目标跟踪算法设计与实现

实验六、目标跟踪算法设计与实现

一、实验目的

1、熟悉各种图像预处理方法，如直方图处理、图像去噪声、图像增强与复原、图像变换等，了解这些方法在图像分析与识别、目标检测及跟踪等各种应用中所起的作用。

2、熟悉基本的图像分割原理。

3、能够利用matlab工具完整实现从图像预处理、图像分割、特征提取与分析及各种实际应用的完整流程。

4、该实验为一个综合设计及应用的实验，目的是要求学生综合利用学到的光电图像处理知识，解决图像识别、目标检测及目标定位与跟踪问题。进一步深入理解光电图像处理的重要性，提高学生利用光电图像处理基本理论、方法等解决实际问题及提高分析问题的能力。

二、实验内容

(一)序列图像中的运动目标形心跟踪

1、序列图像的读取与显示

本实验提供了200帧的图像序列，为BMP文件，文件名后缀的序号按场景出现的先后顺序排列，序列图像读取及显示。

2、图像分割

首先对图像进行必要的阈值分析，确定合适的阈值后，再对图像进行二值化处理（图像分割）。

3、形心计算

在分割的单帧图像上，计算图像的形心坐标（Xc，Yc）,确定目标在

像素平面上的位置。

4、形心跟踪

1)确定跟踪波门：即以形心位置为中心，在图像中包含目标的区域添加一个合适的矩形框

2）实时跟踪：循环读取序列图像，对每帧图像均计算形心，和进行包含目标区域的波门绘制。实现对200帧序列图像中运动目标的实时稳定跟踪，如图1所示（仅为示意图，并非原图）。

实验结果：通过合适的波门选择和阈值修正，基本实现了200帧的连续跟踪，跟踪的效果较好，如下图所示：

源码：

clear;clc;close all

path='C:\1\';

filecount=200;

for i=1:filecount

name=num2str(i);

if i<=9

filename=strcat('0000000',name,'.bmp');

elseif i<=99

filename=strcat('000000',name,'.bmp');

elseif i<=199

filename=strcat('00000',name,'.bmp');

end

I=imread([path filename]);

I1=imcrop(I,[0,0,505,272]);

I2=mat2gray(I1);

figure(1),imshow(I2);

level=graythresh(I2);%%求二值化的阈值[height,width]=size(I2);

Level_fixed=level-0.05;%%阈值修正

bw=im2bw(I1,Level_fixed);%%二值化图像

figure(3),imshow(bw);%%显示二值化图像

[L,num]=bwlabel(bw,8);%%标注二进制图像中已连接的部分plot_x=zeros(1,1);%%用于记录质心位置的坐标

plot_y=zeros(1,1);

sum_x=0;sum_y=0;area=0;

[height,width]=size(bw);

for ii=1:height

for jj=1:width

if L(ii,jj)==0

sum_x=sum_x+ii;

sum_y=sum_y+jj;

area=area+1;

end

end

end

plot_x(1)=fix(sum_x/area);

plot_y(1)=fix(sum_y/area);%%质心坐标

figure(2);imshow(I);

rectangle('Position',[plot_y(1)-34plot_x(1)-148832]);

%%添加跟踪波门title(['NO.'num2str(i)]);

pause(0.001);

hold on

plot(plot_y(1),plot_x(1),'*')%%标记质心点

end

(二)序列图像中的运动目标相关跟踪

1、序列图像的读取与显示

同实验内容（1），序列图像数据另选

2、参考模板制作

在起始帧图像中，手动选取包含目标的矩形区域（根据目标尺寸，确定模板尺寸）。另（缓）存为预制图像模板数据。

3、模板匹配

1)确定搜索区域大小：在当前帧目标区域扩大适当范围作为下一帧图像的搜索区域。

2）确定匹配准则：MSE、MAD、NCC或MPC等（选其一种），进行搜索区域的匹配度（相似度）计算，画出搜索区域内的相似度3D曲

面图(画1次搜索过程的结果即可，如图2)，确定最好的匹配位置。视频数据为彩色图像，匹配特征可直接用像素灰度进行。

3）实时跟踪：重复1）-2），实现序列图像中的目标连续跟踪。

通过首帧图片确定了矩形区域，通过MAD匹配准则进行逐帧匹配，同时选定一个适当区域进行了匹配，从输出结果看，基本上达到了识别移动物体的目的，有部分区域识别有误差。

源码：

clear;clc;close all

%%读入图像

I_gray=imread('001.jpg');

path='F:\changjing\f16takeoff_396s\'; %设定图像序列文件总帧数

filecount=396;

for i=1:filecount

name=num2str(i);

if i<=9

filename=strcat('00',name,'.jpg'); elseif i<=99

filename=strcat('0',name,'.jpg'); elseif i<=199

filename=strcat('',name,'.jpg');

end

I=imread([path filename]);

figure(1),imshow(I_gray);

rectangle('Position',[130909040]);

M=I_gray(90:130,130:220);

size(M)

for i=1:120

for j=1:120

M2=I(40+i:80+i,80+j:170+j);

cost(i,j)=sum(sum(abs(M2-M)));

cost;

end

end

[a1,a2]=find(cost==min(min(cost))); figure(2);imshow(I);

rectangle('Position',[40+a280+a19040]); pause(0.01);

end

全过程跟踪控制方案

全过程跟踪控制方案 第一章绪言部分 第一节项目造价咨询的难点要点分析 第二节投资控制方案编制依据 第二章造价咨询服务工作计划 第一节投资控制的目标计划 第二节预算编制的工作计划 第三节施工过程控制的工作计划 第四节结算审核的工作计划 第三章招标阶段造价咨询工作方案 第一节造价咨询的工作内容 第二节预算编制基本要求 第三节预算编制工作流程 第四节预算编制主要方法 第五节预算编制要点及注意事项 第四章施工阶段全过程投资跟踪控制方案 第一节造价咨询的工作内容 第二节施工阶段全过程投资控制流程 第三节施工阶段全过程投资控制内容 第四节投资跟踪控制总目标及主要节点目标 第五节全过程投资跟踪控制方案 第六节造价控制偏差分析方法及纠偏措施 第五章竣工结算审核工作方案 第一节造价咨询的工作内容 第二节结算审核工作要点 第三节结算审核工作流程 第四节结算审核主要方法

第五节结算审核风险与防范措施 第一章绪言部分 第一节项目造价咨询的难点要点分析建设项目工程造价全过程投资跟踪控制是在新形势下产生的一项新的投资管理方式，也是工程造价由事后控制向事前、事中、事后的全过程控制的转变。投资跟踪控制作为现代投资管理一种重要方式，已经在大中型建设项目实施过程中被普遍实用，并且取得了明显的社会效益和经济效益。 1.预算阶段难点、要点分析概预算编制有时时间紧、任务急、工程数量繁杂，难免多算、漏算、重复计算，这就要加强审核力度，提高概预算编制的准确性。 ①审核工程量、审核采用的定额单价、指标是否合适 a）根据设计图纸、设计说明、施工组织设计的要求审核工程量。 b）定额具有科学性、权威性、法令性，它的形式、内容任何人都必须严格执行。审核采用的定额名称、规格、计量单位、内容是否满足施工方法要求，套用定额不同，单价则不同。 c）定额包含内容是否与设计相符。如定额含筋率、混凝土标号等。 d）补充定额是否符合要求，计算是否正确。 ②审核材料价格对材料价格、运杂费进行审核，材料价格是否包括运杂费，材料运输 方法、 措施是否符合实际，做到既要满足工程要求，又要努力降低费用。 ③其他费用 a）取费标准是否符合工程性质； b）费率计算是否正确； c）计算基数是否符合规定； d）价差调整是否符合规定。 2.结算阶段难点、要点分析 ①工程合同的不完全性决定了工程价款的不确定性 与一般货物购销合同不同, 工程合同是一种典型的不完全性合约。由于工程 本身的专业性、复杂性以及建设工程的契约商品性质, 工程合同不可能对所有事件及其对策做出详尽可行的规定, 不可能对违约造成的损失事先就规定补偿和解决办法, 合同履行结果对于相关第三方是难以证实和无法直观地确定的。为弥补 合同的不完全性, 合同各方需要在初始合同中考虑合同再协商谈判、修正对策的 设计问题,即在合同中建立一种机制来弥补缺口。因此, 工程合同的两个主要特 征是合同规划上缺口的存在和一系列的程序和技术的出现。以GF1999-0201《建 设工程施工合同》和FIDIC 施工合同条件为例, 两者在合同机制设计上均对初始合同以及再谈判程序进行恰当的安排。主要表现为: a）合同价款体现为初始造价和追加造价，是不确定的或待定的。工程合同价款一般由清单费用、工程变更费用、价格调整和索赔费用四个部分组成, 其中只有清单费用是相对确定的, 而变更费用、价格调整和索赔费用在合同签订时是不确定的, 而在实施过程中通过再协商谈判而不断调整。 b）对合同实施过程中的现协商谈判的程序和规则进行了详尽规定，例如：对计量与支付、工程变更费用、价格调整和索赔费用等方面双方的权利义务、程序、期限的规定。 c）在合同履行机制上，引入第三方合同机制：工程监理制度，重视过程管理。 ②工程管理的现实矛盾蕴含着无序和混乱, 制约着工程结算 a）工程合同的不完全性要求规范化管理，价款的不确定性要求加强过程管理但由于长期计划经济体制下形成的管理方式、管理手段的制约, 当前我国的合同管理极不规

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)。

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');

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

关于mean shift视频目标跟踪算法的设计与实现-----中期报告

河北工业大学城市学院本科毕业设计（论文）中期报告 毕业设计（论文）题目：基于Mean-Shift的视频目标跟踪算法的设计与实现 专业(方向)：网络工程 学生信息：学号：088302 姓名：坎启娇班级：网络C081班 指导教师信息：教师号：02019 姓名：侯向丹职称：副教授 报告提交日期：2012年4月30号 1.前言 1.1选题的背景 运动目标的检测与跟踪是应用视觉领域[1]的一个重要的课题。目标跟踪涉及到图像处理、模式识别、人工智能以及自适应控制多领域问题的综合解决,其中对于复杂背景(或环境)下的图像处理一直是视觉信息处理和理解的难点。在实际应用中，复杂的现场环境以及跟踪应用的实时性要求，对算法都提出了更高的要求。因此，研究复杂背景下运动目标的检测和跟踪的课题有重要意义。本文的研究目的是建立一个视频图像监控系统，根据目标的运动方向，系统将目标锁定在视野中。目标跟踪是在一段视频序列中寻找与指定目标最相似的部分，是计算机视觉的一个重要研究内容。它在视频监控、人机界面、增强现实、基于目标的视频压缩等众多领域中有着广泛的应用。 1.2运动目标跟踪算法 1.2.1常见的运动目标跟踪算法 目前视频目标跟踪方法[2]大体上可以分为基于区域匹配的目标跟踪、基于轮廓的匹配跟踪、基于特征的匹配跟踪、基于模型的跟踪,以及基于运动特性的跟踪。下面详细介绍这五类算法。 (1)基于区域匹配跟踪 区域匹配跟踪的基本思想是:预先通过人为的方法或图像分割的方法得到包含目标的模板，然后在后续的视频序列中运用相关匹配准则进行目标的匹配跟踪。决定区域匹配跟踪效果好坏最主要的因素就是匹配度量和搜索算法的选取。最常用的相关准则是平方和准则法(SSD),颜色法、形状法等。 优点:提取了较完整的目标模板，因此相对其它跟踪算法能得到更多的图像信息，当目标未被遮挡时跟踪精度高且稳定，因而广泛应用于小目标的跟踪或对比度比较差的目标跟

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

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

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

轮式移动机器人航向跟踪预估控制算法

轮式移动机器人航向跟踪预估控制算法 龚建伟 黄文宇 陆际联 (北京理工大学机器人中心，北京 100081) 摘 要：本文提出了一种轮式移动机器人航向跟踪预估控制算法，航向预估量根据机器人前轮偏角和纵向速度实时得出，预估量与机器人实际航向之和作为控制反馈航向.仿真和实验时用PID 控制器和航向预估算法结合进行航向跟踪，结果表明该算法与常规PID 算法相比，对机器人纵向速度适应范围较宽，能有效地改善控制器的动态特性，表现出了较好的自适应能力. 关键词：轮式移动机器人；自主车；侧向控制；航向跟踪；预估控制 1 引言 Introduction 轮式移动机器人是一个具有大延迟、高度非线性的复杂系统，建立精确的数学模型十分困难，在进行航向跟踪控制时，参数的变化对系统模型影响较大，其中纵向速度的变化影响最为明显.轮式移动机器人航向跟踪一般控制方法是把期望航向与机器人实测航向之差作为控制器输入偏差，控制器输出控制量为机器人的前轮偏角.轮式移动机器人的航向与其纵向速度、横向速度、前轮偏角、机器人绕其重心的转动惯量、重心位置、前后轮侧偏系数以及实际道路情况等诸多因素有关，在常规控制方法中，只考虑了期望航向与实际航向的偏差，而未能包含其它因素的影响，因此难以达到满意的控制效果，当系统参数特别是某些敏感参数发生变化时，就必须重新设定控制器参数.例如，我们用常规PID 控制器进行航向跟踪实验，在某一纵向速度下整定好PID 控制参数，当纵向速度发生很小变化时，必须重新整定PID 参数，否则控制性能变坏，超调较大，甚至出现振荡.表现在路径跟踪实验中，则是在该速度下能较好地完成弯道或急弯等路径跟踪任务，而速度变化后，跟踪误差变大或出现大幅度振荡.因此，在轮式机器人航向跟踪控制中，控制方法应该能对纵向速度等影响因素有一定的自适应能力，航向跟踪预估控制方法就是在这一背景下提出的. 2 二自由度轮式移动机器人动力学模型 T wo Degrees of Freedom Dynamic Model for Wheeled Mobile Robot 当横向加速度和横摆角速度较小时，常采用经简化的二自由度轮式移动机器人动力学模型1,2，其微分方程如下： r f r f r f zz C aC v U bC aC r U C b C a r I 2) (2)(222=-+++ （1） f f r f r f s s C v U C C r U bC aC U M v M δ2)(2)(2=++??????-++ （2） 其中：I zz ：轮式机器人绕重心的转动惯量(kgm 2)； M s ：轮式机器人质量(kg)；C f 、C r ：分别为前、后轮侧偏系数(N/rad)；U ：轮式机器人纵向速度(m/s)；v ：轮式机器人横向速度(m/s)；a 、b ：前后车轴到重心的距离(m)；r ：轮式移动机器人横摆角速度. 将轮式移动机器人转向机构视为一个惯性环节，则有： d f f δδδτ=+ (3) 其中：τ：惯性时间常数；δd ：期望前轮偏角. 在航向跟踪控制过程中，可以令道路曲率为零，即不计实际路径的影响，航向变化率即为机器人的横摆角速度3，即： r =? (4) 其中：?为轮式移动机器人航向与期望航向的偏差角. (1)、(2)、(3)、(4)式联立即可得出以横摆角速度、横向速度、航向偏差角、前轮偏角即X=（r ,v ,?,δf ）为状态变量的系统状态空间表达式. 3 航向预估算法原理 Heading Prediction Algorithm 在实际的航向控制过程中，控制器根据期望航向与采样航向得到航向偏差，再计算控制量，而当执行机构执行这一控制量时，要经过一个采样周期，这时机器人的实际航向已经改

视频目标跟踪算法综述_蔡荣太

1引言 目标跟踪可分为主动跟踪和被动跟踪。视频目标跟踪属于被动跟踪。与无线电跟踪测量相比，视频目标跟踪测量具有精度高、隐蔽性好和直观性强的优点。这些优点使得视频目标跟踪测量在靶场光电测量、天文观测设备、武器控制系统、激光通信系统、交通监控、场景分析、人群分析、行人计数、步态识别、动作识别等领域得到了广泛的应用[1-2]。 根据被跟踪目标信息使用情况的不同，可将视觉跟踪算法分为基于对比度分析的目标跟踪、基于匹配的目标跟踪和基于运动检测的目标跟踪。基于对比度分析的跟踪算法主要利用目标和背景的对比度差异，实现目标的检测和跟踪。基于匹配的跟踪主要通过前后帧之间的特征匹配实现目标的定位。基于运动检测的跟踪主要根据目标运动和背景运动之间的差异实现目标的检测和跟踪。前两类方法都是对单帧图像进行处理，基于匹配的跟踪方法需要在帧与帧之间传递目标信息，对比度跟踪不需要在帧与帧之间传递目标信息。基于运动检测的跟踪需要对多帧图像进行处理。除此之外，还有一些算法不易归类到以上3类，如工程中的弹转机跟踪算法、多目标跟踪算法或其他一些综合算法。2基于对比度分析的目标跟踪算法基于对比度分析的目标跟踪算法利用目标与背景在对比度上的差异来提取、识别和跟踪目标。这类算法按照跟踪参考点的不同可以分为边缘跟踪、形心跟踪和质心跟踪等。这类算法不适合复杂背景中的目标跟踪，但在空中背景下的目标跟踪中非常有效。边缘跟踪的优点是脱靶量计算简单、响应快，在某些场合（如要求跟踪目标的左上角或右下角等）有其独到之处。缺点是跟踪点易受干扰，跟踪随机误差大。重心跟踪算法计算简便，精度较高，但容易受到目标的剧烈运动或目标被遮挡的影响。重心的计算不需要清楚的轮廓，在均匀背景下可以对整个跟踪窗口进行计算，不影响测量精度。重心跟踪特别适合背景均匀、对比度小的弱小目标跟踪等一些特殊场合。图像二值化之后，按重心公式计算出的是目标图像的形心。一般来说形心与重心略有差别[1-2]。 3基于匹配的目标跟踪算法 3.1特征匹配 特征是目标可区别与其他事物的属性，具有可区分性、可靠性、独立性和稀疏性。基于匹配的目标跟踪算法需要提取目标的特征，并在每一帧中寻找该特征。寻找的 文章编号：1002－8692（2010）12-0135-04 视频目标跟踪算法综述* 蔡荣太1，吴元昊2，王明佳2，吴庆祥1 （1.福建师范大学物理与光电信息科技学院，福建福州350108； 2.中国科学院长春光学精密机械与物理研究所，吉林长春130033） 【摘要】介绍了视频目标跟踪算法及其研究进展，包括基于对比度分析的目标跟踪算法、基于匹配的目标跟踪算法和基于运动检测的目标跟踪算法。重点分析了目标跟踪中特征匹配、贝叶斯滤波、概率图模型和核方法的主要内容及最新进展。此外，还介绍了多特征跟踪、利用上下文信息的目标跟踪和多目标跟踪算法及其进展。 【关键词】目标跟踪；特征匹配；贝叶斯滤波；概率图模型；均值漂移；粒子滤波 【中图分类号】TP391.41；TN911.73【文献标识码】A Survey of Visual Object Tracking Algorithms CAI Rong-tai1,WU Yuan-hao2,WANG Ming-jia2,WU Qing-xiang1 （1.School of Physics,Optics,Electronic Science and Technology,Fujian Normal University,Fuzhou350108,China; 2.Changchun Institute of Optics,Fine Mechanics and Physics,Chinese Academy of Science,Changchun130033,China）【Abstract】The field of visual object tracking algorithms are introduced,including visual tracking based on contrast analysis,visual tracking based on feature matching and visual tracking based on moving detection.Feature matching,Bayesian filtering,probabilistic graphical models,kernel tracking and their recent developments are analyzed.The development of multiple cues based tracking,contexts based tracking and multi-target tracking are also discussed． 【Key words】visual tracking;feature matching;Bayesian filtering;probabilistic graphical models;mean shift;particle filter ·论文·*国家“863”计划项目（2006AA703405F）；福建省自然科学基金项目（2009J05141）；福建省教育厅科技计划项目（JA09040）

全过程跟踪控制方案

全过程跟踪控制方案目录 第一章绪言部分 第一节项目造价咨询的难点要点分析 第二节投资控制方案编制依据 第二章造价咨询服务工作计划 第一节投资控制的目标计划 第二节预算编制的工作计划 第三节施工过程控制的工作计划 第四节结算审核的工作计划 第三章招标阶段造价咨询工作方案 第一节造价咨询的工作内容 第二节预算编制基本要求 第三节预算编制工作流程 第四节预算编制主要方法 第五节预算编制要点及注意事项 第四章施工阶段全过程投资跟踪控制方案 第一节造价咨询的工作内容 第二节施工阶段全过程投资控制流程 第三节施工阶段全过程投资控制内容 第四节投资跟踪控制总目标及主要节点目标 第五节全过程投资跟踪控制方案 第六节造价控制偏差分析方法及纠偏措施 第五章竣工结算审核工作方案 第一节造价咨询的工作内容 第二节结算审核工作要点 第三节结算审核工作流程 第四节结算审核主要方法

第五节结算审核风险与防范措施 第一章绪言部分 第一节项目造价咨询的难点要点分析 建设项目工程造价全过程投资跟踪控制是在新形势下产生的一项新的投资管理方式，也是工程造价由事后控制向事前、事中、事后的全过程控制的转变。投资跟踪控制作为现代投资管理一种重要方式，已经在大中型建设项目实施过程中被普遍实用，并且取得了明显的社会效益和经济效益。 1.预算阶段难点、要点分析 概预算编制有时时间紧、任务急、工程数量繁杂，难免多算、漏算、重复计算，这就要加强审核力度，提高概预算编制的准确性。 ①审核工程量、审核采用的定额单价、指标是否合适 a)根据设计图纸、设计说明、施工组织设计的要求审核工程量。 b)定额具有科学性、权威性、法令性，它的形式、内容任何人都必须严格执行。审核采用的定额名称、规格、计量单位、内容是否满足施工方法要求，套用定额不同，单价则不同。 c)定额包含内容是否与设计相符。如定额含筋率、混凝土标号等。 d)补充定额是否符合要求，计算是否正确。 ②审核材料价格 对材料价格、运杂费进行审核，材料价格是否包括运杂费，材料运输方法、措施是否符合实际，做到既要满足工程要求，又要努力降低费用。 ③其他费用 a)取费标准是否符合工程性质； b)费率计算是否正确； c)计算基数是否符合规定； d)价差调整是否符合规定。 2.结算阶段难点、要点分析 ①工程合同的不完全性决定了工程价款的不确定性 与一般货物购销合同不同,工程合同是一种典型的不完全性合约。由于工程本身的专业性、复杂性以及建设工程的契约商品性质,工程合同不可能对所有事

目标跟踪的研究背景意义方法及现状

目标跟踪的研究背景意义方法及现状

目录 ? 1.课题背景与研究意义? 2.国内外研究现状 ? 3.存在的问题 ? 4.总结，发展与展望 ? 5.参考文献

1课题背景与研究意义 ?运动目标的跟踪就是在视频图像的每一幅图像中确定出我们感兴趣的运动目标的位置，并把不同帧中同一目标对应起来。 ?智能视频监控(IVS: Intelligent Video Surveillance)是计算机视觉领域近几年来发展较快，研究较多的一个应用方向。它能够利用计算机视觉技术对采集到的视频信号进行处理、分析和理解，并以此为基础对视频监控系统进行控制，从而使视频监控系统具备更好的智能性和鲁棒性。智能视频监控系统主要涉及到图像处理、计算机视觉、模式识别、人工智能等方面的科学知识，它的用途非常广泛，在民用和军事领域中都有着极大的应用前景。

2.国内外研究现状 视频目标跟踪算法 基于对比度分析基于匹配核方法运动检测其它方法 特征匹配贝叶斯 跟踪 Mean shift方法 光流法

基于对比度分析的方法 ?算法思想：基于对比度分析的目标跟踪算法利用目标与背景在对比度上的差异来提取、识别和跟踪目标。 ?分类：边缘跟踪，型心跟踪，质心跟踪。 ?优缺点：不适合复杂背景中的目标跟踪，但在空中背景下的目标跟踪中非常有效。

基于特征匹配的目标跟踪算法 ?算法思想：基于匹配的目标跟踪算法需要提取目标的特征，并在每一帧中寻找该特征。寻找的过程就是特征匹配过 程。 ?目标跟踪中用到的特征主要有几何形状、子空间特征、外形轮廓和特征点等。其中，特征点是匹配算法中常用的特征。特征点的提取算法很多，如Kanade Lucas Tomasi （KLT）算法、Harris 算法、SIFT 算法以及SURF 算法等。?优缺点：特征点一般是稀疏的，携带的信息较少，可以通过集成前几帧的信息进行补偿。目标在运动过程中，其特征（如姿态、几何形状、灰度或颜色分布等）也随之变化。 目标特征的变化具有随机性，这种随机变化可以采用统计数学的方法来描述。直方图是图像处理中天然的统计量，因此彩色和边缘方向直方图在跟踪算法中被广泛采用。

焊缝跟踪的实时跟踪控制算法

焊缝跟踪的控制算法 （一）理论模型 虚线 Y( t )为焊炬的跟踪调节曲线, 可视作系统执行机构的输出量,即 ： ()()t Y t S t dt =? 传感器在焊缝坡口 B 点的偏移量e1（t ）实际上是 R ( t )曲线上B 点相对于 Y( t )上 A 点的偏差量,即 1()()()()()t e t R t Y t R t S t dt τ τ-=--=-? 设焊接速度V ( mm/ s)，则焊接点 A 滞后检测点B 时间为：V λ τ= （s ） 再设()S τ是焊炬从t τ-时刻到t 时刻的调节量,即: ()()t t S S t dt τ τ-=? 则焊炬行走 时间后与坡口中心的实际误差应为: ()1()()1()()t t e t e t S e t S t dt τ τ-=-=-? 理论上 ,只要知道机械系统的传递函数, ()S τS 便可 知道 ,但实际系统 的传输 函数 往往很难准确得到,因此△S 直接求解比较困难 焊接起始点 实际焊缝的坡口中心曲线 焊枪的跟踪曲线

（二）由模型得出的简易控制算法 实际的焊缝跟踪过程中，视觉系统提供的位置偏差是经过传感器经过一帧一帧的图像采 集后，再经过一系列的图像处理，最终得出位置偏差信息提供给控制器。因此，需做以下设定： (1) 位置请求指令发送时间间隔和执行机构调整时间间隔同步； (2) 在每次位置请求时，在上一调整周期内焊枪已完成所需的调整量； (3) λ为采样间隔点的整数倍。 设O 点为初始参考点，O 0为焊枪开始纠正起始点，从O 点到O 0点，视觉传感器只做图像采集，焊枪并不进行跟踪，这一段距离属于“盲区”。i e 为每次识别的坡口中心点与初始参考点之间的差值，i m 为每一步的焊枪实际跟踪量。 系统焊枪实时跟踪量m i 的算法为： 1 () i i i a i i a m e m ---=-∑ （ i=a ，a+1， ···，n ） 焊接方向

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：

最大功率跟踪原理及控制方法

最大功率跟踪原理及控制方法 2.1最大功率跟踪原理 太阳能电池的输出特性如图一所示，从图中的P/V特性曲线可以看出，随着端电压的增加输出功率先增加后减小，说明存在一个端电压值，在其附近可获得最大功率，因此，在光伏发电系统中，要提高系统的整体效率,一个重要的途径就是实时调整光伏电池的工作点,使之始终工作在最大功率点附近,这一过程就称之为最大功率点跟踪-MPPT。 图一光伏电池的特性曲线 2.2 最大功率跟踪的控制方法 MPPT的控制方法：光伏系统中的最大功率点跟踪的控制方法很多，使用最多的是自寻优的方法，即系统不直接检测光照和温度，而是根据光伏电池本身的电压电流值来确定最大功率点。这种方法又叫做TMPPT(True Maximum Power Point Tracking)。在自寻优的算法中，最典型的是扰动观察法和增量电导法。本论文使用扰动观察法，扰动观察法主要根据光伏电池的P-V特性，通过扰动端电压来寻找MPPT，其原理是周期性地扰动太阳能电池的工作电压值( ),再比较其扰动前后的功率变化，若输出功率值增加，则表示扰动方向正确，可朝同一方向(+ )扰动；若输出功率值减小，则往相反(- )方向扰动。通过不断扰动使太阳能电池输出功率趋于最大，此时应有[8]。此过程是由微处理器即C8051F320控制完成的。 3、系统的总体结构 3.1系统的结构图 系统的结构图如图二所示。其中单片机要采集太阳能电池的输出电压和输出电流及蓄电池的充电电流和开路电压，通过一定的控制算法（即改变占空比），调节太阳能电池的输出电压和电流，从而实现太阳能电池在符合马斯曲线的条件下以最佳功率对蓄电池充电，系统的硬件主要由核心控制模块、采样模块、驱动模块、升压式DC/DC变换器模块组成。

实验6,运动目标跟踪算法与实现

对图像进行阈值分析，并进行二值化处理 确定目标在像素平面上 结束 通过以形心位置为中 含目标的矩形框一． 实验名称：运动目标跟踪算法设计与实现 二． 实验目的 1. 熟悉各种图像预处理方法，如直方图处理、图像去噪声、图像增强与复原、图像变换等，了解这些方法在图像分析与识别、目标检测及跟踪等各种应用中所起的作用。 2. 熟悉基本的图像分割原理。 3. 能够利用MATLAB 工具完整实现从图像预处理、图像分割、特征提取与分析及各种实际应用的完整流程。 4. 该实验为一个综合设计及应用的实验，目的是要求学生综合利用学到的光电图像处理知识，解决图像识别、目标检测及目标定位与跟踪问题。进一步深入理解光电图像处理的重要性，提高学生利用光电图像处理基本理论、方法等解决实际问题及提高分析问题的能力。 三． 实验原理及步骤 1. 序列图像中的运动目标形心跟踪 (1) 序列图像的读取与显示 本实验提供了200 帧的图像序列，为BMP 文件，文件名后缀的序号按场景出现的先后顺序排列。 (2) 图像分割 首先，对图像进行必要的阈值分析。根据实际情况自行确定合适的阈值后，再对图像进行二值化处理。 (3) 形心计算 在分割的单帧图像上，计算图像中目标区的形心坐标（Xc ，Yc ），确定目标在像素平面上的位置坐标。 (4) 形心跟踪 ①MATLAB 确定跟踪波门：即以形心位置为中心，在图像中包含目标的区域添加一个合适的矩形框（如取32×16 pixels ，32×32 pixels ，64×32 pixels 等）， ②实时跟踪：循环读取序列图像，对每帧图像均计算目标区的形心坐标，连

续绘制包含目标区域的波门（即矩形框）。实现对200 帧序列图像中运动目标的实时稳定跟踪。 2. 序列图像中的运动目标相关跟踪 实验原理及步骤如下： (1) 序列图像的读取与显示 同实验内容1，序列图像数据另选。 (2) 参考模板制作 在起始帧图像中，手动选取包含目标的矩形区域（根据目标尺寸，确定模板尺寸）。另（缓）存为预制图像模板数据。 (3) 模板匹配 ①确定搜索区域大小：在当前帧目标区域扩大适当范围作为下一帧图像的搜索区域。 ②确定匹配准则：MSE 、MAD 、NCC 或MPC 等（选其一种），进行搜索区域的匹配度（相似度）计算，画出搜索区域内的相似度3D 曲面图（画连续2 帧之间的搜索过程的结果即可），确定最佳的匹配位置。视频数据若为彩色图像，可先进行灰度化处理，然后用像素灰度值进行计算。 ③实时跟踪：重复步骤①-②，实现序列图像中的目标的连续稳定跟踪。 四． 实验结果及分析 1. 序列图像中的运动目标形心跟踪 通过对形心的定位，可以实现更好的目标跟踪 制作参考模版，确定搜索区域大小确定匹配准则和 最佳的匹配位置结束

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