移动目标跟踪算法研究及仿真【修改】
摘要
移动目标检测是应用视觉研究领域的一个重要课题，在视觉领域有着广泛的应用。由于光照变化、背景干扰、阴影、摄像头的抖动以及运动目标之间遮挡等现象的存在，给运动目标的正确检测带来了极大的挑战。该课题将在总结和分析现有运动目标检测与跟踪方法的基础上，研究一些新的移动目标的检测方法。
数字图象处理和计算机视觉是近年来发展十分迅速的研究领域，目前正广泛地应用于民用及军用等许多方面。基于视频的运动目标检测与跟踪技术是计算机视觉的主要研究方向之一。目标检测与跟踪主要针对图像序列中的运动目标进行检测、提取、识别和跟踪，获得运动目标的运动参数，如位置、速度、加速度等，以及运动轨迹，以实现对运动目标的行为理解，从而为完成更高一级的任务做准备。目标跟踪有着广泛的应用前景，包括如下应用方面：智能监控、运动分析和虚拟现实等。
本课题将在分析国内外研究工作的基础上，研究移动目标检测和跟踪算法的设计方法，在总结和分析现有运动目标检测与跟踪方法的基础上，重点研究卡尔曼滤波目标跟踪算法。在算法研究的基础上，将基于MATLAB仿真平台并采用卡尔曼滤波算法对样本视频序列进行目标跟踪。
本课题主要围绕运动首帧目标检测和基于卡尔曼滤波的后续帧目标跟踪两个方面展开研究。首帧目标检测方面，研究了静态背景下常用的运动目标检测算法，如常用的相邻帧差法、光流法、背景消减法，分析比较各种方法的优缺点，并重点研究背景消减法。
基于卡尔曼滤波的后续帧目标跟踪方面，介绍运动目标检测方法的分类及几种常用跟踪方法，并进行归纳总结，比较各种方法的优缺点以及适用场合，并实现卡尔曼滤波目标跟踪算法。
关键词：目标识别，目标跟踪，卡尔曼滤波，MATLAB语言
ABSTRACT
Moving object detection is the application of visual field, one of the important topics in the visual field in a wide range of applications. Because illumination change, background interference, shadow, camera dithering and movement between the phenomenon such as target the existence of shade, give the correct target motion detection caused great challenges. This subject will be on the summary and analysis the existing target motion detection and tracking method on the basis of research some new moving target detection and tracking methods.
Digital image processing and computer vision is very rapidly in recent years development research field, are widely used in civil and military and many other aspects. Based on video exercise target detection and tracking technology of computer vision is one of main research direction. Target detection and tracking mainly for image sequence of moving object detection, extraction, identification and tracking, obtain the moving object motion parameters, such as position, velocity, acceleration, and trajectory of sports, in order to achieve the goal of understanding, thus to complete act to prepare the task at a higher level. Target tracking has wide application, includes the following applications: intelligent monitoring, motion analysis and virtual reality etc.
This topic research work in analysis, research on the basis of moving target detection and tracking algorithm design method, on the summary and analysis of existing target motion detection and tracking method, on the basis of the key research kalman filter target tracking algorithm. Based on the study of the algorithm based on MATLAB simulation platform, by using kalman filtering algorithm and video sequences of sample target tracking.
This topic is the first frame around sport and target detection based on kalman filter subsequent frames target tracking of the two aspects. The first frame target detection, the study of the static background moving object detection algorithm used,
such as common adjacent frame differential method, light flow method, cut method, analysis and comparison background of advantages and disadvantages of various methods, and key research background cut method.
Based on kalman filter in subsequent frames target tracking, introduces the classification of moving object tracking method and some commonly used method of tracking, and sums up the advantages and disadvantages of various methods, comparison and applicability, and and realize the kalman filter target tracking algorithm.
Keywords: target recognition, target tracking, kalman filter, MATLAB language
目录
中文摘要 ......................................................................................................................................... I 英文摘要.........................................................................................................................................II 1绪论 (1)
1.1课题研究的背景和意义 (1)
1.2国内外研究现况 (1)
1.3本文研究内容 (2)
2卡尔曼滤波理论 (4)
2.1卡尔曼滤波基本思想 (4)
2.2贝叶斯滤波原理 (5)
2.3卡尔曼滤波基本算法 (6)
3移动目标的检测算法研究 (10)
3.1移动目标跟踪方法概况......................................... . (10)
3.2运动目标观测值的检测......................................... ................. .. (11)
3.3基于卡尔曼滤波的状态估计......................................... (11)
4基于卡尔曼滤波的跟踪算法与仿真 (13)
4.1 目标模型.................................... .................................... .. (13)
4.2自适应卡尔曼滤波.................................... .................................... .. (13)
4.3实验仿真结果.................................... .................................... . (14)
5总结与展望.................................... .................................... (17)
5.1论文总结.................................... .................................... .. (17)
5.2课题今后的研究和工作展望.................................... .................................... .. (17)
致谢.................................... (19)
参考文献.................................... .................................... . (20)
附录.................................... .................................... .. (21)
1绪论
1.1课题研究的背景和意义
随着计算机的快速发展，利用计算机实现人类视觉功能成为目前计算机研究领域的重要课题之一。移动目标检测是人工智能的重要分支，其研究目的就是利用计算机代替人对环境和景物进行一系列的感知、解释和理解。该研究融合了图像处理、模式识别、人工智能及自动控制等多方面的知识。
移动目标检测，是指对在视频图像中的运动目标进行检测、分割、识别和跟踪，在获得运动目标的参数之后，通过进一步的分析和处理，达到对运动目标的行为进行理解和描述，以完成更高级任务的目的。
长期以来，移动目标检测与跟踪一直是计算机领域中的一个典型问题。它在技术上涉及到视频图像处理、计算机图像处理、模式识别以及人工智能等诸多领域，因此具有较强的研究价值。
目标跟踪有着广泛的应用前景，概括起来有如下几个方面:
⑴智能监控:运用在商店、停车场、银行等对安全要求敏感高的场合的保安设施中的智能监控设备。
⑵感知接口:在高级用户接口应用领域，计算机或机器人智能的感知外部环境。也可应用于基于人脸识别或手势识别的安全门锁等场合。
⑶运动分析:跟踪图像序列中感兴趣的人体部位(如关节等)，获得其运动特性。这对建立人体几何模型、解释人体运动机制都有着积极的推动作用。
⑷虚拟现实:目前许多电脑游戏中人体、动物行为的逼真设计效果得益于人体动物的运动跟踪分析。另外，人的运动跟踪在视频会议、人物动画、虚拟工作室等其他虚拟现实场合也有着广泛的应用。
1.2国内外研究现状
在过去的二、三十年中，随着计算机硬件性能的不断发展，国内外学者对各种情况下的视频序列中运动目标的检测与跟踪做了大量而深入的研究，提出了许
多行之有效的方法，各种面向复杂应用背景的视觉跟踪系统也随之大量涌现。目前，对计算机视频监控的研究与应用方兴未艾。计算机检测与跟踪是利用计算机视觉和图像处理的方法对图像序列进行运动检测、目标分类、目标跟踪以及对监视场景中目标行为的理解与描述。其中，运动目标检测、目标分类、目标跟踪属于视觉中的低级和中级处理部分，目前困难较大。近几年国内外有很多的大学，研究机构和企业都在做相关的工作。
1.本课题在国内的研究现状：国内的许多大学和科研机构也进行了相关的研究，但是大多数采用模拟视频监控，缺乏实际场景的实时监控系统。例如浙江大学人工智能研究所采用单个摄像机对运动的人体进行跟踪，但是当人体被遮挡时无法进行准确的跟踪，并且人为的干预比较多。中科院计算机研究所采用传感器的方法对手语进行识别，被测试的人戴有特殊的数据手套，在实际应用中很不方便。
2.本课题在国外研究现状：视频监控技术的研究起源于上个世纪六十年代，主要对单个的摄像机拍摄的视频进行目标检测和跟踪。1997年美国高级国防研究设立了以卡内基梅隆大学（Carnegie Mellon University)为首、麻省理工学院（Massachusetts Institute of Technology）等高校参与的视频监控重大项目VAAM(Visual surveillance and monitoring),其研究成果主要用于战场和普通民用的自动视频监控。英国的雷丁大学（University of Reading)也开展了对车辆和行人的跟踪及其交互识别的相关研究，Pfinder系统能对单个人体的3D 描述进行恢复，并能在复杂的环境下跟踪运动目标。
尽管已有大量国内外学者在研究运动目标的检测、识别和跟踪，并已取得了很多成就，但此课题仍然面临很多的挑战。
1.3 本文研究内容
移动目标检测与跟踪是当前信息领域的前沿和热点方向，融合了计算机科学、自动控制、机器视觉、图像处理、模式识别、数学等多学科的先进技术。本文以智能视频监控作为主要线索，研究静止背静下运动目标的检测、跟踪等视频跟踪中的关键技术。计算机智能视频监控是在不需要人为干预情况下，利用计算机视觉和视频分析的方法对摄像机拍录的图像序列进行自动分析，实现对动态场
景中目标的定位、识别和跟踪，并在此基础上分析和判断目标的行为，得出对图像内容含义的理解以及对客观场景的解释，从而指导和规划行动。这种智能技术己在军事和工业上得到一些成功运用，但智能视频监控在理论和运用上都还存在很多难题。当前国内外很多学者投身该领域进行研究和探索，并取得了大量成果，本文即基于此对卡尔曼滤波在目标跟踪中的应用进行研究。
本课题将在分析国内外研究工作的基础上，研究移动目标检测和跟踪算法的设计方法，在总结和分析现有运动目标检测与跟踪方法的基础上，重点研究卡尔曼滤波目标跟踪算法。在算法研究的基础上，将基于MATLAB仿真平台并采用卡尔曼滤波算法对样本视频序列进行目标跟踪。使学生一方面能够熟练掌握MATLAB进行图像分割算法仿真的使用方法，另一方面，拓展他们在算法实现上的知识面。研究的主要内容包括：
1.卡尔曼滤波目标跟踪算法研究；
2.卡尔曼滤波目标跟踪算法实现方法的研究，给出实现步骤；
3.利用MATLAB语言实现算法编程，并针对样板图像序列进行仿真，分析
处理结果，给出算法评价并优化相应算法。
2卡尔曼滤波理论
2.1卡尔曼滤波基本思想
卡尔曼滤波是一种简单和常用的状态估计快速算法，最早由Kalman在1960年提出。该算法是最优数据递归处理方法，遵循均方误差最小原则，利用系统估计理论，通过状态方程和测量方程来描述系统。卡尔曼滤波的特点是不要求保存过去的测量数据，只用当前帧的观测值和前一时刻的估计值，通过系统本身的状态转移方程，按照预测和校正方程，来预测本时刻的估计值即可算出新的估计值。该算法具有许多优点，例如在高斯白噪声条件下，它是最优的、无偏的最小方差估计，对于非高斯噪声，它也是最好的线性滤波器。由于本身的特点，不需要存储过去大量的数据，所以计算简单。能够自适应的检测过程的变化等等。卡尔曼滤波算法在现实中得到越来越广泛的应用，如火力控制、导弹制导等等。
卡尔曼滤波理论的提出标志着现代滤波理论的建立。Kalman滤波器是一种对动态系统的状态序列，求线性最小方差误差估计的算法，利用动态的状态方程和观测方程来描述系统。它的基本思想是：首先建立描述随机动态变量随时间变化的先验模型，然后在对随机变量进行实时观测的情况下，利用KF方程组实时获得目标状态基于全局信息的最优估计值。它不仅能方便地通过协方差矩阵对估计精度进行度量，而且能通过残差向量的变化，判断假设的目标运动模型与实际的目标运动特性是否符合。它采用递归滤波的方法进行计算，具有计算量小和能实时计算的特点，因此在目标跟踪系统中得到了很普遍的应用。
卡尔曼滤波的基本思想就是首先建立描述随机动态变量随时间变化的先验模型，然后在对随机变量进行实时下，利用KF方程组实时获得目标状态基于全局信息的最优估计值。
卡尔曼滤波是基于贝叶斯理论，要想详细了解卡尔曼滤波的原理，必须从了解贝叶斯滤波算法入手。
2.2贝叶斯滤波原理
贝叶斯滤波的实质是用所有的已知信息计算得出系统状态变量的后验概率密度，即使用系统状态转移模型预测状态的先验概率密度，然后结合最近的观测值修正得出后验概率密度。
其基本步骤分为预测（prediction)和更新（updating)两步，假设系统的状态向量序列为{},k x k N ∈ ，其中k 为时间序列标号，表示的状态向量，x n k x R ∈表示k 时刻的状态向量，x n 为k x 的维度，非线性动态系统的
状态方程： 111(,,)k k k k k x f x ν---=μ （1） 观测方程： (,)k k k k z h x ω= （2） 其中k x ，k z 分别表示系统状态和观测值，k f 和k h 分别为已知的非线性1k -μ为
输入项，k ν ，k ω为独立同分布的系统噪声和观测噪声。初始状态0x 分布为()n p x 。
基于上述模型，我们要解决的问题是根据以前的系统状态1k x -结合从开始到k 时刻的观测值{}1:,1,2,...,k i z z i k ==估计出当前的系统状态k x ，用Bayesian 的观点，即估计后验概率密度函数1:(|)k k p x z 。
递推过程分为如下两个步骤：
预测（prediction)：通过系统的状态转移模型，在未获得k 时刻的观测值之前，实现从先验概率11:(|)k k p x z -至先验概率1:(|)k k p x z 的推导。
假设在1k -时刻，11:(|)k k p x z -是已知的，那么有：
1:111:11(|)(|)(|)k k k k k k k p x z p x x p x z dx ----=? （3） 1(|)k k p x x -即系统的状态转移概率。
更新（update)，即由系统的观测模型，实现先验概率1:1(|)k k p x z -至后验概率1:(|)k k p x z 的推导。
在获得k 时刻的观测值k z 后，利用贝叶斯准则对预测值进行更新，即求出下面的后验概率密度： 1:11:11:1:11:1(|,)(|)
(|)(|,)(|)k k k k k k k k k k k k p z x z p x z p x z p x z z p z z ----== （4）
假定给定状态k x ，k z 与k 时刻之前的观测时相互独立的，因此有： 1:11:1:1(|)(|)
(|,)(|)k k k k k k k k k p z x p x z p x z z p z z --= （5）
其中，(|)k k p z x 成为似然性（likelihood ），其表态系统状态由1k x -转移到k x 后与观测值的相似程度。而1:1(|)k k p x z -是先验概率（prior)，由上一步系统状态转移过程得出，
1:1(|)k k p z z -称为证据（evidence)，一般是个归一化后的常数。
2.3卡尔曼滤波的基本算法
本文采用卡尔曼滤波来估计运动目标的参数。卡尔曼滤波算法由状态方程和测量方程具体描述如下
状态方程： 1k k k x Ax w -=+ （6） 测量方程： k k k z Hx ν=+ （7） 式中k x 是1n ?维状态向量，A 是n n ?维状态转移矩阵，k z 是1m ?维观测向量，H 是m n ?维观测矩阵，1k w -是1k t -时刻状态的1n ?维的随机干扰，k ν是k t 时刻的1m ?维观测噪声向量。1k w -和k ν为相互独立的正态分布的白色噪声。
随机变量k ω和k ν分别代表过程噪声和测量噪声。假设它们相互独立，且服从统计特性：
[]0k E w =，T k l k kl E w w Q δ??=??， []0k E v =，T k l k kl E v v R δ??=??，
在实际的应用中，过程噪声协方差距阵K Q 和观测噪声协方差距阵k R 应该是不断改变的，在此我们假设它们为常数，分别是Q 和R 。
定义?n k x -∈?为根据状态转移方程前1k -步的先验知识得出的先验状态估
计，定义?n k x ∈?为第k 步结合测量值k z 得出的后验状态估计。他们的误差分别为：
?k k k e x x --=- （8）
?k k k e x x =- （9）
那么先验估计误差的协方差为
T k k k P E e e ---??=?? （10） 而后验估计误差的协方差为
T k k k P E e e ??=?? （11）
根据卡尔曼滤波原理，利用观测值k z 修正先验估计值k x -得到后验估计值?k x ，
表达式为：
???()k k k k k k x x K z H x --=+- （12）
式中差值?k k k z H x --反映了观测估计?k k H x -和实际观测值k z 之间的误差。k K 为
卡尔曼的增益矩阵。
公式（12）就是系统状态更新方程。这里的关键就是求出K ，它可以通过最小化后验的估计误差协方差k P 来获得，将式（12）代入式（9）求出k e ，然后把式k e 代入式（11），计算k P ，并对其求出K 的导数，令该导数为零，即可得K ： 1
()T
T T k k k k T k P H K P H HP H R HP H R -----=+=+ （13） 由公式（13）可以看出，当测量误差的协方差R 趋向零时，卡尔曼滤波增益
K 越来越大，在计算?k x 时，也对残差赋予最高的权重，有：
1
0lim k R H -→= （14）
另一方面，当先验估计误差协方差k P -趋于零时，卡尔曼滤波增益K 越来越
小，在计算?k x 时，将更加信任先验估计?k x -，有：
0lim 0k k P K -→= （15） 可以看出，当测量误差协方差R 趋于零时，真正的测量值k z 是越来越可靠的，
而预测值?k k H x -的作用越来越小。另一方面，当先验估计误差协方差k P -趋于零，
真实测量值k z 的作用越来越小，而最终结果越来越倾向于预测值 ?k k H x -。
1k x -和1k P -为初始值
图2.1 卡尔曼原理框图
时间更新（预测） （1）向前推算状态变量 1??k k x Ax --= （2）向前推算误差协方差 1T k K P AP A Q --=+ 测量更新（校正）
（1）计算卡尔曼增益 1()T T k k k K P H HP H R ---=+ （2）由观测变量k z 更新估计
???()k k k k k k x x K z H x --=+- （3）更新误差协方差 ()K k k P I K H P -=-
Kalman可分为预测和校正两部分。首先预测方程负责通过计算当前的状态变量和误差协方差估计的值，得到过程下一时状态的先验估计。校正方程利用新得到的测量变量对先验估计进行校正，获得后验估计。在每次预测和校正完成后，由后验估计值预测下一时刻的先验估计，重复以上步骤，这就是卡尔曼滤波器的递归工作原理。
3移动目标的跟踪算法研究
3.1移动目标跟踪方法概况
移动目标跟踪是确定同一物体在图像序列的不同帧中的位置的过程。目标跟踪方法大致可以分为四类：
⑴基于区域的跟踪
基于区域的跟踪方法基本思想是:首先通过图像分割或预先人为确定提取包含目标区域的模板，并设定一个相似性度量，然后在序列图像中搜索目标，把度量取极值时对应的区域作为对应帧中的目标区域。由于提取的目标模板包含了较完整的目标信息，该方法在目标未被遮挡时，跟踪精度非常高，跟踪非常稳定，但通常比较耗时，特别是当目标区域较大时，因此一般应用于跟踪较小的目标或对比度较差的目标。
⑵基于特征的跟踪
基于特征的跟踪方法基本思想是:首先提取目标的某个或某些局部特征，然后利用某种匹配算法在图像序列中进行特征匹配，从而实现对目标的跟踪。该方法的优点是即使目标部分被遮挡，只要还有一部分特征可以被看到，就可以完成跟踪任务因此常用于复杂场景下对运动目标的实时、鲁棒跟踪。
⑶基于活动轮廓的跟踪
基于活动轮廓的跟踪方法基本思想是:利用封闭的曲线轮廓表达运动目标，结合图像特征、曲线轮廓构造能量函数，通过求解极小化能量实现曲线轮廓的自动连续更新，从而实现对目标的跟踪。
⑷基于模型的跟踪
基于模型的跟踪方法基本思想是:首先通过一定的先验知识对所跟踪目标建立模型，然后通过匹配跟踪目标，并进行模型的实时更新。主要有三种形式的模型，即线图模型、二维轮廓模型和三维立体模型。
如果已知一些被跟踪目标运动规律的信息，就可以利用它们来预测目标在下一帧中的位置，从而缩小目标的搜索范围。基于运动模型的目标跟踪方法就是利用已知的目标运动规律对目标的运动进行建模，用仿射模型、透射模型来描述和
计算目标的位置。如果目标是做线性运动，且图像噪声是高斯噪声，可以使用卡尔曼滤波器对目标下一帧的位置进行预测和估计，从而完成对目标的跟踪。如果目标是做非线性运动，可以使用扩展卡尔曼滤波器跟踪目标。假如图像的噪声不服从高斯分布，扩展卡尔曼滤波器也难以获得好的跟踪效果。对于复杂的情况（噪声大、非线性的状态方程），粒子滤波器是一种很好的算法。粒子滤波器在复杂环境、运动背景下都能正确跟踪目标，具有很高鲁棒性，但其算法复杂度很高，算法的实时性不理想。
以上列出的这些算法都是在特定的一些场景下，对单个视频目标进行跟踪时比较有效，但是在更换场景或者跟踪多个视频目标时，往往效果都不理想。对于单视频目标跟踪来说，一个方面的困难是如何建立一个鲁棒的观测模型，另外一个方面是如何选择一个有效的跟踪搜索方法。对于多视频目标跟踪来说，除了单视频目标跟踪中的一些问题外，还要考虑目标之间的交叉运动、以及相似的目标等问题。
3.2运动目标观测值的检测
运动目标检测是指从图像序列中提取出运动目标，它是目标跟踪的低级阶段，检测的好坏直接影响后续的识别和跟踪，因此成为目标跟踪一项重要课题，它的基本任务是从图像序列中检测出运动信息，简化图像处理过程，得到运动矢量，从而能够识别跟踪运动物体。因为天气和光照的变化、背景物体的扰动、影子的存在以及摄像机的运动等都会影响检测的结果，所以也是一项很有挑战的课题。现在已有很多的运动目标检测方法，各类文献中的运动物体检测方法，可将其大概分为以下几类：背景差分法、帧间差分法、统计模型法、光流法。
在我们的跟踪任务中，我们希望提取的目标尽量接近目标的真实形状，也就是说，我们提取出的目标应是完整的，同时也应该尽量少的包括背景图像，因此在基本的背景差分法基础上，进行改进，可得到精确的运动目标检测值。
3.3基于卡尔曼滤波的状态估计
在本文系统中，我们只关心运动目标在每一帧图像中的位置和速度，由于相
邻两帧之间间隔比较短，所以可以假设目标在单位时间间隔内是匀速运动。
令信号向量k x 中有四个分量，分别为目标在x 、y 轴上的坐标位置和目标在x 、y 上的速度。观测向量k z 中有两个分量。在系统中选取为：
()T
k s x s y x x v y v =
()k s s z x y =
其中，s x 为k 时刻目标在x 轴上测量得到的目标中心坐标；s y 为k 时刻目标在y 轴上测量得到的目标中心坐标；x v 为k 时刻运动目标在x 轴方向上的速度；y v 为k 时刻运动目标在y 轴方向上的速度。
由于假设目标是在单位时间间隔内作匀速运动，所以定义状态转移矩阵A 为：
10001000010001t A t ???????=???????
其中1k k t T T -?=-
观测矩阵为： 10000010H ??=????
本文采用如下公式预测目标在下一时刻可能出现的位置：
s s x x x v t
'=+? s s y y y v t '=+?
其中，s x '、s y '表示前一时刻的状态。
4基于卡尔曼滤波的跟踪算法与仿真
4.1 目标模型
跟踪问题中的首要目标是找到适合的目标表征，也称为目标模型。目标模型通常在视频序列的起始帧中建立，是对选定目标的一个标准表示。在图像中，目标区域通常被定义为一个矩形或椭圆形区域。
在跟踪过程中，跟踪算法流程如下：
①初始化滤波器，使用第3章中的运动目标检测方法标定出目标的初始置。
②根据目标在前一时刻的状态值，使用Kalman滤波器获得当前时刻目标的预测位置。
③以预测位置为起点，结合跟踪框，使用kalman跟踪算法获得目标在当前时刻的观测位置。
④结合获得的预测位置和获得的观测位置，使用Kalman滤波算法估计，得到当前时刻目标的修正位置。
⑤计算遮挡率因子，调节Kalman滤波器参数。
⑥以第四步获得的估计位置为初始位置，再应用前面第②和第③步
得下一时刻运动目标的预测位置和观测位置。
⑦反复使用以上第②步至第⑤步，最终获得稳定的目标跟踪算法。
4.2自适应卡尔曼滤波
一般迭代的初始位置取上一帧的目标位置，找到邻域内的极大值之后，迭代停止。如果目标附近有其他的相似物体靠近，容易定位到其他物体上，若提前预测运动目标的位置，把预测的位置作为迭代的初始位置，则能改进该不足。考虑到实际目标运动轨迹的不确定性，本节采用卡尔曼滤波器来预测目标的位置，建立目标运动模型并利用Kalman滤波对目标位置进行一步预测。
Kalman滤波的基本方程是一种递推形式，其计算过程是通过不断地“预测-修正”，不需要存储大量的数据，只要观测到了新的数据，可立即计算出新的滤波值，所以非常便于实时处理。
4.3实验仿真结果
为了验证本文提出的方法，我们将通过MATLAB平台对其进行实验，得出仿真结果。实验所用的是对小球落地每一帧图像的跟踪。图4.1是对小球运动序列的的目标跟踪结果，分别是第9、27、43帧，图4.1（b）标示出了运动目标检测跟踪框。
（a）
第9帧第27帧第43帧
(b)
图4.1卡尔曼算法跟踪结果
图4.1第9帧表示小球刚下落时的情景，跟踪框能实时的跟踪到小球。图4.1第27帧表示小球落地反弹后，系统及时修正后跟踪到的情景。而图4.1第43帧表示小球经过多次反弹后趋于静止的跟踪情况，由于卡尔曼算法是一种递推方式的跟踪方式，所以依据前一帧的运动规律进行判断，未能及时完整的跟踪上目标。
由实验结果可以看出，卡尔曼跟踪算法是一种比较简单有效的跟踪算法，该算法具有较强的跟踪能力。
系统对目标跟踪产生较第16帧大误差时，将会自动校正
图4.2 跟踪误差
Kalman滤波作为一种递推技术．在时变序列图像的运动分析中无需像其它的一些非递推算法那样要求维持一定数量的缓存来保存用于运动估计的样本观测数据，取而代之的是通过递推技术利用过去的观测数据。
图4.3小球在X、Y轴上相对位移
改进的卡尔曼算法误差较小，而且由于Kalman滤波的作用，在产生误差过程中能及时校正跟踪目标。
多目标跟踪
多目标跟踪的基本理论 所谓多目标跟踪，就是为了维持对多个目标当前状态的估计而对所接收到的量测信息进行处理的过程。 目标模型不确定性 是指目标在未知的时间段内可能作己知的或未知的机动。一般情况下，目标的 非机动方式及目标发生机动时的不同的机动形式都可以通过不同的数学模型来加 以描述。在进行目标跟踪过程中，采用不正确的目标运动模型会导致跟踪系统跟踪 性能的严重下降。因而在目标跟踪过程中，运动模型采用的正确与否对目标的跟踪 性能是至关重要的。 观测不确定性 是指由传感器系统提供的量测数据可能是外部的干扰数据，它有可能是由杂波、虚警和相邻的目标所引起的，也可能是由被跟踪目标的对抗系统所主动发出来的虚假信息。这种不确定性在本质上显然是离散的，给目标跟踪问题提出了极大的挑战，相应地也就产生了数据关联的问题。 数据关联 数据关联的作用主要有：航迹保持、航迹建立和航迹终结。 数据关联算法主要有：“最近邻”方法，“全邻”最优滤波器方法、概率数据关联滤波器方法、多模型方法、相互作用多模型一概率数据关联滤波器方法、联合概率数据关联滤波器方法、多假设方法、航迹分裂方法。 1.“最近邻”方法的思想是：在落入跟踪波门中的所有量测中，离目标跟踪预测位置最近的量测认为是有效量测。“最近邻”方法的好处是算法最简单，但是精度差，抗杂波干扰的能力差。“最近邻”方法因为简单，算法易实现，因此也是目前广泛采用的一种数据关联算法． 2 .“全邻”最优滤波器 Singer,Sea和Housewright发展了一类“全邻”滤波器，这种滤波器不仅考虑了所有候选回波（空间累积信息），而且考虑了跟踪历史，即多扫描相关（时间累积信息）假定多余回波互不相关并且均匀分布于跟踪门内，则任何跟踪门的体积V内多余回波的数目Cx服从均值为βV的泊松分布。假定在K-1时刻，轨迹a′正确的概率为Pa(k-1)。关键问题是计算k时刻轨迹的正确概率Pa(k)。
基于卡尔曼滤波器的雷达目标跟踪(完整资料).doc
此文档下载后即可编辑 随机数字信号处理期末大作业（报告） 基于卡尔曼滤波器的雷达目标跟踪 Radar target tracking based on Kalman filter 学院（系）：创新实验学院 专业：信息与通信工程 学生姓名：李润顺 学号：21424011 任课教师：殷福亮 完成日期：2015年7月14日
大连理工大学Dalian University of Technology
摘要 雷达目标跟踪环节的性能直接决定雷达系统的安全效能。由于卡尔曼滤波器在状态估计与预测方面具有强大的性能，因此在目标跟踪领域有广泛应用，同时也是是现阶段雷达中最常用的跟踪算法。本文先介绍了雷达目标跟踪的应用背景以及研究现状，然后在介绍卡尔曼滤波算法和分析卡尔曼滤波器性能的基础上，将其应用于雷达目标跟踪，雷达在搜索到目标并记录目标的位置数据，对测量到的目标位置数据（称为点迹）进行处理，自动形成航迹，并对目标在下一时刻的位置进行预测。最后对在一个假设的情境给出基于卡尔曼滤波的雷达目标跟踪算法对单个目标航迹进行预测的MATLAB仿真，对实验的效果进行评估，分析预测误差。 关键词：卡尔曼滤波器；雷达目标跟踪；航迹预测；预测误差；MATLAB 仿真 - 1 -
1 引言 1.1 研究背景及意义 雷达目标跟踪是整个雷达系统中一个非常关键的环节。跟踪的任务是通过相关和滤波处理建立目标的运动轨迹。雷达系统根据在建立目标轨迹过程中对目标运动状态所作的估计和预测，评估船舶航行的安全态势和机动试操船的安全效果。因此，雷达跟踪环节工作性能的优劣直接影响到雷达系统的安全效能[1]。 鉴于目标跟踪在增进雷达效能中的重要作用，各国在军用和民用等领域中一直非常重视发展这一雷达技术。机动目标跟踪理论有了很大的发展，尤其是在跟踪算法的研究上，理论更是日趋成熟。在跟踪算法中，主要有线性自回归滤波、两点外推滤波、维纳滤波、加权最小二乘滤波、β α-滤波和卡尔曼滤波，其中卡尔曼滤波算法在目标跟踪理论中占据了主导地位。
基于meanshift的目标跟踪算法——完整版
基于Mean Shift的目标跟踪算法研究 指导教师：
摘要：该文把Itti视觉注意力模型融入到Mean Shift跟踪方法，提出了一种基于视觉显著图的Mean Shift跟踪方法。首先利用Itti视觉注意力模型，提取多种特征，得到显著图，在此基础上建立目标模型的直方图，然后运用Mean Shift方法进行跟踪。实验证明，该方法可适用于复杂背景目标的跟踪，跟踪结果稳定。 关键词：显著图目标跟踪Mean Shift Mean Shift Tracking Based on Saliency Map Abstract：In this paper, an improved Mean Shift tracking algorithm based on saliency map is proposed. Firstly, Itti visual attention model is used to extract multiple features, then to generate a saliency map，The histogram of the target based on the saliency map, can have a better description of objectives, and then use Mean Shift algorithm to tracking. Experimental results show that improved Mean Shift algorithm is able to be applied in complex background to tracking target and tracking results are stability. 1 引言 Mean Shift方法采用核概率密度来描述目标的特征，然后利用Mean Shift搜寻目标位置。这种方法具有很高的稳定行，能够适应目标的形状、大小的连续变化，而且计算速度很快，抗干扰能力强，能够保证系统的实时性和稳定性[1]。近年来在目标跟踪领域得到了广泛应用[2-3]。但是，核函数直方图对目标特征的描述比较弱，在目标周围存在与目标颜色分布相似的物体时，跟踪算法容易跟丢目标。目前对目标特征描述的改进只限于选择单一的特征，如文献[4]通过选择跟踪区域中表示目标主要特征的Harris点建立目标模型；文献[5]将初始帧的目标模型和前一帧的模型即两者的直方图分布都考虑进来，建立混合模型；文献[6]提出了以代表图像的梯度方向信息的方向直方图为目标模型；文献[7-8]提出二阶直方图，是对颜色直方图一种改进，是以颜色直方图为基础，颜色直方图只包含了颜色分布信息，二阶直方图在包含颜色信息的前提下包含了像素的均值向量和协方差。文献[9]提出目标中心加权距离，为离目标中心近的点赋予较大的权值，离目标中心远的点赋予较小的权值。文献[4-9]都是关注于目标和目标的某一种特征。但是使用单一特征的目标模型不能适应光线及背景的变化，而且当有遮挡和相似物体靠近时，容易丢失目标；若只是考虑改进目标模型，不考虑减弱背景的干扰，得到的效果毕竟是有限的。 针对上述问题，文本结合Itti 提出的视觉注意模型[5]，将自底向上的视觉注意机制引入到Mean Shift跟踪中，提出了基于视觉显著图的Mean Shift跟踪方法。此方法在显著图基础上建立目标模型，由此得到的目标模型是用多种特征来描述的，同时可以降低背景对目标的干扰。 2 基于视觉显著图的Mean Shift跟踪方法
扩展卡尔曼滤波雷达目标在线跟踪轨迹算法
基于扩展卡尔曼滤波的雷达目标在线跟踪轨迹的算法摘要：目标跟踪是指根据传感器（如雷达等）所获得的对目标的测量信息，连续地对目标的运动状态进行估计，进而获取目标的运动态势及意图。目标跟踪理论在军、民用领域都有重要的应用价值。在军用领域，目标跟踪是情报搜集、战场监视、火力控制、态势估计和威胁评估的基础；在民用领域，目标跟踪被广泛应用于空中交通管制，目标导航以及机器人的道路规划等行业。本文利用差分方程模型计算目标点的速度与加速度，基于卡尔曼滤波算法建立扩展型卡尔曼滤波算法的目标跟踪模型。 0 引言 目前，对机动目标的跟踪滤波与预测算法主要有线性自回归滤波、两点外推滤波、维纳滤波、加权最小二乘滤波、与滤波、简化的卡尔曼滤波和卡尔曼滤波。线性自回归滤波完全忽视了状态噪声对估值的影响；两点外推滤波利用最后一个数据点和最后两个数据点分别确定目标位置与目标速度，因此，之前所测的数据点并不能起到预测作用；维纳滤波不适合机动目标的瞬间变化过程，从而在一定程度上限制了它的应用范围；与滤波是两种简单并且易于工程实现的常增益滤波方法，最大优点在于其增益矩阵可以离线计算，而且在每次滤波循环中可节约大约70%的计算量；卡尔曼滤波与预测执行的是均方根误差最小准则，并且通过协方差矩阵可以很方便的对估计精度进行度量，目前应用较多而且误差相对较小的目标跟踪算法是卡尔曼滤波算法。但基本的卡尔曼滤波算法在跟踪机动目标时存在不足：当系
统达到稳态时，其预测协方差很小，使得滤波器的增益也趋于极小值，此时若目标发生机动，系统残差增大，预测的协方差和滤波器的增益不能随残差随时改变，系统将不能保证对突变状态的跟踪能力。 1用扩展卡尔曼滤波算法预测机动目标轨迹 首先由目标初始准确的状态对下一状态进行预测，得到下一状态的预测值，同时由计算所得的对应于初始状态的协方差得到下一状态的协方差预测值；接着由雷达观测误差、状态向量及所得协方差预测值可以得到卡尔曼增益值，进而最终得到下一状态的最优估算值，同时更新对应的协方差。至此，第一轮目标轨迹预测已完成，同理，进行下一轮的目标轨迹预测。模型的具体方程如下：本时刻系统的状态向量由上一时刻系统的最优预测状态向量求得，初始状态需要知道目标的状态向量。这里通过差分方程数学模型计算出目标在三个坐标上速度变化情况： 其中、、表示所测数据第i时刻速度沿着方向三个的速度分量值。 然后使用卡尔曼滤波预测目标的运动轨迹，假定离散时间控制系统状态方程和观测方程为： 式中是k时刻的非线性实值状态向量，是k时刻的系统量测向量，表示系统状态噪声，表示系统测量噪声，A和B为状态向量，H为非线性函数。 由公式4和公式5构成的系统状态方程和测量方程均为线性方程，其过程噪声都为高斯白噪声，可用标准卡尔曼滤波算法进行滤波。
TLD目标跟踪算法
TLD目标跟踪算法 一、算法的背景 TLD(Tracking-Learning-Detection)是英国萨里大学的一个捷克籍博士生Zdenek 出的一种新的单目标长时间（long term tracking）跟踪算法。该算法与传统跟踪算法的显著区别在于将传统的跟踪算法和传统的检测算法相结合来解决被跟踪目标在被跟踪过程中发生的形变、部分遮挡等问题。同时，通过一种改进的在线学习机制不断更新跟踪模块的“显著特征点”和检测模块的目标模型及相关参数，从而使得跟踪效果更加稳定、鲁棒、可靠。 对于长时间跟踪而言，一个关键的问题是：当目标重新出现在相机视野中时，系统应该能重新检测到它，并开始重新跟踪。但是，长时间跟踪过程中，被跟踪目标将不可避免的发生形状变化、光照条件变化、尺度变化、遮挡等情况。传统的跟踪算法，前端需要跟检测模块相互配合，当检测到被跟踪目标之后，就开始进入跟踪模块，而此后，检测模块就不会介入到跟踪过程中。但这种方法有一个致命的缺陷：即，当被跟踪目标存在形状变化或遮挡时，跟踪就很容易失败；因此，对于长时间跟踪，或者被跟踪目标存在形状变化情况下的跟踪，很多人采用检测的方法来代替跟踪。该方法虽然在某些情况下可以改进跟踪效果，但它需要一个离线的学习过程。即：在检测之前，需要挑选大量的被跟踪目标的样本来进行学习和训练。这也就意味着，训练样本要涵盖被跟踪目标可能发生的各种形变和各种尺度、姿态变化和光照变化的情况。换言之，利用检测的方法来达到长时间跟踪的目的，对于训练样本的选择至关重要，否则，跟踪的鲁棒性就难以保证。 考虑到单纯的跟踪或者单纯的检测算法都无法在长时间跟踪过程中达到理想的效果，所以，TLD方法就考虑将两者予以结合，并加入一种改进的在线学习机制，从而使得整体的目标跟踪更加稳定、有效。 简单来说，TLD算法由三部分组成：跟踪模块、检测模块、学习模块；如下图所示 其运行机制为：检测模块和跟踪模块互补干涉的并行进行处理。首先，跟踪模块假设相邻视频帧之间物体的运动是有限的，且被跟踪目标是可见的，以此来估计目标的运动。 如果目标在相机视野中消失，将造成跟踪失败。检测模块假设每一个视帧都是彼此独立的，并且根据以往检测和学习到的目标模型，对每一帧图片进行全图搜索以定位目标可能出现的区域。同其它目标检测方法一样，TLD中的检测模块也有可能出现错误，且错误无非是错误的负样例和错误的正样例这两种情况。而学习模块则根据跟踪模块的结果对检测模块的这两种错误进行评估，并根据评估结果生成训练样本对检测模块的目标模型进行更新，同时对跟踪模块的“关键特征点”进行更新，以此来避免以后出现类似的
基于卡尔曼滤波器的雷达目标跟踪
随机数字信号处理期末大作业（报告） 基于卡尔曼滤波器的雷达目标跟踪 Radar target tracking based on Kalman filter 学院（系）：创新实验学院 专业：信息与通信工程 学生姓名：李润顺 学号：21424011 任课教师：殷福亮 完成日期：2015年7月14日 大连理工大学 Dalian University of Technology
摘要 雷达目标跟踪环节的性能直接决定雷达系统的安全效能。由于卡尔曼滤波器在状态估计与预测方面具有强大的性能，因此在目标跟踪领域有广泛应用，同时也是是现阶段雷达中最常用的跟踪算法。本文先介绍了雷达目标跟踪的应用背景以及研究现状，然后在介绍卡尔曼滤波算法和分析卡尔曼滤波器性能的基础上，将其应用于雷达目标跟踪，雷达在搜索到目标并记录目标的位置数据，对测量到的目标位置数据（称为点迹）进行处理，自动形成航迹，并对目标在下一时刻的位置进行预测。最后对在一个假设的情境给出基于卡尔曼滤波的雷达目标跟踪算法对单个目标航迹进行预测的MATLAB仿真，对实验的效果进行评估，分析预测误差。 关键词：卡尔曼滤波器；雷达目标跟踪；航迹预测；预测误差；MATLAB仿真
1 引言 1.1 研究背景及意义 雷达目标跟踪是整个雷达系统中一个非常关键的环节。跟踪的任务是通过相关和滤波处理建立目标的运动轨迹。雷达系统根据在建立目标轨迹过程中对目标运动状态所作的估计和预测，评估船舶航行的安全态势和机动试操船的安全效果。因此，雷达跟踪环节工作性能的优劣直接影响到雷达系统的安全效能[1]。 鉴于目标跟踪在增进雷达效能中的重要作用，各国在军用和民用等领域中一直非常重视发展这一雷达技术。机动目标跟踪理论有了很大的发展，尤其是在跟踪算法的研究上，理论更是日趋成熟。在跟踪算法中，主要有线性自回归滤波、两点外推滤波、维纳 α-滤波和卡尔曼滤波，其中卡尔曼滤波算法在目标跟踪滤波、加权最小二乘滤波、β 理论中占据了主导地位。 雷达跟踪需要处理的信息种类多种多样。除了目标的位置信息外，一般还要对目标运动速度进行估计，个别领域中的雷达还要对目标运动姿态进行跟踪。雷达跟踪的收敛速度、滤波精度和跟踪稳定度等是评估雷达跟踪性能的重要参数。因此提高雷达跟踪的精度、收敛速度和稳定度也就一直是改善雷达跟踪性能的重点。随着科技的发展，各类目标的运动性能和材质特征有了大幅度的改善和改变，这就要求雷达跟踪能力要适应目标特性的这种变化。在不断提高雷达跟踪性能的前提下，降低雷达跟踪系统的成本也是现代雷达必须考虑的问题。特别是在民用领域中由于雷达造价不能过高，对目标跟踪进行快收敛性、高精度和高稳定性的改良在硬件上是受到一些制约的，因此雷达跟踪算法的研究就越来越引起学者们的关注。通过跟踪算法的改进来提高雷达的跟踪性能还有相当大的挖掘潜力。考虑到雷达设备的造价，民用雷达的跟踪系统首要的方法就是对于雷达的跟踪算法进行开发。
目标跟踪算法的分类
目标跟踪算法的分类
主要基于两种思路： a)不依赖于先验知识，直接从图像序列中检测到运动目标，并进行目标识别，最终跟踪感兴趣的运动目标； b)依赖于目标的先验知识，首先为运动目标建模，然后在图像序列中实时找到相匹配的运动目标。 一．运动目标检测 对于不依赖先验知识的目标跟踪来讲，运动检测是实现跟踪的第一步。运动检测即为从序列图像中将变化区域从背景图像中提取出来。运动目标检测的算法依照目标与摄像机之间的关系可以分为静态背景下运动检测和动态背景下运动检测 （一）静态背景 1.背景差 2.帧差 3.GMM 4.光流 背景减算法可以对背景的光照变化、噪声干扰以及周期性运动等进行建模，在各种不同情况下它都可以准确地检测出运动目标。因此对于固定
个关键技术： a)匹配法则，如最大相关、最小误差等 b)搜索方法，如三步搜索法、交叉搜索法等。 c) 块大小的确定，如分级、自适应等。 光流法 光流估计的方法都是基于以下假设：图像灰度分布的变化完全是目标或者场景的运动引起的，也就是说，目标与场景的灰度不随时间变化。这使得光流方法抗噪声能力较差，其应用范围一般局限于目标与场景的灰度保持不变这个假设条件下。另外，大多数的光流计算方法相当复杂，如果没有特别的硬件装置，其处理速度相当慢，达不到实时处理的要求。 二．目标跟踪 运动目标的跟踪，即通过目标的有效表达，在图像序列中寻找与目标模板最相似候选目标区位置的过程。简单说，就是在序列图像中为目标定位。运动目标的有效表达除了对运动目标建模外，目标跟踪中常用到的目标特性表达主要包括视觉特征 (图像边缘、轮廓、形状、纹理、区域)、统计特征 (直方图、各种矩特征)、变换系数特
雷达机动目标跟踪技术研究精编
雷达机动目标跟踪技术 研究精编 Document number：WTT-LKK-GBB-08921-EIGG-22986
1 绪论 课题背景及目的 目标跟踪问题实际上就是目标状态的跟踪滤波问题，即根据传感器已获得的目标量测数据对目标状态进行精确的估计[1]。它是军事和民用领域中一个基本问题，可靠而精确地跟踪目标是目标跟踪系统设计的主要目的。在国防领域，目标跟踪可用于反弹道导弹的防御、空防预警、战场区域监视、精确制导和低空突防等。在民用领域，则用于航空和地面交通管制、机器人的道路规划和障碍躲避、无人驾驶车的跟踪行驶、电子医学等。作为科学技术发展的一个方面，目标跟踪问题可以追溯到第二次世界大战的前夕，即1937年世界上出现第一部跟踪雷达站SCR-28的时候。之后，许多科学家和工程师一直努力于该项课题的研究，各种雷达、红外、声纳和激光等目标跟踪系统相继得到发展并且日趋完善。 运动目标的机动会使跟踪系统的性能恶化，对机动目标进行跟踪是人们多年来一直关注的问题。随着现代航空航天技术的飞速发展，机动目标在空间飞行的速度、角度、加速度等参数不断变化，使得目标的位置具有很强的相关性，因此，提高对这类目标的跟踪性能便成为越来越重要的问题，迫切需要研究更为优越的跟踪滤波方法。机动目标的跟踪研究，已成为当今电子战的研
究热点之一。今天，精密跟踪雷达不仅广泛应用于各类武器控制和各类实验靶场，而且还广泛应用于各种空间探测、跟踪和识别领域，以及最先进的武器控制系统。 跟踪模型和匹配滤波是机动目标跟踪的两个关键部分，机动目标的精确跟踪在过去和现在都是一个难题，最根本原因在于跟踪滤波采用的目标动力学模型和机动目标实际动力学模型不匹配，导致跟踪滤波器发散，跟踪性能严重下降。本文将机动目标作为研究对象，从目标的运动建模和匹配滤波算法入手，提出或修正跟踪算法，从而实现对机动目标的精确跟踪。 机动目标跟踪技术及其发展状况 目标机动是指运动当中的目标，其运动方式在不断地发生变化，从一种形式变化为另一种形式，目标的运动可能从匀速到变速，也可能送直线到转弯，它的运动方式并不会从一而终。通俗地说，就是“目标速度的大小和方向发生变化”。 一般情况下，机动目标跟踪方法概括来讲可以分为以下两类：具有机动检测的跟踪算法和无需机动检测的自适应跟踪算法。机动目标的跟踪需要综合运用统计决策、滤波算法以及其它的数学方法，将传感器所接受到的信号数据进行处理，得到目标的位置、速度、加速度等估计信息。图给出了机动目标跟踪的基本原理图。
目标跟踪算法的研究毕业论文
目录 摘要 (1) ABSTRACT (2) 第一章绪论 (4) 1.1课题研究背景和意义 (4) 1.2国外研究现状 (5) 1.3本文的具体结构安排 (7) 第二章运动目标检测 (8) 2.1检测算法及概述 (8) 2.1.1连续帧间差分法 (9) 2.1.2背景去除法 (11) 2.1.3光流法 (13) 第三章运动目标跟踪方法 (16) 3.1引言 (16) 3.2运动目标跟踪方法 (16) 3.2.1基于特征匹配的跟踪方法 (16) 3.2.2基于区域匹配的跟踪方法 (17) 3.2.3基于模型匹配的跟踪方法 (18) 3.3运动目标搜索算法 (18) 3.3.1绝对平衡搜索法 (18) 3.4绝对平衡搜索法实验结果 (19) 3.4.1归一化互相关搜索法 (21)
3.5归一化互相关搜索法实验结果及分析 (22) 第四章模板更新与轨迹预测 (26) 4.1模板更新简述及策略 (26) 4.2轨迹预测 (28) 4.2.1线性预测 (29) 4.2.2平方预测器 (30) 4.3实验结果及分析： (31) 致 (36) 参考文献 (37) 毕业设计小结 (38)
摘要 图像序列目标跟踪是计算机视觉中的经典问题，它是指在一组图像序列中，根据所需目标模型，实时确定图像中目标所在位置的过程。它最初吸引了军方的关注，逐渐被应用于电视制导炸弹、火控系统等军用备中。序列图像运动目标跟踪是通过对传感器拍摄到的图像序列进行分析，计算出目标在每帧图像上的位置。它是计算机视觉系统的核心，是一项融合了图像处理、模式识别、人工只能和自动控制等领域先进成果的高技术课题，在航天、监控、生物医学和机器人技术等多种领域都有广泛应用。因此，非常有必要研究运动目标的跟踪。 本论文就图像的单目标跟踪问题，本文重点研究了帧间差分法和背景去除法等目标检测方法，研究了模板相关匹配跟踪算法主要是：最小均方误差函数(MES)，最小平均绝对差值函数(MAD)和最大匹配像素统计(MPC)的跟踪算法。在跟踪过程中，由于跟踪设备与目标的相对运动, 视野中的目标可能出现大小、形状、姿态等变化, 加上外界环境中的各种干扰, 所要跟踪的目标和目标所在的场景都发生了变化, 有可能丢失跟踪目标。为了保证跟踪的稳定性和正确性, 需要对模板图像进行自适应更新。由于目标运动有一定得规律，可以采取轨迹预测以提高跟踪精度，本文采用了线性预测法。 对比分析了相关匹配算法的跟踪精度和跟踪速度；对比不采用模板更新和模板跟新的跟踪进度和差别，实验表明，跟踪算法加上轨迹预测及模板跟新在很大程度上提高了跟踪帧数，提高了跟踪精度，具有一定的抗噪声性能。
多目标跟踪算法
多目标跟踪算法 先来回顾下卡尔曼滤波器： 假定k k x |表示当前k 时刻目标的状态，k 1k x |+表示下一个时刻目标的状态，k z 则表示k 时刻的实际观测。一般地模型都假定为线性的： 这里的1k x +为k+1时刻目标的状态，k x 为k 时刻的状态，为状态转移矩阵，而是服从均值为0方差为的正态分布，表示由噪声等引起的干扰。卡尔曼滤波采取初步估 计： 这里的估计只是初步的估计，状态估计与实际状态的误差矩阵等于状态1k x +的的方差，即： 更新（修正）： 这里已知了实际观察，同样是假定观测与状态的似然关系是线性的，即满足： 服从一个均值为0方差为 的正态分布。 卡尔曼滤波器给出了经过更新后得到的比较合理的k+1时刻的估计为： 相应地得到了更新后方差的估计： 这里： 其实这些都是通过最小二乘法推出来的，即使得误差： 最小，而初步估计也是通过最小二乘法获得，即使得： 最小。有了上述估计方程后，便可以获得一个估计流程：
下面再介绍下贝叶斯公式 先看一个定义 马氏链： 设{} ,,,k j i E =为有限集或可列集，称()0n n X ≥为定义在概率空间()P F,,Ω上，取值于空间E 的马氏链，如果满足下面的马氏性：对一切n 10i i i ,,, 有 [][]1n 1n n n 1n 1n 00n n i X i X P i X i X i X P ----======|,,| 若左边的条件概率有定义，则称[]i X j X P 1n n ==-|为在n-1时刻状态为i,在n 时刻在j 的转移概率函数，若它与n 无关，则记为ij p ，并称为时齐的或齐次的。显然这里的马氏性接近于独立性，在一定程度上可以称为无记忆性或无后效性。 下面我们来推导贝叶斯公式： 容易由条件概率公式定义知 而 ()()()()()()( ) ()() ()( ) ()() ( )() ()()() 1 k 1 k 1k k k 1 k k 1k k k 1k k 1k k k 1k k k k k 1k 1k 1k k k 1k k k k k 1k 1k 1k k k 1k 1k 1k k k 1k 1k 1k 1k 1k z x f dx x f x z f x f x z f z f dx x f x z f x z f z f x f x z f x z f dx z x f x z f z x f x z f x f +++++++++++++++++++++++== ? == ?? ?||||||||||||||||||||||||| 就得到了更新后的公式如下： 这里记 于是就可以得到贝叶斯滤波器跟踪流程如下： 实际上可以证明，卡尔曼滤波器是贝叶斯滤波器的一种特殊形式，由于假定噪声服从正态分布，同样地观测与状态估计的误差也是服从正态分布，那么不难得：
多目标跟踪雷达
多目标跟踪雷达 GE GROUP system office room 【GEIHUA16H-GEIHUA GEIHUA8Q8-
多目标跟踪雷达 路口存在检测方案 采用多维式扫描雷达天线和先进DSP跟踪算法，对路口单方面向最少四车道、最多八车道的车辆进行精准的存在检测或感应检测，同时还能提供精准的单车及时测度、车辆位置信息以及停止线的车流量、平均速度和占有率等交通刘统计数据。路段多功能检测，能对横向四车道八车道、纵向160米范围的大视域内车辆进行实时检测。跟踪区域内所有车辆的行为轨迹、真实量化还原路况状态，提供精准的单车即时时速度、车辆位置、车型信息，同时提供精准的断面的车流量平均车速和占有率等交通流统计数据，以及对区域内多种异常事件及时报警，为交通诱导系统和交通事件检测系统提供数据支撑，
随着城市车辆快速增长，路口的管理压力越来越大，配套的信号控制系统、交通诱导、交通仿真系统等对数据的要求也越来越高。而路口车辆存在信息是实现高效、稳定信号控制的基本要求，也是现阶段国内外主流交通信号控制系统应用最为成熟的数据模型之一。因此，交叉路口的车辆存在信息就显的尤为重要。 城市路口车辆存在检测系统通过建立覆盖路口特定位置的采集点位，配备前端感知检测，实时吧存在信息传送之信号机控制及系统，对路口信号配时，优化提供支撑。同时，公安交通管理部门可以根据车流量历史统计数据、分析路口车辆运行规律，针对性制定控制管理策略。 需求说明： 城市路口存在检测系统，主要完成路口停车线、或特定断面的车辆存在信息采集，可以及时掌握路口特定位置车流量状态，为信号机控制、交通诱导等系统提供数据支撑。 1、在城市重要路口设立和完善的存在检测点、检测各方的车流量信息。 2、建立城市的数据传输、应用接口模块。实现无缝对接信号机控制系统。 3、用户可以通过实时数据库、以及客户端管理进行查看每个路口车辆存在信息、车流量、占有率等，可以连续24时实时检测。 4、具备数据存储功能。可以作为路口管理的数据支撑。 系统说明：
目标跟踪算法
clc; clear; x=[0 16 25 33 50 65 75 82 100]; y=[0 172.5 227.5 324.2 330.7 286.1 237.7 201.7 0]; plot(xx,yy); 的图为 xx = 0:.01:100; yy = spline(x,y,xx); plot(xx,yy)
Matlab画平滑曲线的两种方法（拟合或插值后再用plot即可） 分类：MATLAB2012-12-02 11:15 25540人阅读评论(4) 收藏举报自然状态下，用plot画的是折线，而不是平滑曲线。 有两种方法可以画平滑曲线，第一种是拟合的方法，第二种是用spcrv，其实原理应该都一样就是插值。下面是源程序，大家可以根据需要自行选择，更改拟合的参数。 clc,clear; a = 1:1:6; %横坐标 b = [8.0 9.0 10.0 15.0 35.0 40.0]; %纵坐标
plot(a, b, 'b'); %自然状态的画图效果 hold on; %第一种，画平滑曲线的方法 c = polyfit(a, b, 2); %进行拟合，c为2次拟合后的系数 d = polyval(c, a, 1); %拟合后，每一个横坐标对应的值即为d plot(a, d, 'r'); %拟合后的曲线 plot(a, b, '*'); %将每个点用*画出来 hold on; %第二种，画平滑曲线的方法 values = spcrv([[a(1) a a(end)];[b(1) b b(end)]],3); plot(values(1,:),values(2,:), 'g');
目标跟踪算法的分类
运动目标跟踪就是在一段序列图像中的每幅图像中实时地找到所感兴趣的运动目标 (包括位置、速度及加速度等运动参数)。在运动目标跟踪问题的研究上，总体来说有两种思路： a)不依赖于先验知识，直接从图像序列中检测到运动目标，并进行目标识别，最终跟踪感兴趣的运动目标； b)依赖于目标的先验知识，首先为运动目标建模，然后在图像序列中实时找到相匹配的运动目标。 一、运动目标检测 对于不依赖先验知识的目标跟踪来讲，运动检测是实现跟踪的第一步。运动检测即为从序列图像中将变化区域从背景图像中提取出来。运动目标检测的算法依照目标与摄像机之间的关系可以分为静态背景下运动检测和动态背景下运动检测。 静态背景下运动检测就是摄像机在整个监视过程中不发生移动，只有被监视目标在摄像机视场内运动，这个过程只有目标相对于摄像机的运动；动态背景下运动检测就是摄像机在整个监视过程中发生了移动 (如平动、旋转或多自由度运动)，被监视目标在摄像机视场内也发生了运动，这个过程就产生了目标与摄像机之间复杂的相对运动。 1、静态背景 背景差分法 背景差分法是利用当前图像与背景图像的差分来检测运动区域的一种技术。它一般能够提供最完全的特征数据，但对于动态场景的变化，如天气、光照、背景扰动及背景物移入移出等特别敏感，运动目标的阴影也会影响检测结果的准确性及跟踪的精确性。其基本思想就是首先获得一个背景模型，然后将当前帧与背景模型相减，如果像素差值大于某一阈值，则判断此像素属于运动目标，否则属于背景图像。背景模型的建立与更新、阴影的去除等对跟踪结果的好坏至关重要。 帧间差分法 相邻帧间差分法是通过相邻两帧图像的差值计算，获得运动物体位置和形状等信息的运动目标检测方法。其对环境的适应性较强，特别是对于光照的变化适应性强，但由于运动目标上像素的纹理、灰度等信息比较相近，不能检测出完整
雷达跟踪算法论文目标跟踪算法论文
雷达跟踪算法论文目标跟踪算法论文 雷达多目标跟踪算法 摘要:文章简述了雷达多目标跟踪系统中状态估计和航迹数据关联两大问题的研究现状并对主流算法进行分析对比。状态估计问题主要分析了线性滤波及非线性滤波的主流算法。数据关联问题主要分贝叶斯类和最大似然概率类进了行讨论分析。 关键词:雷达；目标跟踪；卡尔曼滤波；数据关联 1引言 将数学算法引入到雷达系统，已经有百年历史，雷达数据处理方法始于高斯将最小二乘算法应用于神谷星的轨道预测，随后R.A.Fisher的极大似然估计法、N.Wiener的维纳滤波法都曾给雷达数据处理带来巨大变革，而由Kalman滤波逐步完善而来的卡尔曼滤波估计理论已经在雷达数据处理中占有非常重要的地位。雷达目标跟踪算法主要有状态估计、航迹点迹处理两个部分。 2状态估计 状态估计是对目标过去的运动状态进行平滑、对目标现在运动状态进行滤波以及对目标未来的运动状态进行预测的方法。 2.1线性滤波算法 在所有的线性形式的滤波器中，线性均方估计滤波器是最优的。线性均方误差准则下的滤波器包括：维纳滤波器和卡尔曼滤波器，稳态条件下两者是一致的，但卡尔曼滤波器适用于有限观测间隔的非平稳问题，它是适合于计算机计算的递推算法。[1]表1列出详细对比。
2.2 非线性滤波 无源探测系统不能测距，欲获得目标状态良好估计需用到非线性滤波方法，包括扩展卡尔曼滤波（EKF）、不敏卡尔曼滤波（UKF）及粒子滤波（PF）[2]。表二列出了详细对比分析。 由以上对比可知，速度上，EKF具有明显优势，但当系统的非线性强度增大导致线性化误差增大时，EKF的估计精度下降，甚至发散；精度上UKF和PF性能相似，但就计算量而言PF远远超过UKF[3]。综上，在一般的非线性高斯环境中宜采用UKF，在更复杂的非高斯环境中，PF将具有更广泛的应用前景。 3 多目标跟踪 多目标跟踪的基本方法，可以分为极大似然类数据关联算法和贝叶斯类数据互联算法。极大似然类数据关联算法包括人工标图法、航迹分叉法、联合极大似然算法、0-1整数规划法、广义相关法等。贝叶斯类互联算法包括最近邻域法、概率数据互联算法、联合数据互联算法、最优贝叶斯算法、多假设方法等[4]。 3.1 极大似然类多目标数据关联算法 在极大似然类数据关联算法中，目前主要应用的是航迹分叉法、两盒极大似然算法、0-1整数规划法和广义相关法这四种算法。表三就这几种线性关联算法进行对比分析。 通过实验，在测量杂波环境相同的条件下，航迹分叉法的计算耗时最长，计算量最大，这是由于它无区别地分配有效测量，不处理同
雷达机动目标跟踪技术研究
1 绪论 1.1 课题背景及目的 目标跟踪问题实际上就是目标状态的跟踪滤波问题，即根据传感器已获得的目标量测数据对目标状态进行精确的估计[1]。它是军事和民用领域中一个基本问题，可靠而精确地跟踪目标是目标跟踪系统设计的主要目的。在国防领域，目标跟踪可用于反弹道导弹的防御、空防预警、战场区域监视、精确制导和低空突防等。在民用领域，则用于航空和地面交通管制、机器人的道路规划和障碍躲避、无人驾驶车的跟踪行驶、电子医学等。作为科学技术发展的一个方面，目标跟踪问题可以追溯到第二次世界大战的前夕，即1937年世界上出现第一部跟踪雷达站SCR-28的时候。之后，许多科学家和工程师一直努力于该项课题的研究，各种雷达、红外、声纳和激光等目标跟踪系统相继得到发展并且日趋完善。 运动目标的机动会使跟踪系统的性能恶化，对机动目标进行跟踪是人们多年来一直关注的问题。随着现代航空航天技术的飞速发展，机动目标在空间飞行的速度、角度、加速度等参数不断变化，使得目标的位置具有很强的相关性，因此，提高对这类目标的跟踪性能便成为越来越重要的问题，迫切需要研究更为优越的跟踪滤波方法。机动目标的跟踪研究，已成为当今电子战的研究热点之一。今天，精密跟踪雷达不仅广泛应用于各类武器控制和各类实验靶场，而且还广泛应用于各种空间探测、跟踪和识别领域，以及最先进的武器控制系统。 跟踪模型和匹配滤波是机动目标跟踪的两个关键部分，机动目标的精确跟踪在过去和现在都是一个难题，最根本原因在于跟踪滤波采用的目标动力学模型和机动目标实际动力学模型不匹配，导致跟踪滤波器发散，跟踪性能严重下降。本文将机动目标作为研究对象，从目标的运动建模和匹配滤波算法入手，提出或修正跟踪算法，从而实现对机动目标的精确跟踪。 1.2 机动目标跟踪技术及其发展状况 目标机动是指运动当中的目标，其运动方式在不断地发生变化，从一种形式变化为另一种形式，目标的运动可能从匀速到变速，也可能送直线到转弯，它的运动方式并不
目标定位跟踪算法及仿真程序(修改后)
目标定位跟踪算法及仿真程序 质心算法是最简单的定位算法，如图2-1所示，四个小圆为观测站，实线三角形是目标真实的位置，假设四个圆形观测站都探测到目标的存在，则根据质心定位算法，目标的位置（x,y ）可以表示为：4 4 321x x x x x +++= ， 4 4 321y y y y y +++= ，这里观测站得位置为),(i i y x ，同理，当观测站数目为N 时，这时候的质心定位算法可以表示为： ???? ? ??? ????=??????∑ ∑ ==N i i N i i y N x N y x 1 1 11 图1 质心定位 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% % 质心定位算法Matlab 程序 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% function main % 定位初始化 Length=100; % 场地空间，单位：米 Width=100; % 场地空间，单位：米 d=50; % 目标离观测站50米以内都能探测到，反之则不能 Node_number=6; % 观测站的个数 for i=1:Node_number % 观测站的位置初始化，这里位置是随机给定的 Node(i).x=Width*rand; Node(i).y=Length*rand; end % 目标的真实位置，这里也随机给定 Target.x=Width*rand; Target.y=Length*rand; % 观测站探测目标 X=[]; for i=1:Node_number
多目标跟踪方法研究综述
经过近４０多年的深入研究和发展，多目标跟踪技术在许多方面都有着广泛应用和发展前景，如军事视觉制导、机器人视觉导航、交通管 制、 医疗诊断等［１－２］。目前，虽然基于视频的多运动目标跟踪技术已取得了很大的成就，但由于视频中图像的变化和物体运动的复杂性，使得对多运动目标的检测与跟踪变得异常困难，如多目标在运动过程中互遮挡、监控场景的复杂性等问题，解决上述难题一直是该领域所面临的一个巨大挑战，因此，对视频中多目标跟踪技术研究仍然是近年来一个热门的研究课题［３－５］。 １、多目标跟踪的一般步骤 基于视频的多目标跟踪技术融合了图像处理、模式识别、人工智能、 自动控制以及计算机视觉等众多领域中的先进技术和核心思想。不同的多目标跟踪方法其实现步骤有一定的差异，但多目标跟踪的主要 流程是相同的，如图１所示，其主要包括图像预处理、 运动目标检测、多目标标记与分离、多目标跟踪四个步骤。 图１多目标跟踪基本流程图 ２、多目标跟踪方法 多目标跟踪方法可以根据处理图像或视频获取视点的多少分为两大类，一类是单视点的多目标跟踪，另一类就是多视点的多目标跟踪。 ２．１单视点的方法 单视点方法是针对单一相机获取的图像进行多目标的检测和跟踪。该方法好处在于简单且易于开发，但由于有限的视觉信息的获取，很难处理几个目标被遮挡的情况。 块跟踪（Ｂｌｏｂ－ｔｒａｃｋｉｎｇ）是一种流行的低成本的跟踪方法［６－７］。这种方法需要首先在每一帧中提取块，然后逐帧寻找相关联的块，从而实现跟 踪。 例如ＢｒａＭＢＬｅ系统［８］就是一个基于已知的背景模型和被跟踪的人的外表模型计算出块的似然性的多块跟踪器。这种方法最大的不足之处在于：当由于相似性或者遮挡，多个目标合并在一起时，跟踪将导致失败。因此，可以取而代之的方法是通过位置、外观和形状保留清晰目标的状态。文献［９］利用组合椭圆模拟人的形状，用颜色直方图模拟不同人的外观，用一个增强高斯分布模拟背景以便分割目标，一旦场景中发现对应于运动头部的像素，一个ＭＣＭＣ方法就被用于获取多个人的轮廓的最大后验概率，在单相机的多人跟踪应用中取得了非常有意义的结果。Ｏｋｕｍａ等人提出了一种将Ａｄａｂｏｏｓｔ算法和粒子滤波相结合的方法［１０］。该方法由于充分利用了两种方法的优点，相比于单独使用这两种方法本身，大大降低了跟踪失败的情形，同时也解决了在同一框架下检测和一致跟踪的问题。Ｂｒｏｓｔｏｗ等人提出了一个用于在人群中检测单个行人的特征点轨迹聚类的概率框架［１１］。这个框架有一个基本假设是一起运动的点对可能是同一个个体的一部分，并且把它用于检测和最终的跟踪。对于完全和部分遮挡目标以及外观变化，这些方法和另外一些相似的方法都有很大的局限性。 为了解决遮挡问题，一系列单视点跟踪技术应运而生。典型的方法 是利用块合并来检测遮挡的发生［１２］。当被跟踪的点消失， 跟踪特征点的方法就简单的将其作为一个被遮挡特征点。近年来，基于目标轮廓和外观的跟踪技术利用隐含的目标到相机的深度变化来表示和估计目标间的遮挡关系。但大多数方法都只能解决部分遮挡，不能解决完全被遮挡 的情况。 另外，小的一致运动被假设为是可以从遮挡视点中可以预测运动模式的，这些给没有预测运动的较长时间的遮挡的处理带来问题。尽管这些单视点的方法有较长的研究历史，但这些方法由于不能明锐的 观察目标的隐藏部分，因此不能很好地解决有２或３个目标的遮挡问题。 ２．２多视点的方法 随着复杂环境中对检测和跟踪多个被遮挡的人和计算他们的精确 位置的需要，多视点的方法成为研究的热点。 多视点跟踪技术的目的就是利用不同视点的冗余信息，减少被遮挡的区域，并提供目标和场景的３Ｄ信息。尽管通过相机不能很好地解决目标跟踪问题，但却提出了一些很好的想法，如选择最佳视点，但这些方法都以实际环境模型和相机校正为特征。 ９０年代后半期，在很多文献中给出了多视点相关的多目标跟踪方法。 比如利用一个或多个相机与观察区域相连的状态变化映射，同时给出一系列的行为规则去整合不同相机间的信息。利用颜色在多个视点中进行多目标的跟踪的方法，该方法模拟了从基于颜色直方图技术的 背景提取中获得的连接块并应用其去匹配和跟踪目标。 除此之外，也有在原来的单视点跟踪系统进行扩展的多视点跟踪方法。该方法主要是通过一个预测，当预测当前的相机不在有一个好的视点时，跟踪就从原来凯斯的那个单相机视点的跟踪转换到另外一个相机，从而实现多视点的跟踪。基于点与它对应的极线的欧氏距离的空间匹配方法、贝叶斯网络和立体相对合并的方法都是多目标多视点跟踪的常见方法。尽管这些方法都试图去解决遮挡问题，但由于遮挡的存在，基于特征的方法都不能根本解决，其次，这些方法中的遮挡关系的推理一般都是根据运动模型，卡尔曼滤波或者更普遍的马尔科夫模型的时间一致性来进行的。因此，当这个过程开始发散，这些方法也不能恢复遮挡关系。 最近一种基于几何结构融合多个视点信息的Ｈｏｍｅｇｒａｐｈｉｃｏｃｃｕｐａｎｃｙｃｏｎｓｒｒａｉｎｔ（ＨＯＣ）［１２］方法，可以通过在多场景平台对人的定位来解决遮挡问题。仅采用随时间变化的外表信息用于从背景中检测前景，这使得在拥挤人流的场景中的外表遮挡的解决更健壮。利用多视点中的前景信息，主要是试图找到被人遮挡的场景点的图像位置，然后这些被遮挡的信息用于解决场景中多个人的的遮挡和跟踪问题。在这种思想指导下，Ｍｉｔｔａｌ，Ｌｅｉｂｅ，Ｆｒａｎｃｏ等的研究工作和机器人导航中基于遮挡网格的距离传感器的并行工作是相似的，这些方法在融合３Ｄ空间信息的时候需要进行校正相机。但ＨＯＣ方法是完全基于图像的，仅需要２Ｄ结构信息进行图像平面的融合。当然也有另外一些不需要进行相机校正的算法被提出，但需要学习一个与相机最小相关的信息。在目标跟踪过程中，由于这些方法依赖于单个相机的场景，对于拥挤场景中目标分布密度增加九无能为力了。在ＨＯＣ的多视点的目标跟踪中，对于任何单一相机的场景，或者相机对的场景，都不需要进行定位和跟踪目标，而是从所有相机的场景中收集证据，形成一个统一的框架，由于该方法能够从多个时间帧的场景中进行场景被遮挡概率的全局轨迹优化，因此可以同时进行检测和跟踪。 ３、总结 动态目标检测与跟踪是智能监控系统的重要组成部分，它融合了图像处理、模式识别、自动控制及计算机应用等相关领域的先进技术和研究成果，是计算机视觉和图像编码研究领域的一个重要课题，在军事武器、工业监控、交通管理等领域都有广泛的应用。尤其是对于多目标检测与跟踪中的遮挡与被遮挡的处理，对提高智能监控中目标的行为分析有着重要的意义。随着监控设备的发展和设施的铺设，多视点的场景图像是很容易得到的，因此借助信息融合的思想，充分利用不同角度对目标的描述信息，可以很大地改进目前基于单视点的多目标检测和跟踪的精度，能够很好地解决单视点方法中不能很好解决的遮挡问题。参考文献 ［１］胡斌，何克忠．计算机视觉在室外移动机器人中的应用．自动化学报，２００６，３２（５）：７７４－７８４． ［２］Ａ．Ｏｔｔｌｉｋ，Ｈ．－Ｈ．Ｎａｇｅｌ．ＩｎｉｔｉａｌｉｚａｔｉｏｎｏｆＭｏｄｅｌ－ＢａｓｅｄＶｅｈｉｃｌｅＴｒａｃｋｉｎｇｉｎＶｉｄｅｏＳｅｑｕｅｎｃｅｓｏｆＩｎｎｅｒ－ＣｉｔｙＩｎｔｅｒｓｅｃｔｉｏｎｓ．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＣｏｍｐｕｔｅｒＶｉｓｉｏｎ，２００８，８０（２）：２１１－２２５．多目标跟踪方法研究综述 苏州联讯图创软件有限责任公司 陈宁强 ［摘要］文章对目前现有的多目标跟踪方法从信息获取的不同角度进行了综述。主要分析比较了目前单视点和多视点目标跟踪方 法对于目标遮挡问题的处理性能，并指出多视点的基于多源信息融合的思想，可以较好地解决场景中目标的遮挡问题。［关键词］单视点多视点目标跟踪信息融合基金项目：本文系江苏省自然科学基金（ＢＫ２００９５９３）。 作者简介：陈宁强（１９７３－），男，江苏苏州人，工程师，主要研究方向：ＧＩＳ、模式识别和图像处理与分析。 目标跟踪多目标标记与分离 匹配 目标模型 运动检测当前帧图像 背景提取 去噪 ＲＯＩ 预处理 视频序列 （下转第２６页）