證得到全局最優(yōu)的待匹配點(diǎn)。但以目前的運(yùn)算速度，在大視場(chǎng)范圍內(nèi)，還無法滿足系統(tǒng)的實(shí)時(shí)性要求[5][6]。

3 粒子濾波跟蹤算法

粒子濾波是求解序列貝葉斯估計(jì)的一種非線性濾波算法。這里的“粒子”指的是一種尺度很小的濾波器。粒子濾波實(shí)質(zhì)是目標(biāo)狀態(tài)的后驗(yàn)概率可以利若干個(gè)粒子濾波器來近似，通過非參數(shù)化的蒙特卡羅模擬來實(shí)現(xiàn)遞推貝葉斯濾波，因此粒子濾波適用于任意非線性，非高斯系統(tǒng)估計(jì)問題[7][8]。

粒子濾波跟蹤算法屬于一種非線性濾波算法，從理論上說可以達(dá)到全局最優(yōu)。但通過對(duì)粒子濾波算法的跟蹤模型以及算法步驟的研究，發(fā)現(xiàn)算法的實(shí)時(shí)性問題、狀態(tài)初始概率選取問題，使粒子濾波距離工程應(yīng)用尚有一定的差距，還不能完全應(yīng)用在實(shí)時(shí)系統(tǒng)中。同時(shí)，粒子濾波里的粒子還會(huì)存在退化問題，當(dāng)?shù)螖?shù)增加，一些粒子濾波的權(quán)值會(huì)不斷減小癡線退化現(xiàn)象。

4 Mean shift（均值漂移）算法

Mean shift算法是一種非參數(shù)密度估計(jì)過程，最早是由Fukunaga等人提出的一種基于特征空間密度梯度方向進(jìn)行迭代搜索，從而獲得局部密度極大值的樣本數(shù)據(jù)[9]。Mean shift算法的核心是基于核密度估計(jì)的無參數(shù)估計(jì)方法，它將每個(gè)點(diǎn)移動(dòng)到密度函數(shù)的局部極大值點(diǎn)處，即密度梯度為0的點(diǎn)，也叫模式點(diǎn)。該跟蹤算法以人體區(qū)域像素灰度值的概率分布為特征，進(jìn)行跟蹤。對(duì)邊緣遮擋，目標(biāo)旋轉(zhuǎn)，變形和背影運(yùn)動(dòng)不敏感，因此有很好的魯棒性，適用于目標(biāo)的追蹤。

相較于其他濾波，它的優(yōu)點(diǎn)是不需要提前了解特征空間的特點(diǎn)，只需要根據(jù)提供的樣本點(diǎn)就可以進(jìn)行估計(jì)濾波。同時(shí)該算法計(jì)算量小，易于實(shí)現(xiàn)，因此算法計(jì)算時(shí)間短，很適合實(shí)時(shí)性要求很高的場(chǎng)合。但是該算法對(duì)于小目標(biāo)和快速移動(dòng)的目標(biāo)往往會(huì)失效[10]。

5 總結(jié)

本文綜述了幾種圖像跟蹤的算法，結(jié)論如下：

1） 目標(biāo)檢測(cè)跟蹤算法簡(jiǎn)單且有效。同時(shí)該算法對(duì)光線的變化不敏感，能夠有效適應(yīng)光線變化明顯的環(huán)境。缺點(diǎn)是只能檢測(cè)到運(yùn)動(dòng)目標(biāo)，對(duì)靜止或者移速慢的目標(biāo)往往無效。另外，目標(biāo)檢測(cè)跟蹤算法是基于背景的一種算法，因此當(dāng)背景大范圍改動(dòng)的時(shí)候，該方法也會(huì)失效。

2） 圖像相關(guān)匹配跟蹤算法是采用某一區(qū)域圖像的灰度特征作為目標(biāo)的特征選擇，進(jìn)行圖像跟蹤的。因此相較于目標(biāo)檢測(cè)算法來說，無論目標(biāo)是否運(yùn)動(dòng)，都能檢測(cè)。但是該算法對(duì)光線變化敏感，且算法實(shí)時(shí)性不高，搜索時(shí)間較長(zhǎng)。

3） 粒子濾波跟蹤算法是一種非線性濾波方法，因此相對(duì)于基于圖像匹配和目標(biāo)檢測(cè)的算法，不需要考慮物體的運(yùn)動(dòng)狀態(tài)和光線變化。但是粒子濾波算法難度較大，導(dǎo)致其實(shí)時(shí)性不高，不能用于實(shí)時(shí)的檢測(cè)系統(tǒng)。

4） 均值漂移算法作為聚類濾波的一種，以人體區(qū)域像素灰度值的概率分布為特征進(jìn)行無參數(shù)估計(jì)。相對(duì)于基于圖像檢測(cè)的目標(biāo)跟蹤方法，該算法對(duì)邊緣遮擋，目標(biāo)旋轉(zhuǎn)，變形和背影運(yùn)動(dòng)不敏感。但是在跟蹤小目標(biāo)和快速運(yùn)動(dòng)的目標(biāo)時(shí)，往往會(huì)失效。

綜上所述所得，每種算法都有各自的優(yōu)缺點(diǎn)，比如迭代速度，物體運(yùn)動(dòng)狀態(tài)的選擇，背景變化的適應(yīng)度等等。因此我們?cè)谶x取濾波方法的時(shí)候，一定要充分考慮跟蹤目標(biāo)和背景環(huán)境的問題，結(jié)合實(shí)際情況，選取最優(yōu)方法。

同時(shí)，目標(biāo)跟蹤算法還有很多亟待解決的問題，比如如何協(xié)調(diào)算法的實(shí)時(shí)性與準(zhǔn)確度之間的矛盾，如何強(qiáng)化算法的通用性等等。相信在之后的研究過程中，這些問題都能夠被很好解決，運(yùn)動(dòng)目標(biāo)的跟蹤技術(shù)也會(huì)得到飛速的發(fā)展。

參考文獻(xiàn)：

[1] 王熙贏，陳熙源.強(qiáng)跟蹤濾波器在高動(dòng)態(tài)GPS信號(hào)跟蹤中的應(yīng)用[J].東南大學(xué)學(xué)報(bào)：自然科學(xué)版，2014，44（5）：946-951.

[2] Xu P， Hu Z L， Jiang N， et al. Transient reflectance spectra of adaptive filters based on dynamic population gratings[J]. Optics Letters， 2012， 37（11）： 1992-1994.

[3] 黃大羽. 復(fù)雜環(huán)境下弱目標(biāo)檢測(cè)與跟蹤算法研究[D].華東理工大學(xué)，2012.

[4] 鐘必能. 復(fù)雜動(dòng)態(tài)場(chǎng)景中運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤算法研究[D].哈爾濱工業(yè)大學(xué)，2010.

[5] 谷會(huì)濤. 視頻和圖像處理中像素匹配運(yùn)算的加速技術(shù)研究[D].國(guó)防科學(xué)技術(shù)大學(xué)，2011.

[6] 薛利軍，李自田，李英才. 一種基于圖像分層的快速相關(guān)匹配算法[J]. 計(jì)算機(jī)工程與科學(xué)，2006（7）：65-66.

[7] 張波. 基于粒子濾波的圖像跟蹤算法研究[D].上海交通大學(xué)，2007.

[8] Ning X， Wang H， Zhang Q， Chen L. Interval diffracted particle filter.ACTA PHYSICA SINICA，2010（59）：4426-4433.

[9] Fukunaga， K.， & Hostetler， L. （1975）. The estimation of the gradient of a density function， with applications in pattern recognition. IEEE Transactions on Information Theory， 21（1）， 32-40.

[10] 周芳芳，樊曉平，葉榛. 均值漂移算法的研究與應(yīng)用[J]. 控制與決策，2007（8）：841-847.