复杂场景视频图像中运动物体的检测与跟踪_沙盛中.docx

《复杂场景视频图像中运动物体的检测与跟踪_沙盛中.docx》由会员分享，可在线阅读，更多相关《复杂场景视频图像中运动物体的检测与跟踪_沙盛中.docx（56页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。

1、 苏州大学学位论文独创性声明及使用授权的声明 学位论文独创性声明 本人郑重声明：所提交的学位论文是本人在导师的指导下，独立进 行研究工作所取得的成果。除文中已经注明引用的内容外，本论文不含 其他个人或集体已经发表或撰写过的研究成果，也不含为获得苏州大学 或其它教育机构的学位证书而使用过的材料。对本文的研究作出重要贡 献的个人和集体，均已在文中以明确方式标明。本人承担本声明的法律 责任。 苏州大学、中国科学技术信息研究所、国家图书馆、清华大学论文 合作部、中国社科院文献信息情报中心有权保留本人所送交学位论文的 复印件和电子文档，可以采用影印、缩印或其他复制手段保存论文。本 人电子文档的内容和纸质

2、论文的内容相一致。除在保密期内的保密论 文 外，允许论文被查阅和借阅，可以公布（包括刊登）论文的全部或部分 内容。论文的公布（包括刊登）授权苏州大学学位办办理。 研究生签名 : 日期： 2 vg.S 1 学位论文使用授权声明 研究生签名 : 日期： 挪 UP 复杂场景视频图像中运动物体的检测与跟踪 中文摘要 本文研究的主要内容是图像序列中运动物体的检测与跟踪技术。图像序列中运 动物体的检测与跟踪是计算机视觉领域的重要研究课题之一，也是近年来备受研究者 关注的前沿方向，在智能监控系统、虚拟现实、高级用户接口、运动分析和基于模型 的编码等领域都有应用。 运动目标检测与跟踪的研究对象是视频序列，或者

3、说是图像序列。运动目标检测 就是首先判断视频序列中是否存在运动目标，然后确定运动目标的位置并将其提取出 来。运动目标跟踪是指在整个视频序列中监控运动目标的时空变化，如目标的出现与 消失，目标的位置、尺寸和形状等。运动目标的检测与跟踪是紧密关联的两个过程， 跟踪始于检测，而目标在后续图像序列中的重复检测也有助于目标的跟踪。 本文的主要研究方法如下： 1. 通过帧间差分和阈值化得到二值化图像，经数学形态学滤波提取出运动变化 域，最后检测出运动目标。 2. 对运动目标跟踪作了初步研 究，给出基于卡尔曼滤波的运动目标跟踪算法，并 针对卡尔曼滤波器只能跟踪单一固定大小、形状的目标进行了改进，提出了形状特

4、征 与最相邻相结合的方法，这种方法既满足实时性的要求同时跟踪的效果也比较令人满 -tV- 关键词：视频图像运动目标检测与跟踪形态学卡尔曼滤波形状特征 作 者：沙盛中 指导老师：翁桂荣 I Abstract The thesis is focused on the technique of detection and tracking of the moving objects in image sequences. Detection and tracking of moving objects in image sequences is one of the most important r

5、esearch topics in the domain of computer vision, it is also an active field which has interested many researchers in recent years. It has applications in smart surveillance system, virtual reality, advanced user interface, motion analysis, model-based coding and so on. The research interest of movin

6、g objects detection and tracking is video sequence, i.e. sequence. Object detection in videos involves verifying the presence of an object in image sequences and possibly locating it precisely. Object tracking is to monitor an objects spatial and temporal changes during a video sequence, including i

7、ts presence, position, size, shape, etc. These two processes are closely related because tracking usually starts with detecting objects, while detecting an object repeatedly in subsequent image sequence is often necessary to verify tracking. The major work implemented in this paper is presented as f

8、ollows: 1. For a video sequence, moving change regions are achieved firstly by means of converting difference image to binary image using thresholding and morphological filtering, then can obtain the moving object. 2. A preliminary investigation is made into moving objects tracking. This article pre

9、sents an algorithm to track moving objects based on Kalman filtering, propose the method that combining shape feature with nearest neighboring on the improvement of kalman filter can only track single object of fixed size and shape. This method can satisfy real-time demands, its tracking effect is f

10、amous at the same time. Keyword: Video image, Detecting and tracking of moving object, Mathematical morphology, Kalman filtering, Shape feature Written by Sha Shengzhong Supervised by Weng Guiron m-m m . 1 1.1选题的依据和意义 . 1 1.2国内外研究现状 . 2 1. 3论文各部分的主要内容 . 2 第二章视频图像的预处理 . 4 2. 1图像增强 . 4 2.2图像平滑技术 . 5 本

11、章小结： . 8 第三章运动目标提取 . 9 3. 1运动目标检测基本方法 . 9 3. 1. 1光流法 . 9 3. 1.2帧间差分法 . 11 3. 1.3背景消减法 . 13 3.2数学形态学处理 . 15 3. 2. 1形态学方法及原理 . 16 3.2.2形态滤波算法 . 17 本章小结： . 20 第四章运动目标的跟踪 . 21 4. 1卡尔曼滤波器 . 21 4. 1. 1卡尔曼滤波器原理 . 22 4. 1. 2卡尔曼滤波的特点 . 25 4.1.3目标形状描述 . 25 4. 1.4卡尔曼滤波器运动目标跟踪的实现 . 27 4. 2基于 SNAKE模型的运动目标跟踪 . 32

12、 4. 2. 1 SNAKE模型的数学模型 . 32 4. 2. 2 SNAKE模型在目标跟踪中的优缺点 . 33 4. 3基于特征匹配的跟踪方法 . 34 4. 3. 1 HU的不变矩 . 35 4.3.2目标特征参数提取 . 36 4. 3. 3 最邻近 (NEAREST NEIGHBOR)算法 . 39 本章小结： . 42 第五章总结与展望 . 43 . 44 硕士期间发表的论文 . 46 i射 . 47 第 一 章 引 言 1.1选题的依据和意义 随着计算机技术，尤其是多媒体技术和数字图像处理及分析理论的成熟，视频图 像作为更直接更丰富的信息载体，正在成为越来越重要的研究对象。近年来

13、，随着信 息高速公路、数字地球概念的提出以及互联网的广泛应用，视频图像信息己成为人类 获取和利用信息的重要来源和手段。运动目标的图像检测与跟踪是基于动态图像分析 的基础上结合图像识别和图像跟踪方法对图像序列中的目标进行检测 4识别 4跟踪 的过程，它是图像处理与计算机视觉领域中的一个非常活跃的分支。 在最近二十几年间，随着多媒体技术的发展和计算机性能的提高，运动目标的检 测与跟踪在国民经济和军事领域的很多方面有着广泛的应用。例如： (1) 交通检测 12 随着城市交通管理现代化的不断发展，交通检测在交通管理和控制中的应用越来 越普遍，作用越来越突出。但与此同时交通检测也已成为交通控制系统中最薄

14、弱的环 节。尽管目前广泛采用的环形线圈等交通检测装置对于检测车辆的存在是可行的，但 这些装置所采用的技术大多是 50年代后期的技术，从而大大限制了这些检测装置的 能力、可靠性、扩展性，同时对于一个完全的自适应交通控制系统，安装满足需要的 交通检测装置的投资也是相 a可观的。随着电子技术、计算机技术、通信技术和控制 技术的发展，交通检测技术也得到了长的发展。目前，在各种交通检测技术中，视频 检测技术己初步显示了其强大的生命力，逐步成为交通检测中 最有前途的一项技术。 (2) 智能监控 智能化视频监控系统是近年来计算机视觉领域中的一个新兴方向。基于视觉的智 能监控系统的研究在公共安全领域有很高的价

15、值，越来越受到研究人员的重视 3。它 的目标是在动态场景中使物体的检测、识别、跟踪以及行为理解能够自动完成，并及 时向管理人员发出警报。 (3) 军事作战 在军事战斗中目标检测与跟踪技术主要用于星载系统对低空及地面目标的监视 和反弹道导弹的防御、空防预警、地对空、舰对空、舰对舰、空对空的超视距多目标 1 探测、跟踪、攻击战场区域监视、精确制导和低空突防等方面具有重要的军事价值。 由上述简介可知，我们的选题是具有重要理论和实际应用价值的。 1.2国内外研究现状 相关研究文献表明，国内外研究者关于视频监视系统及分析处理技术已经开展了 大量的研究工作，也已取得了不少成果。如早在 1997年美国 DA

16、RPA ( Defense Advanced Research Projects Agency)信息系统办公室就开始了一个三年的计划来研究 VSAM(Visual Surveillance and Monitoring)w技术。其目标是研究对视频的自动化理解 技术以便建立一个能在城市或战场等复杂环境下应用多个摄像机对人、车等的行为进 行监控的系统 ;EC(European Commission)资助的 AVS-PV (Advanced video-based surveillance prevention of vandalism in metro stations)和 ADVISOR (An

17、notated Digital Video for Surveillance and Optimised Retrieval)项目，目的是建立对地铁站内人们的活 动行为进行监控 5。从 2000年开始，美国国防高级研究项目署资助的重大项目 HID(Human Identification at a Distance)计划，其任务就是开发多模式的、大范围的视 觉检测技术，以实现远距离情况下人的检测、分类和识别，增强国防、民用等场合免 受恐怖袭击的自动保护能力，马里兰大学、麻省理工学院等 26家高校或公司参与了 该项目的研究工作 6。在国内，己有许多研究机构和高等院校在运动场景的分析中投 入了相当

18、的研究精力。例如，中国科学院自动化研究 所、上海交通大学航空航天信息 与控制研究所、西安电子科技大学电子工程学院模式识别与智能控制研究所等机构均 在通过序列图像对运动目标的分析方面做了一定的研究工作。然而，这些成果大多是 在室内理想环境中取得的。这样尽管在理论上具有一定的可行性，但应用于户外复杂 场景中就暴露了许多不足之处。 1.3论文各部分的主要内容 本文的主要工作内容及章节安排如下： 第一章 “ 引言 ” ，总体介绍了复杂背景下运动目标检测与跟踪的发展情况和现 状，阐明了本文工作的意义和内容安排。 第二章 “ 视频图像的预处理 ” ，为了达到更好的目标提取与 跟踪的效果，对原 始视频文件进

19、行图像增强、去噪、滤波等预处理工作。 2 第三章 “ 运动目标提取 ” ，首先详细地讨论了视频图像序列中运动目标的提取 方法，然后运用数学形态学处理方法对检测出的结果进行处理，最后将运动目标提取 出来。 第四章 “ 运动目标跟踪 ” ，介绍了卡尔曼滤波跟踪，基于 Snake模型的运动目 标跟踪，以及基于特征匹配的跟踪方法和它们各自在目标跟踪中的优缺点，并对目标 跟踪中存在的一些问题做出了改进。 第五章 “ 总结与展望 ” ，总结了本文研究成果以及存在的不足，指出了后续研 究工作的方向以及该领域的发展趋势。 3 第二章视频图像的预处理 要自动地、准确地检测出运动物体，首先在于能否准确地检测出真实

20、的运动。图 像的变化通常可能是多种因素综合作用的结果，例如光照变化，摄像机等视频图像采 集设备在摄入视频图像的同时产生的热噪声、环境噪声以及传输系统的噪声等，这些 噪声对视频检测有严重的危害。为了不将这些干扰带到后面的核心算法中以致影响最 终的处理效果，有必要在输入图像后先对其进行预处理。 图像的预处理在计算机视觉、图像识别中得到了广泛的应用，这主要是因为它 实际上也是一个去除无用信息，提高算法效率和速度的过程。预处理做得好可以减少 后面核心算法中的工作量，相反如果缺少必要的预处理过程，则会对后面系统的结果 产生较大的不利影响，有可能造成工作量的増大和效率的降低，影响算法的有效性。 在很多视觉

21、系统中，预处理都占有很大的比重。 2.1图像増强 图像増强是数字图像处理的基本内容之一，目的是增强图像中用户感兴趣的信 息，如边缘、轮廓、对比度等，扩大图像中不同物体特征之间的差别，为图像信息的 提取和其他分析技术奠定了良好的基础。 图像増强的重要问题是改善图像的细节、明暗程度和锐化图像的边缘，而改善明 暗程度主要就是改善图像的对比度。灰度变换是图像増强的一种重要手段，它的目的 在于以统一的方法改变整幅图像的灰度或者改变图像一些区域的灰度，以便増加对比 度，从而使图像的细节更容易看清，一个重要的特例就是直方图的变形。直方图均衡 0 50 100 150 200 250 图 2.2帧图像的灰度直

22、方图 图 2.1视频图像帧 4 是用的最多的一种灰度变换的算法，因为它高效而且易于实现。 图 2.1是本文所研究的视频图像帧，从图中可以直观的看出图像暗黑，对比度低，人 眼很难看清图像的内容。这在从由此灰度图像生成的直方图 (图 2.2)上也明确的体现出来。 如图 2.2所示，直方图的组成集中在灰度级低的一侧，所以图像才呈现暗色不容易 看清。若一幅图像其像素能占有全部可能的灰度级并且分布均勻，则这样的图像具有 高对比度和多变化的灰度色调。因此采用直方图均衡化对图 2.1进行灰度调整，变换后 结果如图 2.3所示，图 2.4是其变换后的灰度直方图。 变换后图像的直方图 2. 2图像平滑技术 图像

23、平滑技术包括空间域平滑技术和频域平滑技术。前者具有代表性的有均值滤 波、中值滤波等等；后者有理想低通滤波器，下面简单介绍一下各种滤波器的算法功 能。 (1) 均值滤波 均值算法又叫邻域平均法，它是简单的空域处理方法。这种方法的基本思想是用 几个像素灰度的平均值来代替每个像素的灰度值，这种处理减小了图像灰度的 “ 尖锐 ” 变化。由于典型的随机噪声由灰度级的尖锐变化组成，因此，常见的平滑处理应用就 是去噪。邻域的选择通常为以单位距离 Ar构成的 4邻域和以士个单位距离为半径 r 构成的 8邻域 (如图 2.5所示 )。 邻域平均法中比较简单的是非加权邻域平均法。它均等的对待邻域中的每个像 素。设

24、图像中某 个像素的灰度值为 /(U)， 它的领域 S为 iVxiV， 点集的总数为 M， 则 5 (a) 4邻域 （ b) 8邻域 图 2.5 4邻域和 8邻域 平滑后点的灰度值为公式（ 2.1)，这样的计算一般采用模板来实现。 = (2.1) 如果对上述算法进行改进，可以用超限像素平滑法，即先将和 /(x, 的 绝对差值与选定的域值相比较，根据比较结果决定点的最后灰度。这种算法对 抑制椒盐噪声比较有效，对保护仅有微小灰度差的细节和纹理也非常有效。 (2)中值滤波 8 中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术。这 种滤波器的优点是运算简单而且速度快，在滤除叠加白噪声和

25、长尾叠加噪声方面显示 了极好的性能。中值滤波器在滤除噪声的同时能很好地保护图像边缘，使图像较好地 复原。另外，中值滤波器很容易自适应化，从而可以进一步提高其滤波性能。因此， 它就非常适应于一些线性滤波器无法胜任的数字图像处理应 用场合。 中值滤波的基本原理是把数字图像或数字序列中的一点数值用该点的某个邻域 中所有的点的中值代替。中值运算的定义如下： 一 组 数 , 把 个 数 按 大 小 顺 序 排 列 于 下 ： X,3 D0 其中 /为截止频率， D( ,v) = ( 2+V2)1/2是点 ( ,v)到频率平面原点的距离。理 想低通滤波器虽然有陡峭的截至特性，但效果并不好。图像由于高频分量

26、的滤除而变 7 得模糊，同时还会产生振铃效应。 由于本文对实时性，边缘信息等方面的要求较高，而中值滤波运算简单，运算速 度快并且可以很好的保护边缘信息，同时又去除了视频图像中的噪声，因此采用了中 值滤波器，这对后续处理非常有利。图 2.6是中值滤波后的结果： 图 2.6中值滤波结果 本章小结： 本章主要介绍了视频图像提取与跟踪前的预处理工作。为了改善图像效果，首先 对图像进行增强操作。在第一节中介绍了在图像增强中常用的直方图均衡法，并对处 理前后的图像作了对比和分析。 由于视频图像中或多或少存在着环境、传输系统的噪 声，为了不将这些噪声带到后面的核心算法中以致影响最终结果，在本章的第二节中 对

27、均值滤波、中值滤波、理想低通滤波器做了介绍，并根据这些滤波器各自的特点以 及本文需要选定了中值滤波器，并给出了中值滤波的结果。 8 第三章运动目标提取 在被监视的场景中，检测运动目标是视频监视技术的基本问题。所谓运动目标检 测，就是检测视频序列图像中是否存在相对于整幅场景图像运动的物体。运动目标检 测对于一个视频监视系统工作的好坏起着关键性的作用。运动目标检测处于整个视频 监视系统的最底层，是各种后续高级应用如目标跟踪、目标分类、目标行为理解等的 基础 11。运动目标检测效果的好坏直接关系到运动目标的跟踪，也关系到整个系统的 优劣和使用性。一个好的运动目标检测算法应该能适用于所监视的各种环境，

28、比如： 能适应各种天气条件，适应光线的变化，适应场景中个别物体运动产生的干扰等。但 是实际应用中要达到这样的要求是十分困难的，因为实际应用中不但要考虑到算法要 尽量适用于多种环境，而且一般还要在算法的复杂度、可 靠性，以及实时性等诸多方 面折中考虑。 由运动目标所形成的图像序列可分为两种情况 :一种是静止背景，一种是变化背 景。前一种情况通常发生在摄像机和场景相对静止状态，后一种情况发生在摄像机和 场景发生了相对运动。本文将着重介绍在静止背景下视频序列中运动目标的提取。 3.1运动目标检测基本方法 目前，针对背景静止不动的情况，所提出的检测运动目标的算法研究其原理主要 可以分为三类：光流法、帧

29、间差分法和背景消减法。每个算法都各有特点并且也有值 得改进的地方，下面将分别进行介绍。 3. 1.1 光流法 9 1151 光流计算方法最初是由 Horn和 Schunck于 1981年提出的，它是一种以灰度梯度基本 不变或亮度恒定的约束假设为基础的目标检测的有效方法，具体表述为 :对一组连续的 二维图像序列中的某个目标的运动而言，沿该运动的轨迹曲线的各帧中相应的像素点 具有相同的灰度值。 记时刻 f时，图像中某运动物体上的点 (x, )处的灰度值为 E( x, , ，在时刻 f + Af 时，该点运动到 (x + Ax, ),其灰度值记为 E( x + Ax, , z1 + A/1),根据亮

30、度恒定假 9 设，则有： ! = dt 根据链式法则得： dE dx 8E dy 8E 八 - + - - + 二 0 dx dt dy dt dt (3.1) (3.2) 记 = + ,v = +。 ,v即为 r时刻图像平面上投影点 (x,j)分别在 x方向和少方向上 at at 的速度分量，也就是光流。这样我们就得到光流 (， V)的线性方程： EXM + Eyv + Et = 0 (3.3) 这就是著名的光流约束方程，式中尽 =，五 ,=，可以根据图像求得。 dx dy dt 由于光流约束方程含有两个未知数、 v， 所以必须附加其他条件才能求解。如果图 像中运动物体的每一个像点都能独立运

31、动的话就根本无法对方程进行求解，但通常情 况下我们看到的物体运动速度是局部光滑的或随着点的改变而缓慢变化的，但在局部 区域的变化非常小。这样就可以用光流在 x方向上的分量和在方向分量的拉普拉斯 算子的平方和来表示光流区域的平滑性。那么 M和 V的拉普拉斯算子定义为： (du f du (3.4) 8yJ 根据光流约束方程，光流偏离亮度恒定的误差表示为 ： ravV (dv 4 =ExU + EyV + Et 偏离光滑性要求的误差为 : ， du、 2 + du、 z + 2 + Sxj 联立式 (3.5)和 (3.6)使得误差最小得 : i2=jj(a2； + )dxdy (3.5) (3.6

32、) (3.7) 式中，为控制平滑的参数，称为正则系数或权重系数。它决定上述两种误差之间的 10 相对权重。当图像成像效果较好，灰度值测量是精确的，则 &应给予更大的重视，这 时 a的值可以取得大一些。反之，当图像含有很多噪声，而 &这一项不能反映对基本 等式的实际偏离情况，这时 a的值可以取得小一些。 对此 Horn和 Schunck给出了 一个叠代的方式来求解方程 : EEun+Evn+Et + E： - +E： ) EEun+Evn+E+ +五 X) (3.8) 这就是 Hom-Schunck的光流计算方法。在实际的计算中，迭代初值可取， =vW = 0迭 代次数的值可以预先设定，也可在迭

33、代计算过程中自适应确定。 光流法是一个被广泛应用的强大运动分析方法但它的最大不足之处就是计算量 大而且复杂，计算需要的时间长不符合实时性的要求。 3. 1.2巾贞间差分法 帧间差分法（也称时态差分法 ）， 是一种通过对视频图像序列中相邻帧做差运算 来获得运动区域以及运动目标轮廓的方法。在环境亮度等变化不大的情况下，如果对 应像素灰度相差很小，则可以认为此处景物是静止的；如果图像区域某处的灰度变化 很大，则可以认为是由于图像中运动物体引起的，将这些区域标记下来，利用这些标 记的像素区域，就可以求出运动目标在图像中的位置 12。 一个最基本的帧间差分的过程图如下图 (图 3.1)图所示 : 图 3

34、.1两帧帧间 差分法算法结构图 预处理 :由于原始采集的图像往往存在噪声，直接用之求差分图像则受噪声的影响 较大，差分图像的效果很差不利于后面的图像分析。因此，在作差分之前必须对原始 图像进行滤波预处理。本文选取中值滤波算法这在前面章节中以做过介绍。 差分图像：利用公式 3.9计算 A，帧图像之间的差别，得差分仏： Dk (x, y) = fk (x, y) - fk_, (x, y) (3.9) 二值化：对差分后的图像 1进行二值化处理，当差分图像中某一像素值大于某一 给定阈值，则认为该像素为前景像素 （ 检测到的目标），反之则认为是背景像素。对 于图像以单阈值 T分割后的可定义为： 广 1

35、 if Dk(x,y)T M， y)= T Rkx,y) = -k,k-ik-1 (4.8) 状态估计： Xk =Xk,k-+Kk ZK Hk Xk,k- (4.9) 滤波增益矩阵 ： KfPk k H T k HkPkk Hl+RkY (4.10) 一步预测误差方差阵： = + k,k-Qk-k,k- (4.11) 估计误差方差阵： Pk=V KkHk Pkk_, I - KkHk f + KkRkKTk (4.12) 或 Pk=l-KkHk)Pkk_x (4.13) 其中， （ 4.8)和 (4.11)又称为时间修正方程 :其他几个方程称为量测修正方程。 综上所述，卡尔曼滤波具有两个明显的

36、信息更新过程：时间更新和测量更新过程， 时间更新过程也可以称为预测过程，而测量更新过程也可以称为修正过程，如图 4.1 所示： 23 因此，卡尔曼滤波的基本方程可以分为两组：时间更新方程组和测量更新方程组， 如图 4.2所示：只要给定初值工 和尸。，根据 A;时刻的测量量 Z,， 就可以递推出 A;时刻 的状态估计 (A: = l,2,3 )。 时间更新过程 测量更新过程 (预测 ） (修正 ） 图 4.1离散卡尔曼滤波循环 P Xo V测量更新方程组（修正 ） 滤波增益矩阵： Kk=PkHTkHkPkk_xHTk+Rk 状态估计： 二 1众乂一 1 + Kk 7JK Hk Xk,k- 估计误

37、差方差阵： Pk=lKkHk)Pk 时间更新方程组（预测 ） 状态一步预测 : 八 X k,k- k,k- kl -步预测误差方程 : PkJc-1 二 kJc-lPkl， kA+rk ,k-lQc-ltk- 图 4.2卡尔曼滤波的计算过程 24 4. 1.2卡尔曼滤波的特点 卡尔曼滤波是一种线性最小方差估计算法，它具有如下特点 18: 1. 算法是递推的，且使用状态空间法在时域内设计滤波器，所以适用于对多维随 机过程的估计。 2. 采用动力学方程即状态方程描述被估计量的动态变化规律，被估计量的动态统 计信息由激励白噪声的统计信息和动力学方程确定。 3. 卡尔曼滤波有连续型和离散型两类算法，离

38、散型算法可直接在数字计算机上实 现。 所以确切地说，卡尔曼滤波应称作最优估计理论。就实现形式而言，卡尔曼滤波 器实质上是一套由数字计算机实现的递推算法，每个递推周期中包含对被估计量的时 间更新和测量更新两个过程。时间更新由上一步的测量更新结果和设计卡尔曼滤波器 时的先验 信息确定，测量更新则在时间更新的基础上根据实时获得的测量值确定。因 此测量量可看作卡尔曼滤波器的输入，估计值可看作输出。输入和输出之间由时间更 新和测量更新算法联系。 在卡尔曼滤波器的实际应用中，观测噪声的协方差 &通常可以在执行滤波前得 到，因为无论如何是可以得到观测系统的观测值的，所以可以通过一些观测样本得到 观测噪声的协

39、方差。 但是一般来说并不能够直接观测待估计的过程，所以噪声协方差 &相对难以确 定。有时在相对简单的过程模型中，通过 &引入一定不确定的噪声，依然能够得到可 以接受的结果。当然，在这种情况下观测过程要相当可靠。 另一方面，无论是否有合理的选择噪声参数的基础，统计上来说，滤波过程可以 通过滤波参数 a和 来完成。而且当 a和 都是常数时，估计误差的协方差忍和滤 波增益 &将很快收敛。 4. 1.3目标形状描述 19 a视频序列中的运动目标被正确检测和提取出来后，往往需要对其形状特征进行 25 一定的描述，以便为下一步的跟踪和识别工作奠定基础。 形状是一个广为理解而又难于定义的概念，在人的视觉感知

40、、识别和理解中，形 状是一个重要的参数。在二维情况下，我们可以认为形状是定义在二维范围内的一条 简单连接曲线位置和方向的函数，形状的描述就是对一条封闭边界的描述或对这条封 闭边界包围区域的描述。 为了描述形状，首先要从图像中把分析的对象分离出来，也就是边缘提取。一般 在识别应用的情况下，形状的描述只要足以区分被识别物体的特征就可以了，当目标 尺寸、位置和方向发生变化时，描述目标的形状参数应当保持不变。 假设目标提取后得到的二值图像为其中 “0” 像素点表示背景区域 (黑 色区域）， “1” 像点表示运动目标区域（白色区域）。 ,表示此二 值图像中的运动目标 / (1) 宽度 宽度定义为目标 ,

41、在水平方向上的最大跨度。 令： = x|(x,少） G(9, 贝丨 J: %=max(X)-min(X) (4.14) (2) 局度 高度巧定义为目标在垂直方向上的最大跨度。 令 ： F = 少 贝 ij: i=max(f)-min(7) (4.15) (3) 面积 面积是区域的一个基本特性，它描述区域的大小，计算目标面积就是对属于该目 标的像素进行计数。目标 ,的面积的计算公式如下： 4 = S ( x， 少） (4.16) 这也就等于累计了二值图像中属于目标 0_;的 “1” 象素点的个数。 26 (4) 质心点 物体质心点坐标具有 x,_y方向上的平移不变性和旋转不变性。 物体的质心位置公式为： X= Z XX/(X， 少 ),Z /(X，少） . 4. 1.4卡尔曼滤波器运动目标跟踪的实现 (4.17) 本文下面将对上述第三章中所提取出来的视频序列图像中的运动目标进行跟踪。 从图(3.7)中可以发现提取的结果中包括了 2个运动目标，通过对视频文件的观察可知 其中面积大的为一架高速飞行的飞机，面积较小的是地面行驶的车辆，并且飞机面积 始终大于汽车的面积。现在我们选择对其中的运动目标一一飞机进行跟踪。 假设目标的运动状态参数