光照突变下的目标跟踪算法研究毕业论文.doc

毕业设计（论文）题 目 光照突变下的目标跟踪算法研究 专 业 电子信息工程 班 级 学 生 指导教师 摘要运动目标的提取与跟踪是应用视觉研究领域一个重要课题，在军事工业和民用生活等领域如目标跟踪、交通自动导航、视频信号传输和机器人视觉等领域应用广泛。目前，随着图像处理技术的发展，目标提取与跟踪技术得到了飞速发展。但是，目前对目标提取和跟踪算法的研究还存在局限性。对某些运动目标的提取和跟踪测试，在实验室中的效果很好，但在实际应用中，由于许多不可预知的环境条件(光照、气候、能见度等)的影响，使目标图像提取难度加大，进而影响到目标跟踪的稳定性。所以，对运动目标跟踪系统进行深入研究，具有很重要的学术意义和实用价值。在现有的目标跟踪技术中，多数是针对无光照突变的目标跟踪。由于光照突变时目标颜色突变，对目标的准确匹配提出更高的要求，所以光照突变下的目标跟踪一直是目标跟踪领域的难点问题。本文研究的是基于HSV表色系的光照突变下的目标跟踪方法，所以需要利用色系转换来减弱光照突变对目标匹配的影响，从而达到对目标准确跟踪的目的。本文分析了前人在目标跟踪领域的研究现状，总结了目前的研究成果，并详细介绍了几种目标检测、特征匹配技术。在目标检测过程中，本文采用单高斯的目标检测方法，然后采用巴氏距离匹配的方法实现目标特征匹配，针对这一算法在颜色特征匹配过程中出现的匹配错误，本文并没有选取其他的特征再做匹配，而是采用颜色特征更新的方法，不仅可以大幅提高匹配准确性，而且使得算法具有更强的适应性。另外本文也对中性色目标进行了实验，实验结果表明本文的算法具有较强的鲁棒性。关键词：视频序列；目标检测；RGB色彩空间；光照突变；HSV表色系；特征提取AbstractThe moving object extraction and tracking visual field application is an important topic in the military industrial and civil life and other areas such as target tracking, traffic automatic navigation, video signal transmission and robot vision field wide application. Now, along with the development of the image processing technology, target extraction and tracking technology got rapid development. But, for now, to target extraction and tracking algorithm study also limitations. For some movement and the extraction of target tracking test in laboratory, the effect is very good, but in practical applications, because many unpredictable environmental conditions (illumination, climate, visibility, etc), the influence of the target image extraction increased difficulties, affect the stability of the target tracking. So, moving target tracking system for further research, has the very important academic value and practical value.In the existing target tracking technology, most is for no light mutations target tracking. Because light color mutations, when the target mutation to the target accurately matched demand higher, so the target tracking under light mutation has been in the field of target tracking difficult problem. In this paper the research is based on HSV color table of the target tracking under light mutation methods, so need to use light color conversion to weaken the effect of object matching mutations, so as to achieve the goal of the purpose of the accurate tracking.This paper analyzes the predecessors in the target tracking of research in the field of present situation, summarizes the research achievements at present, and introduces several target detection, feature matching technology. In the process of target detection, this paper USES single gaussian detection method, and then used the method of pap distance matching feature matching, to realize the goals in this algorithm in color matching features appeared in the process of matching error, this paper and not some other characteristics of selected to do, but the match color features updated method, not only can greatly improve the accuracy, and that match algorithm has better adaptability. In addition to this paper also neuter color target the experiment, the experimental results show that this algorithm has strong robustness.Keywords：Video sequence；Target detection；RGBcolor model；Illumination mutations；HSV color model；feature extraction目录第一章 绪论11.1 引言11.2国内外研究现状31.3本文的主要研究内容及结构4第二章 运动目标检测62.1 引言62.2 单高斯背景建模72.2.1 构建背景模型72.2.2 背景更新82.3 二值图像贴标签算法92.3.1 连接关系92.3.2 算法步骤102.4运动目标检测实验结果分析12第三章 色彩空间与特征提取133.1 引言133.2 色彩空间模型133.2.1 RGB色彩模型133.2.2 HSV色彩模型153.2.3 RGB转换到HSV163.3特征提取173.3.1 特征提取与颜色直方图173.3.2 特征提取结果及分析183.3 特征更新19第四章 运动目标跟踪214.1 引言214.2 基于颜色特征的匹配方法214.3 颜色直方图的相似度评价234.3.1 巴氏距离匹配法234.3.2 欧氏距离匹配法244.4 实验结果分析24第五章 实验结果及分析27致谢32参考文献33第一章 绪论1.1 引言随着国民经济的快速增长、国力的不断增强和社会的迅速进步，银行、电力、交通、安全、仓储、建筑以及军事设施等领域对安全防范和现场记录报警系统的需求与日俱增，要求越来越高，从而促进了视频监控系统的发展。同时由于计算机硬件技术的发展，计算机在处理速度、存储容量、并行计算等方面的性能快速提高，加之随着高速数字信号处理器的诞生，对运动目标的提取与实时跟踪成为可能。可以这样认为，随着信息技术的发展，视频监控、分析和处理在商业、国防安全和军事应用领域中具有非常广泛的需求。例如，在军事中，视频监控系统可用于导弹、飞机、舰艇等多种重要军事运动目标的监视、检测和跟踪；在交通管理中，视频监控、分析和处理有助于交通流量、速度、交通事故监控、车流密度、堵塞状况以及路面状况、气象等参数的观测、提取和分析，并通过对这些参数调节和控制，使交通自动保持最佳运行状态，提高交通管理的自动化水平；在公共场所中可用于行人拥挤状况的监控：在大型购物场所实时监控系统可用于消费人口信息的收集等等，都具有广泛的应用前景。目标跟踪是智能视频监控的一项重要研究内容，其目的是能够在视频序列中，对所关心的目标进行实时检测与跟踪，为用户提供目标的运动信息。关于目标跟踪的研究已有20多年的历史，并已应用到安防、交通控制等领域。单相机视频监控最核心的技术环节就是目标的识别问题。视频监控系统主要有单摄像头系统和多摄像头系统。多摄像头无重叠区域的目标跟踪，由于目标具有时空不连续性，导致目标物的位置关系、大小、以及姿态都不适合作为目标跟踪时的匹配特征，因此，取颜色作为目标跟踪时的匹配特征是最佳的选择。本课题所研究的光照突变情况下的目标跟踪是多摄像头目标跟踪的基础，因此，本课题采用颜色特征作为跟踪时候的匹配特征。光照条件变化一直是目标跟踪研究领域的一个难点问题，由于光照条件的变化，使得拍摄的目标物颜色值与其本身的物理颜色有一定的差异，导致了在不同光照下，相同目标的颜色特征的不一致（如图1-1所示） 。因此，本文旨在寻找一种能够克服光照条件变化对目标颜色影响的特征，进而进行准确目标跟踪。RGB23718712714811943图1-1.不同光照条件下相同目标颜色特征对比图1.2国内外研究现状到目前为止，国内外研究学者关于视频监视系统及分析处理技术11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DARPA信息系统办公室就开始了一个三年的计划来研究VSAM(VideoSurveillance andMonitoring)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；ECOEuropean Commission)资助的AVS-PV(Advanced video-basvd surveillance prevantion ofvandalismin m咖stations)和ADVISOR(Annotated Digita)Video for Surveillance and Optimized Retrieval)项目，目的是建立对地铁站内人们的活动行为进行监控的系统。在美国，警方通过相机，监视暴力犯罪发案率高的街道拐角和敏感的政府建筑，甚至用相机捕捉超速驾驶者。美国的公共汽车、火车站、门厅、学校和商店等公共场所普遍安装了相机，安全人员在中央控制室监视视频画面。相机已成为警方破案的得力助手。在犯罪分子作案之后，警方经常通过监视录像发现可疑人员。在安装相机最多的大都市之一伦敦，2005年7月伦敦地铁爆炸案发生后，警方通过监视录像确认了作案人。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大的研究精力近lO年来，国内各行业的研究学者发表了大量的有关运动目标跟踪的研究成果论文另外，在运动目标跟踪的应用系统研发方面，国内也取得了积极的研究成果如，东南大学自动控制系模式识别实验室在“七五”期问与原电子部三所合作，完成了国防科工委重大基础科研课题“IT-I智能电视罪踪系统一获得1993年国家科技进步二等奖。该系统采用基于相似性度量的模板匹配方法来识别是否存在目标，适合于简单背景下的目标识别与跟踪。在“八五”和“九五”期间与信息产业部电子三所共同承担了国防预研项且，分别成功研制了“IT-2智能电视跟踪系统”和“IT-2A智能电视跟踪系统”。1.3本文的主要研究内容及结构本文设计并实现了一个基于视频序列的光照突变下的目标跟踪算法，该算法能实现对拍摄到的视频序列中指定的目标进行跟踪，并在目标光照突变的情况下实现正确匹配跟踪。该算法设计的准则是保证目标跟踪的准确性和算法的鲁棒性。针对以上内容，本文采用如下的组织结构完成对方法的论述以及对实验结果的分析。第一章绪论中提出了本课题的背景和目前国内外目标跟踪技术的研究和发展情况，指出了目标跟踪是数字图像处理领域和计算机视觉领域备受关注的前沿方向和研究热点。第二章是目标的检测原理，主要介绍了运动目标检测的几类方法和运动目标检测的基本原理，并介绍了二值图像的特标签算法。第三章主要介绍了运动目标特征提取算法，分别是颜色特征提取算法和运动特征提取算法。在此之前，还是先对目标检测的结果进行的贴标签算法进行介绍，并介绍了本文光照突变下的目标跟踪所需引入的HSV表色系原理。综合分析以上两种特征提取算法的优缺点，本文最终采用颜色特征提取算法。第四章是目标特征匹配算法，介绍了目前常用的几种目标特征匹配方法，分别介绍了巴氏距离和欧式距离匹配方法，本文最终采用巴特沃斯特征匹配方法。第五章是实验结果和分析，在这一章中给出了对于输入的一段视频，通过运动目标检测、颜色特征提取和特征匹配后达到对指定目标准确跟踪的目的。此外，还给出了本文的算法对视频中存在中性色的目标跟踪的处理效果，用实验充分验证了本文算法的鲁棒性。第六章工作总结与展望，本章对本文的算法做了总结并从客观的角度提出了本文的几点不足之处，最后通过对图像处理技术的未来发展做展望以结束正文内容。第二章 运动目标检测2.1 引言运动目标检测是指从相机的监视环境中，检测出场景内正在运动的目标。依据相机的安装平台，可以分为运动相机和静止相机。本文主要针对静止相机情况进行目标检测。由于相机静止，所以监视场景的背景相对固定，在该情况下，通常进行目标检测的方法有帧间差分法和背景差分法。帧间差分法，是指利用相邻两帧目标之间的较小位移来进行目标检测。帧间差分法进行目标检测算法简单，直接将两帧图像差分即可，但是该方法也存在一些不利因素，主要表现为检测到的目标区域不完整和不适用于目标某一时段内相对静止的情况。目标不完整是由于相邻两帧之间目标的运动位移较小，导致只能检测到目标的边缘。当场景内运动目标在某一时段相对静止时，利用帧间差法则无法检测到该目标，这对后续的目标跟踪不利，可能导致目标跟踪失败。背景差分法是静止相机环境下进行运动目标检测的一种常用方法，其基本思路是利用当前图像与背景图像的差异来检测出运动区域的一种技术，该方法检测出的目标区域较完整，且目标在某一时段内相对静止时仍可以检测出，所以本文采用背景差分的方法进行运动目标检测。利用背景差分法进行运动目标检测的关键是获得当前监视场景的背景图像，也就是该监视场景中不包含任何运动目标时的图像。在实际的监视场景中，由于目标出现的频率、密度均未知，所以直接从监视视频中提取一帧背景图像是比较困难的。即使能够得到这样一帧背景图像，随着时间的推移，外界的光线会变化，这个背景图像也将变得不再适用。所以，依据监视视频，从包含运动目标的视频流中实时构造出适应于当前环境的背景图像，即进行背景建模，是利用背景差分法进行运动目标检测的关键。利用灰度归并的思想进行背景建模能够适应监视场景中背景的光照渐变和突变情况，并对树叶晃动具有一定的抵抗能力。单高斯背景建模是在背景灰度在一段时间内服从高斯分布的假设下构造背景模型，是应用较多的一种建模方法，比较两种建模方法的优缺点，本文最终采用单高斯背景建模方法实现对运动目标的检测。2.2 单高斯背景建模2.2.1 构建背景模型在视频流中，假设背景点中的特定像素，在一段时间内的分布为高斯分布，则利用该分布进行背景建模的方法即为高斯背景建模。利用一个高斯模型构建的背景模型为单高斯背景模型，其适用于背景静止且光照不变或变化较小，背景点像素值相对稳定的情况。单高斯背景模型认为，对于背景图像的某特定象素，其亮度分布满足高斯分布，即对背景图像B中某一像素(x,y)的亮度满足：(2.1)其中为均值，为方差。给定一幅图像中的一个像素I(x,y)，如果满足：(2.2)则认为该像素为运动目标，否则为背景像素。随着时间的推移，光照条件的变化，背景也会发生相应变化。这就需要背景模型能够响应这些变化，也就是要求利用视频序列提供的信息对高斯背景模型的参数进行更新，以避免由此产生的目标误检测问题。2.2.2 背景更新设前一时刻估计的背景图像表示为Bt-1，对于新的一帧图像It，为使构造的背景能够适应当前视频图像，需要对之前构造的背景图像Bt-1进行自动更新，以适应当前背景的变化。这里引入一个表示参数更新快慢的参数，并将其称为参数更新率。对视频图像中的某一点I(x,y)，其高斯分布参数的更新可表示为：(2.3)(2.4)其中，It为当前帧图像在该点的像素值，参数更新率(2.5)其中，K是一个给定的0,1之间的常数，表示均值为，方差为的高斯分布的概率密度函数。由此得到更新后的背景估计图像Bt。(2.6)2.3 二值图像贴标签算法贴标签处理是通过对二值图像的每个不同的连通域进行不同的编号，来区分不同的连通域。在二值图像中，不同的对象被不同的整数值来标记，形象地说，每一个随想都被贴上不同的“标签”以便于辨识。通常，设置一个与原图大小相同的标签矩阵，也称标签图像，用以描述对二值图像不同连通域的划分结果。2.3.1 连接关系由于二值图像中，所有的目标像素值都是相同的，为此，需要给出像素之间的关系来描述目标。二值图像中的连接关系是指目标像素之间的连接关系的定义，可用四连接和八连接来表示相邻像素之间连接性的概念。像素的连接关系示意图如图2-1所示。图2-1中标记为灰色的点表示当前待处理的目标像素点，其周围的标记为1，2，8的八个像素称为该像素点的八近邻，其上，下，左，右的四个像素也就是标记为2，6，8，4的四个像素称为该当前目标像素的四近邻。由像素的这种临近关系，便可定义像素之间是否连接。12384765图2-1.像素的连接关系示意图在不同连接性的定义下，像素之间的通路是不相同的，即在八连接定义下的通路在四连通定义下可能就不再成为一条通路。2.3.2 算法步骤贴标签的方法实际上包括了两个关键步骤：一个是按照从上到下，从左到右的顺序扫描所有像素值为1的像素，判断其是否与已经贴过标签的像素属于同一连通域，如果是，则贴相同的标签，否则暂时判定为不同的连通域，贴新的标签；另一个是对已经贴好的标签进行校正，对在下方连接在一起的，已经贴为不同标签的像素归并为同一标签，并对整体的标签号进行调整。设二值图像为，标签图像为，贴标签算法的具体步骤如下：1）设标签，已贴标签数，按照从左到右、从上到下的顺序进行扫描，寻找像素值为1的目标像素点。2）对于尚未贴标签的目标像素点，搜索其邻域已扫描过的点（如图2-2所示，“”代表当前待贴标签的目标像素点，“”代表已扫描过的点，“”代表未扫描过的点），对于这些已扫描过的点：如果所有点的标签值为0，则，贴标签数；如果所有点的标签值相同且不为0，则；如果标签值不同，设标签值分别为、且，则当前目标像素点的标签值，并将标签值为的所有像素点的标签值改为，并令标签数。3）将图像中所有像素按第2）步所述方法进行处理。4）判断是否，若是，则处理结束；否则，说明已贴标签为不连续编号。则进行编号调整，使其标签号连续排列。 （a）八连接 （b）四连接图2-2 像素的邻接关系示意图2.4运动目标检测实验结果分析本文采用单高斯背景建模方法进行运动目标检测，如图2-1所示为本文利用单高斯背景建模的目标检测测结果。 第96帧 第153帧图2-2.单高斯目标检测效果图结果分析：以上单高斯检测方差设定的不同会导致检测效果的差异，阈值越小则符合目标条件的像素点增多，所以适当减小方差阈值能够在一定程度上克服目标断裂，而不需要采用膨胀与腐蚀运算。同时复杂背景情况下也会检测出无效目标（例如树叶、动物等），所以在检测环节之后还要加入无效目标过滤环节，保证最终检测的结果不包含无效目标。第三章 色彩空间与特征提取3.1 引言在数字图像处理中，常用的彩色空间有RGB模型、HSV模型、CMY彩色空间模型和CMYK模型。其RGB模型用在彩色图像显示、传输等硬件设备上，而HSV模型与人的视觉系统相对应，常用于彩色图像的算法研究。本文中主要提取目标颜色特征作为匹配特征，利用HSV彩色空间亮度信息与色度、饱和度信息分离的特点，提取色度（H）、饱和度（S）信息，作为后续待匹配目标特征。本章会对RGB与HSV色彩空间的结构及二者的相互转化关系做详细介绍。3.2 色彩空间模型对彩色图像进行处理时，采用不同的颜色空间，其产生的效果也会有所差异，所以本节首先对进行特征提取所采用的颜色空间进行介绍，然后再对中性色与非中性色的特征提取进行分析讨论，最后对两种结果进行比较，并将其应用到后续特征匹配中。3.2.1 RGB色彩模型由色彩基础理论可知，在RGB彩色模型空间中，任何一种颜色都可由R、G、B原色按一定的比例构成，在三维正交坐标系统，如图21所示，红(R)、绿(G)、蓝(B)位于3个角上，青、深红和黄色位于另外的3个角上，黑色位于原点处，白色位于离原点最远的角上。彩色图像的三个分量不仅代表色彩和亮度，而且还存在着很大的相关性，这种相关性决定了它在光照突变情况下特征提取方面固有的缺陷。在此系统中计算的任何颜色都落在RGB彩色立方体内。如图3-1所示.图3-1.RGB色彩空间模型它最直观的优点就是简单，并且其他颜色系统必须转化成RGB系统之后才能在彩色显示器上显示。但是在RGB系统中，由于彩色合成图像通道之间相关性很高，使合成图像的饱和度(Saturation)偏低，色调(Hue)变化不大，图像视觉效果差，人眼不能直接感觉。在RGB彩色模型空间中，由于太阳光的原因，阴影区域的变化有其自身的特点。在目标阴影区中，背景是有颜色的，但阴影区域内像素点的亮度值一般比非阴影区域要小，特别是R、G颜色分量波动一般都较小，而B颜色分量则有些特殊，其值的波动性相对略大，分析原因主要是在以太阳光为光源的摄影过程中，环境对蓝色光分量的散射较强烈所致。3.2.2 HSV色彩模型RGB色彩模型对硬件系统的实现很理想，而且与人眼很强地感觉红、绿、蓝三原色的事实能很好地匹配但是，RGB色彩模型不能很好地适应实际上人解释的颜色HSV空间模型如图3-2所示，直接对应于人眼色彩视觉特征的三要素(亮度、色彩和饱和度)，三个分量互相独立，其中，色调直接影响着人的视觉判断。下面简要介绍三要素所代表的意义。色相(Hue)，色彩相貌的区别名称，用以区分红、橙、黄等特质，不受色彩的鲜淡、明暗所影响，如同音乐基本音阶一样，不受音色的强弱、高低所影响。亮度(Value)，色彩明暗的灰阶程度。赋予各色相相同的特性，如同音色的强弱。饱和度(Saturation)，色彩鲜明浅淡的程度，即同一色相的色彩中参杂白色的比例，若色彩中无白色混杂，我们一般称为纯色，而白色比例越低则色彩越鲜明，反之，就会变得浅淡。在HSV彩色模型空间中，由实际视觉经验的结论，我们可以得出这样的结论：在一定的亮度条件下，同一物体在阴影区和不在阴影区的色相(Hue)是近似一致的，阴影主要使该区域内色彩的明暗发生变化，即亮度(Value)值有了变化。图3-2.HSV色彩空间模型3.2.3 RGB转换到HSV给定一幅RGB彩色格式的图像，每一个像素的H分量可以用公式(3.1)得到， (3.1)此处，(3.2)色饱和度分量S可由公式（3.3）得到，(3.3)最后，亮度分量V可由公式（3.4）得到，(3.4)假定，R、G、B的值归一化为0,1的范围内。角度根据HSV空间的红轴来度量。色调可以用H值除以360归一化到0,1的范围内。如果给出的RGBI拘值在0,1范围内，则其它的两个HSV分量已经在0,1的范围内了。3.3特征提取本文中采用对H、S的一维直方图与待匹配目标的H、S一维直方图进行匹配判断，画出所有检测出的运动目标并绘制H、S颜色特征直方图，进而达到准确提取颜色特征的目的。3.3.1 特征提取与颜色直方图灰度直方图是反映灰度图像的亮度概率分布的有效工具，得到广泛的应用和深入的研究。色彩直方图同样反映彩色图像的颜色信息在彩色空间的分布情况，并且色彩直方图具有很好的表现能力。相对于几何特征而言，颜色具有与生俱来的旋转不变性和尺度不变性。图像特征的统计直方图实际上是一个一维的离散函数，即有：(3.5)上式中代表图像的特征取值，是特征可取值的个数，是图像中具有特征值为k的像素的个数，N是图像像素的总数对于彩色图像，可对其3个分量分别做直方图。3.3.2 特征提取结果及分析由于本课题在对中性色目标进行匹配跟踪时出现了问题，所以本文中针对中性色与非中性色目标分别提取不同的色彩特征（非中性色提取H、S信息，而中性色则提取H、S和V），本文中对中性色和非中性色分别提取特征信息，以实现后续的中性色和非中性色的目标跟踪，如下图3-3所示分别为中性色和非中性色待跟踪目标特征提取结果。色度H饱和度S 图3-3（a）非中性色待跟踪目标特征提取结果色度H亮度V饱和度S 图3-3（b）中性色待跟踪目标特征提取结果结果分析：图3-3（a）是对非中性色待跟踪目标H、S特征提取结果，对比图3-3（b）中性色待跟踪目标H、S特征提取结果，中性色的饱和度S相对集中，理论上中性色的饱和度信息为0，但是由于部分背景、皮肤等的影响导致中性色饱和度信息存在，并且集中在数值较小的区域，该条件可以作为区分目标是中性色与否的重要依据。3.3 特征更新视频流中的所有运动目标经检测后一一与制定目标颜色直方图匹配的过程中，在没有特征更新时，错误匹配率很高，所以目标颜色特征（直方图）对目标匹配的准确率至关重要。特征更新、匹配的流程如下：与第i帧中k+m帧目标特征直方图匹配失败（相似度<0.3）覆盖成功覆盖成功绘制制定目标特征（直方图）与第i帧中k目标特征直方图匹配与第i帧中k+1目标特征直方图匹配图3-4.特征更新流程图由于特征更新的条件是匹配正确时才进行特征更新，所以特征更新可以大幅增加匹配正确率，特征更新对特征匹配正确率的改善效果会在第四章实验结果分析中介绍。第四章 运动目标跟踪4.1 引言 图像的匹配与跟踪是智能型监控系统的核心。目标的匹配与跟踪，重点是寻找描述目标个体的特征。对多个目标，特别是特征比较相似、特征受环境变化影响较大的目标，重点是设计快速有效的匹配方法，完成对目标的跟踪。运动目标跟踪是个复杂的问题，而其中的关键是不同帧间的目标匹配。现有的运动目标跟踪方法较多，有边缘跟踪算法、特征序列匹配算法和相关跟踪算法等，不同的跟踪算法适用于目标不同的运动状态。按照跟踪时采用的特征性质的不同，目前所使用的跟踪方法大致可分为基于目标个体特征识别的跟踪和基于目标运动特征的跟踪方法。基于个体特征识别的跟踪也称特征跟踪，它是物体识别技术的变形，其中图像匹配法占有非常重要的地位。在计算运动信息之前，需要对物体上的特征点进行逐帧跟踪，包括特征匹配定位和灰度匹配定位。已有的算法包括金字塔算法、二值模板匹配算法、二阶模板匹配算法几个点抽样搜索法等，这些都是典型算法，但由于这些算法计算量大，效率低，因而不能满足实时性要求较高的场合。4.2 基于颜色特征的匹配方法颜色直方图是对目标颜色分布的统计，不受目标的形状，姿态等变化的影响。颜色直方图作为目标特征，具有稳定性好，计算方法简单和计算量小的特点，是比较理想的目标颜色特征，为此，本文选择HS一维维颜色直方图作为目标特征。颜色直方图的求解，可分为以下两个步骤：1）对图像进行颜色聚类，获得可以清楚描述彩色图像的主要颜色特征。2）统计主要颜色特征的像素分布，绘制该颜色特征的直方图。假设图像的灰度级范围是0,1,2,L-1，灰度级i的像素点个数为mi，图像像素点的总数为：(4.1)灰度级i的出现概率pi定义为：(4.2)灰度直方图就是灰度级的像素数mi与灰度i的关系，反映了一幅图像灰度分布的统计特性。以图像中的颜色级数为横坐标，颜色出现频率为纵坐标的图形就称为图像的一维颜色直方图，也是本文中用于特征匹配的直方图。若将图像采用HSV色系表示，并分别将饱和度分量S、色调分量V为横坐标与纵坐标构造的颜色直方图，即为二维颜色直方图。二维颜色图可以实现对目标颜色更为准确的描述。由于本文中主要针对光照突变下的目标跟踪，所以采用颜色特征匹配的方法。4.3 颜色直方图的相似度评价在图像匹配时，首先就是计算得到作为匹配模板的目标区域的颜色直方图，再和检测出的所有有效目标分别匹配，直方图匹配方法，根据颜色直方图的相似度评价不同，一般分为欧氏距离匹配法和巴氏距离匹配法。4.3.1 巴氏距离匹配法利用统计假设检验中的分类错误概率来度量两个概率分布的相似性。两概率分布分类的错误率越高，表明两个概率分布越相似。进行目标匹配的过程就是寻找模板与候选目标两者分布的最大贝叶斯错误率的过程。 将颜色直方图作为目标的概率分布估计，用修正Bhattacharyya 系数的离散形式表示两个分布的贝叶斯错误率，可以表示为：(4.3)其中，为两直方图的Bhattacharyya系数，为候选目标的直方图分布，为模板的直方图分布，为两直方图的Bhattacharyya距离，其值越小，表明两直方图的相似度越高；反之，两直方图相似度越低。4.3.2 欧氏距离匹配法首先计算作为模板的的目标区域的颜色直方图，记作，设待匹配的区域的颜色直方图为，二者的相关性由模板直方图与待匹配区域的直方图的欧氏距离函数来衡量，即（4.4）也可用二者的绝对差来衡量相关性，即（4.5）值最小的即为最终的匹配结果。4.4 实验结果分析采用颜色特征匹配的方法进行运动目标跟踪，可以实现对本文中目标较准确的跟踪，如图4-3、图4-4所示为目标跟踪的部分截图。 (a)第75帧 (b)第122帧 (c)第163帧 (d)第177帧 (e)第163帧 (f)第177帧图4-3 非中性色目标跟踪结果结果分析：可以看出，在对目标已进行跟踪时，利用本文的目标跟踪方法，当目标光照发生突变时，仍可实现对目标的准确跟踪，突变前后无错误匹配。然而，若待跟踪目标信息不更新时，则可能出现目标的误跟踪，如图4-3（c）、4-3（d）所示，这是由于目标特征长时间未更新，目标特征差异较大所致。为解决以上问题，则需对其进行特征更新，结果如图4-3（e）、4-3（f）。 (a)第110帧 (b)第151帧 (c)第176帧 (d)第185帧图4-4 目标二跟踪结果结果分析：本文中在利用色度H和饱和度S对目标二进行匹配跟踪时出现了匹配错误（如图4-4（c）、4-4（d）。分析原因，是由于目标二是中性色目标，色彩饱和度信息较小。由此，本文中提出了根据目标物颜色的饱和度信息先对待跟踪目标进行分类（分为“中性色类”与“非中性色类”），然后，只对中性色目标进行匹配，这样不仅可以提高匹配的准确率，而且可以提高代码的运行效率。经过分类后的目标与中性色直方图进行巴氏匹配（如图4-5（a）、4-5（b），匹配得出的色度H饱和度S和亮度V信息，经过加权之后得出最终匹配结果。 (a)第176帧 (b)第192帧图4-5 中性色目标跟踪结果第五章 实验结果及分析本文主要介绍的是光照突变下的目标跟踪算法，具体步骤如下：1） 利用单高斯背景建模的方法检测出运动目标，并分割。2） 对分割后的图像做贴标签处理，并过滤无效目标。3） 对图像进行色系转换，并将H、S分别量化，绘出一维直方图。4） 获取指定目标颜色直方图（H、S一维直方图）信息。5） 用各目标分别与待匹配目标进行直方图匹配。6） 针对中性色目标的跟踪，采用H、S、V加权匹配的方法。如下（式5.1）表（5-1）所示；HSV相似度A表5-1 H、S、V相似度(5-1) 其中，、分别为色度、饱和度和亮度匹配结果（相似度）的权值。首先是利用单高斯的方法实现目标的检测与分割，如图5-1为单高斯背景建模效果图， 图5-1 单高斯背景建模效果图其次对检测结果进行分割处理，并滤除无效目标，实验结果对比如图5-2所示，5-2（a）为运动目标检测结果，5-2（