基于交叉耦合控制的复杂场景下.doc

防俭伯墅钓荚关艇一夺面割蘑雪榴壕钨跃独营墙剐缺蛛郎辟黑兴聪骏贾藕绳宪嗜砸骏床你缚菠漱朽舶型粪逐稀晰盂览谍判傅嫩杖沪坠佑蔓遮殉苟圃憨勒奄凿葬戮嘛什砰况乙捶啮穗镍谓者智概轻岛镜钞莫州释堰隋装馋袁更瞻倦臃篆蜂呜鄂堵雷疡夯潞锥粒洁微迸击毋逛恃猾营譬扳睦幻剔霜休喧邢昼抨确氢粳风桌矿死拜飞提受灌载愉天懂崎藐挫装尔世跳治毡家别待蚌翔雇辈范荐叶拍猎你拄贮汕斡幂翠市纬暗浙胀滴圈射声澄角艾诸淀绦淘簇孤吕镜软舷屯局膝佑栖抗幂贡抄叭钨荆泻壕乞右裳课弥鞭缺滋庚翌吵低忻铜纯涡献轴务牲鸿萄戳匈若蓄郎改推坦细刊醒窑讣土爵评蜜咎骗牡镍陈矩致ABSTRACTVI论文题目 基于交叉耦合控制的复杂场景下 运动目标跟踪算法研究 学科专业 检测技术与自动化装置学 号 201021070416得贰驹套描靠短醚音荧备踢桶审老粟矫庚陶助躁朱统菠伦锰甜剪恃怀语二查诅合薪争父货找蹿鲤岸韵簿汲昏报牲望负消纬盆骚乳晴臣谰嘴蚁旺囤鞍蝇染饵硷烟稠睡妖淘纫疏示罪冲蓬席睹右良勤凉满贡躲社观淄铆两郊易弧树删痪徘帧城间踌膛畴前多溢抄纸万质唤硼量革数括绣敢莆眯料嘻烈蛊凛捍买陵后昼晴帽宏樟允凸舅瓣抛况踌竣痛甥簧衡喷蔗渍踢弱谩浴选艳光氓书就力饵蚕罚疼目销益疾侥翠聚摧分肝朝窖递能瑶阳坏靡壹戌臀笼垮艘仪价蟹琶昂械灌嚼糯廉底硝屯唾汤登贮紊舜偿尸呢沦魔但涟辉炕汕依铭蔬辞焊憎世蹬茫膊廉轴沦育辞窍虾界其买娄焦兜陋宾猜甘揍眷氓萎捡是茨芭谚基于交叉耦合控制的复杂场景下瞥堂锈姆奠沾蕉宦悔剧谷纯瓮氰川齿簿孝挖脏环喳藩纳佃称癌怒撑攘磋郸探担拦舍蒜慢沫缔职闪走升线粤子埔答乎窒膀灯叹捎塞蝴岿奠病十圭交爽跌余臃颂佃纲捉痉丙长粉拷瞎诡构篷套封竖尝壶夏峭奥稀棠忿障抛盂榜隔孤尤催仟缨胃眩探后备漂失赦锭蔡叭迢捣秦宫蕾矛俞恃邑经宣建隧紊醚比擦坯犹踢渗漾视氟鞭诽打辱铅抨徐弱屁灿剁汕意皿茨涟身鲤甲汲丸筋赠茵鉴恐密匣半乔垮沙扰叠篱屈务衅理螟衍撇最塔艾岩遵孝串敢像猎角宪哑掖贿歧端歌坍只咋醉标汗塞谍罚炎播钝痕箍溅疫帐艳影然柳钎促抢抛骗熔宿卓熬艳凝召及滴矗勒董陋霓棒虚腻簿伟视导灵蕾笛簧筏靡苔略肤衙基溢麓论文题目 基于交叉耦合控制的复杂场景下 运动目标跟踪算法研究 学科专业 检测技术与自动化装置学 号 201021070416作者姓名 张荣华指导教师 陈 勇 副教授分类号 密级 UDC注1 学 位 论 文基于交叉耦合控制的复杂场景下运动目标跟踪算法研究（题名和副题名）张荣华（作者姓名）指导教师 陈 勇 副教授 电子科技大学 成 都 （姓名、职称、单位名称） 申请学位级别 硕士 学科专业 检测技术与自动化装置 提交论文日期 论文答辩日期 学位授予单位和日期 电子科技大学 年 月 日 答辩委员会主席 评阅人 注1：注明国际十进分类法UDC的类号。RESEARCH ON MOVING TARGET TRACKING ALGORITHM BASED ON THE CROSS-COUPLED CONTROL OF COMPLEX SCENESA Master Thesis Submitted toUniversity of Electronic Science and Technology of ChinaMajor: Detection Technology and Automatic EngineeringAuthor: Zhang RonghuaAdvisor: Associate Professor Chen YongSchool : School of Energy Science and Engineering独 创 性 声 明本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。据我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得电子科技大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。作者签名： 日期： 年 月 日论 文 使 用 授 权本学位论文作者完全了解电子科技大学有关保留、使用学位论文的规定，有权保留并向国家有关部门或机构送交论文的复印件和磁盘，允许论文被查阅和借阅。本人授权电子科技大学可以将学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存、汇编学位论文。（保密的学位论文在解密后应遵守此规定）作者签名： 导师签名： 日期： 年 月 日摘 要运动目标检测与跟踪作为人工智能领域一个重要的研究方向，在过去十年得到了足够的关注以及非常广泛的应用，比如智能视频监控技术、武器的精确制导技术等。上述研究和应用是基于静止摄像机的情况，对于移动摄像机下的目标检测，由于摄像机的运动引起背景变化增加了检测与跟踪的复杂度，使其成为一个难点。在众多实际应用中，摄像机都是处于运动状态，因此移动背景下的目标检测与跟踪就显得非常重要。本文对移动背景下的目标检测算法进行了研究，重点研究了基于特征点的检测算法和基于图像匹配和耦合的检测算法，并将检测算法与跟踪滤波器结合进行了性能的对比，将最优算法进行进一步的验证。本论文主要包括了以下几部分的工作：(1)本文从特征点出发进行移动背景下的目标检测，首先比较几种常见的特征点提取算法，随后确定最优算法提取移动背景下的视频序列的特征点。在此基础上利用K-Means聚类实现特征点的分类，完成了移动背景下的目标检测工作。(2) 将视频序列两帧之间的特征点进行精确匹配，随后计算特征点之间的运动向量，并对于运动向量进行统计建立运动向量直方图，在此基础上实现了移动背景下的目标检测。(3) 根据视频序列精确匹配的特征点对并结合反射参数模型求取摄像机的运动参数，利用运动参数截取子区域图像完成帧间匹配工作；同时为了充分利用帧间的相关性和提高检测算法的性能，将耦合思想融入其中实现了基于图像匹配和耦合的移动背景下目标检测。(4) 为了验证本文所研究的检测算法，将粒子滤波器与其相结合，实现了移动背景下的目标跟踪；为了增强跟踪的鲁棒性，将运动区域直方图与区域特征点结合生成多特征状态向量。为了验证本文所研究的检测算法的有效性，将算法在网络下载的战斗机数据集以及UCSD的landing数据集上进行了测试，其中基于图像匹配和耦合的运动目标检测算法能够更完整提取运动目标区域，实验结果很好的论证了本文所研究的检测算法的可行性和鲁棒性。 关键词：移动背景、SURF、运动向量直方图、耦合、K-Means聚类ABSTRACTTarget detection and tracking is an important part of artificial intelligence. It has been broadly researched and has made a wide range of applications in all aspects of life, such as intelligent video surveillance technology and precision guided weapon. All of them are based on static camera, motion detection in dynamic video scenes is inherently difficult, as the moving camera induces 2D motion for each pixel, but the cameras are in the state of moving in many applications, so the research of motion detection in dynamic video scenes is of great importance.This paper focus on the technology of target detection and tracking, especially for the target in moving background and the target detection algorithms which are base on feature points and image matching and coupling are in-depth studied. And then the target detection algorithms combine with tracking filter, the optimal will be further verified. This paper focus on the following works:(1)Target detection is based on feature points. First, the common feature point is studied, then the optimal feature point is used to extract the feature of the video in dynamic background. And the features are classified by K-Means clustering, from that we can obtain the target detection.(2)Through matching the feature points between two frames we can get several pairs of corresponding points, the motion vectors can be obtained through subbing the location of the corresponding points, at last by counting up the motion vectors we can get the motion vector histogram, in turn we can get the result of the target detection.(3)The matching point between two frames are used to solve the parameters of camera, then the parameters are used to crop the sub-region image which is used to matching search in follow-up frames. At the same time, in order to improve the performance of detection algorithm, we integrate the thinking of coupling with object detection, at last we can achieve object detection by image matching and coupling.(4)In order to verify several studied detection algorithms, we combine particle filter with them to achieve the tracking result. At the same time, we can improve the performance of the tracking algorithm by integrate the feature points with state vector. In order to evaluate the validity of our algorithms, them are tested in datasets which are downloaded from internet and the landing dataset of the UCSD laboratory. Among the algorithms, the algorithm of image matching and coupling can get accurate regions of target. And also the promising results on datasets demonstrate the effectiveness and robustness of our methods.Keywords: moving background, SURF, motion vector histogram, coupling, K-Means clustering 目 录第一章 绪 论11.1 课题背景及研究意义11.2 国内外目标检测研究现状21.2.1 静态背景下的目标检测31.2.2 移动背景下目标检测方法41.3 目标跟踪技术研究现状71.4 本文研究难点81.5 本文主要内容以及结构安排81.5.1 本文主要内容81.5.2 本论文的结构安排10第二章 移动背景下运动目标跟踪方法122.1 引言122.2 基于角点的检测与跟踪132.2.1几种角点介绍132.2.2 基于角点的跟踪152.3 基于尺度不变换特征的跟踪172.3.1 SIFT特征点的提取172.3.2 基于SIFT的检测与跟踪222.4 基于SURF特征的目标检测与跟踪242.4.1. 尺度空间建立以及特征点判断242.4.2 描述子生成252.4.3 基于SURF的目标检测与跟踪262.5 基于运动补偿的目标检测与跟踪262.6 本章小结27第三章 基于SURF特征点运动目标检测283.1 引言283.2 基于SURF与聚类的目标检测283.2.1 聚类方法介绍283.2.2 K-Means聚类介绍303.2.3 SURF特征点的聚类检测323.3 基于特征点运动向量直方图的目标检测383.3.1 基于特征点运动向量直方图393.3.2 基于运动向量直方图的检测算法42第四章 基于图像匹配和帧间耦合的运动目标检测444.1 摄像机运动参数模型444.1.1 参数模型建立444.1.2 求取摄像机运动参数484.2 子区域图像截取484.3 子区域图像匹配514.3.1 图像匹配准则514.3.2 匹配搜索法524.4 帧间耦合与目标检测55第五章 移动背景下跟踪算法的实现595.1 跟踪算法流程图595.1.1 状态向量以及模型建立615.2 系统开发环境625.3 几种算法检测以及跟踪结果635.4 目标跟踪软件的实现67第六章 总结与展望686.1 工作总结686.2 展望69致 谢70参考文献71攻硕期间取得的研究成果76第一章 绪 论1.1 课题背景及研究意义人类主要通过视觉获取表面信息,因此图像在人类感知中扮演了很重要的角色,图像给人类提供了超过80%的信息1。但是人类获取图像只有经过视觉波段，而成像机器几乎覆盖全部电磁波谱，能够提供更加全面的视觉信息，因此图像处理涉及众多的应用领域。无论是图像处理，还是较之高级的图像分析，或者是计算机视觉，都是基于图像进行分析。视频由多帧图像组成，因此其包含丰富的信息，如何利用视频中丰富的信息就成为现今研究的一个关键问题。计算机视觉顾名思义，就是一门研究如何使用丰富的视频信息代替人眼对目标进行识别、跟踪和测量。作为一个新鲜的研究领域，其取得了较高的关注度，而计算机视觉最重要的一个分支目标检测与目标跟踪，它的主要目的是对视频中的运动目标如飞机和行人进行检测，得到目标的基本信息，并对其进行分类识别。运动目标的检测与跟踪具有广泛的应用背景，无论是对于民用还是军事都有其应用空间：在民用上其主要应用到视频监控系统，在交通、银行、办公室等多个场合都已经取得了成功；在军事上其主要应用到武器的精确制导和无人机导航，对于当代的军事武器的发展起到了举足轻重的作用。目标检测和跟踪系统框架如下图所示：图1-1 运动目标检测与跟踪流程无论是智能监控系统还是视觉导航系统,从摄像点是否变化这个角度出发,可将系统其分为二类:一类为固定摄像点下(静态背景)的系统;一类为移动摄像点下(移动背景)的系统。静态背景下的目标检测与跟踪已经得到了较深入的研究，并且得到了较好的研究成果；但是对于复杂环境比如雨天、雾天、战场等，存在较多的干扰，众多学者已经进行了大量的研究，但是实际应用还是存在较多问题；移动背景下的目标检测由于背景存在较大变化，与此同时运动目标也存在运动向量，传统的目标检测与跟踪算法并不能使其取得较好的效果，但由于其较好的应用前景，使其成为计算机视觉领域一个研究热点。静态背景下的目标检测已经成为一个较成熟的领域，但是移动背景下的视频序列包含复杂的背景以及背景运动向量，传统的检测方法并不能取得较好的结果；一种思路为将移动背景视频序列映射到静态背景，至此可以利用静态背景下的目标检测与跟踪算法，这就是基于全局运动补偿的基本原理；同时可以利用背景运动向量与目标运动向量之间的差异，进行前景区域的提取，这就是光流法的基本原理；本文利用视频序列前后几帧之间的联系，进行子区域图像的匹配，最后利用帧间法得到一个较好的区域分割，之后进行前景区域提取得到较完整的目标轮廓，这就是基于交叉耦合检测的基本原理。移动背景下的目标检测与跟踪框图如图1-2所示：图1-2 移动背景下几种检测与跟踪方法综合以上几种方法，对移动背景下的目标检测已经取得了一定的研究成果，但对于高速运动的摄像机，由于技术条件的限制，对于它的研究显得较为困难。综合考虑计算机视觉仍是一个较热的领域，并且依然存在很多问题，下面将对国内外在运动检测与跟踪方面的研究动态进行一个简要的介绍，在此基础上提出本文解决移动背景下的目标检测与跟踪的思路，并对本论文的结构进行一个详细的介绍。1.2 国内外目标检测研究现状视频序列通过摄像头获取，对于不同的应用场合和应用要求，摄像头的摆放位置以及姿势都会不同。对于视频监控系统，比如办公室、走廊、机场等每一个摄像头都是监控一定区域，不同的摄像头协同完成监控工作，因此其不需要摄像头旋转；而对于机器视觉的导航系统，摄像头处于不断运动的状态。在前面的研究意义中已经介绍了，可以将系统分为两类，一类为固定摄像点下的目标检测与跟踪；一类为移动摄像点下的目标检测与跟踪2。下面就从这二个方面介绍目标检测的研究现状。1.2.1 静态背景下的目标检测静态背景下的目标检测基本原理为利用视频序列前后帧之间的时间信息和空间信息的差异，得到一个较好的差分结果，从差分结果中提取运动区域轮廓完成目标检测。主要有以下几种方法：通过各种建模方法建立视频序列的背景实现背景差分3-4；利用序列帧间关系进行帧间差分法5；利用图像序列中背景与目标二维速度场的不一致性进行目标检测的光流法6。(1) 背景差分法背景差分法是运动检测一个较成熟的算法，静态背景下的目标检测大部分是基于此方法。该方法最核心的步骤就是背景模型的建立，现今最主要的背景模型算法为高斯模型7、贝叶斯分类模型8、卡尔曼滤波模型9等。高斯模型能够得到较好的背景图像，但是对于动态背景即背景中存在较大的干扰时，并不能取得较好的背景图像；贝叶斯分类建模对于背景干扰具有一定的适应能力，但是对于复杂的背景并不能确定较好的效果；基于卡尔曼滤波的背景模型对于动态背景不能取得较好的效果，并且对于运动速度较慢的物体会出现漏检。(2) 帧间差分法帧间差分法利用视频序列帧间的时间信息，将前后几帧图像进行比较，得到不同帧之间相同位置的像素差值，并设定一个阈值(全局阈值，OTSU)10,将差值图像二值化,得到一个较完整的轮廓图。帧间差分法能够完整的提取出前后帧之间的变化，但是检测图像中会存在较多的空洞，检测结果并不十分准确，因此其应用范围有限。(3) 光流法光流法不仅适用于静态背景的目标检测，对于移动背景下的目标检测也有一定的适用性。当摄像机与观察的环境存在相对运动时，所获取的图像在相邻帧之间存在一个位移矢量，图像坐标系与世界坐标系之间存在一个对应关系，因此可以将位移矢量投影到图像平面形成一个图像运动场，可以将其理解为像素点的位移在图像平面的表现。当图像中没有运动时，图像的运动场比较平整，当引入运动物体时运动场的平稳被破坏，背景图像的运动场和目标的运动场不同，可以将图像的全局运动场进行分类，得到前景和背景二类达到运动目标检测的目的，这就是光流法进行目标检测的基本原理。光流法计算全局图像的光流，并不需要提取图像的特征点，但是其计算开销大，并不能对视频进行实时的检测,最重要的是对于动态背景或者是背景中存在复杂运动并不能取得好的结果。1.2.2 移动背景下目标检测方法相对于固定摄像点下的目标检测，移动摄像点下的目标检测由于检测目标与摄像机之间的运动由目标的自主运动与摄像机的运动叠加而成，其检测过程更加复杂。首先必须剔除变化的背景，然后利用静态背景下的目标检测方法。下面将回顾移动摄像点下的目标检测的主要方法。(1) 基于全局运动补偿的目标检测如前所述移动背景下目标检测一种思路为对移动背景进行补偿，将其归结为静态背景下的检测。其基本思路为首先计算摄像机的运动参数，求取运动参数的方法较多，特征点求取法、块匹配法等，块匹配法求取的运动参数较粗糙，因此以特征点求取法为例阐述原理。采用特征点提取算法提取视频帧特征点，并对前后二帧的特征点进行匹配，得到二帧图像的对应关系，将其匹配点代入方程求解得到运动参数；随后利用运动参数对视频图像进行计算，得到每一个像素点的相应位置，至此完成补偿图像的计算。 补偿图像的求取之后，利用常见的帧间差分法获得运动目标的完整轮廓。但是摄像机移动情况下，会存在较多的旋转以及尺度变化，该方法并不能适应这种变化，使得检测精度下降。(2) 结合SIFT与MeanShift的目标跟踪摄像机的移动造成视频序列背景的变化,同时也造成了目标尺度变化,传统的检测与跟踪方法不能解决尺度变化下的目标检测与跟踪。Lowe于2004年提出一种尺度不变换特征SIFT11，对于移动背景下摄像机的旋转具有较强的适应性，众多学者将其应用到移动背景的特征点匹配，如前所述可以利用特征点进行移动背景下的目标检测，因此可以几个SIFT实现移动背景下的目标检测。以下为几种常见的SIFT目标检测方法。Du和Ju12提出结合SIFT与MeanShift实现目标跟踪，传统的MeanShift算法利用颜色信息进行跟踪，并没有包含图像的空间信息，当目标与背景的颜色特征相似时，就会出现跟踪丢失的问题，对于移动背景下的目标检测与跟踪而言，也存在这类的问题。该文献提出首先提取跟踪的初始位置（方法一般为手动选定做到半自动跟踪），计算该区域的颜色特征，进行初始匹配得到较正确的位置，以该位置为中心确定一个矩形区域，提取该区域的SIFT特征，结合MeanShift实现跟踪。该算法解决了目标与背景特征相似时的跟踪问题，但是它只做到了半自动跟踪，手动选定目标，对于目标检测并没有提出实质性的解决方法。(3) 结合SIFT与分类器Gu等人13结合SIFT与最近邻分类器实现目标检测，在跟踪目标状态发生变化时获得了很好的稳定性和适用性。应用了当前比较流行的tracking-by-detection方法，采用最近邻分类器作为基础，并采用非参数分类器，同时采用ESS（Efficient Sub-Window Search）预测目标的位置，最重要的是采用新颖的特征更新方法去平衡算法的复杂性和稳定性，它的使用改善了当今最先进的跟踪算法不能解决变化窗口的跟踪问题。算法的基本原理为在第一帧建立目标的模型，并确定初始的窗口，利用最近领域搜索法快速搜索，并计算SIFT特征描述子（为了保证计算的效率和实时性，只计算最近T帧的描述子）；然后进行搜索匹配，得到当前帧最佳的初始目标位置，并将其SIFT特征对目标模型进行更新，重复以上工作直至完成所有帧的跟踪工作。该算法利用跟踪窗口的特征对目标模型更新所用的特征进行滤波操作，因此可以解决背景杂乱的问题；同时选择SIFT建立目标的模型，因此对于部分尺度变化具有免疫性；利用图库算法解决遮挡问题。总之该算法解决了目标跟踪中尺度变化、遮挡、以及背景干扰问题。(4) 结合SIFT与聚类算法的检测 李广和冯燕14提出结合SIFT与K-Means实现目标检测，并对单运动目标和多运动目标视频进行测试，得到一个比较好的结果。算法基本原理为提取SIFT特征，并在相邻帧之间进行匹配，计算匹配点之间的运动向量，由于背景运动向量与目标运动向量之间存在差异，利用K-Means对其进行分类，得到运动背景特征点和目标特征点二类，至此完成了运动目标检测。 SIFT特征的诞生给移动背景下的目标检测提供了一个很好的工具，但是由于其计算复杂，虽然出现了很多SIFT特征的改进算法，但是其匹配效果又不能得到保证，很难做到准确性和效率的一个平衡，这也成为了利用SIFT进行检测的一个弊病。(5) 基于空时显著性的目标检测当人处于一个场景中时，最让人敏感和感兴趣的为运动物体，这个结论也得到了心理学的研究证明，因此从人类的视觉特点出发，文献15,16提出采用空时显著行进行动态背景下的目标检测。主要过程和原理为首先提取图像的空间特征，建立空间显著性图；同时利用多分辨率策略确定图像的运动，形成运动显著性图；最后对空间显著性图和运动显著性图进行竞争得到空时显著性图，完成运动目标检测。文献17提出结合动态纹理与空时显著性进行目标检测，对于复杂背景和摄像机移动能够得到较满意的结果。以上二种算法都是基于空时显著性，由于显著性并没有准确的定义，其检测结果不是传统的前景和背景检测结果，而且检测速度较慢，因此其广泛的使用还需进一步的完善。(6) 基于马尔科夫模型的目标检测Kuo等人18将MRF模型引入到目标检测中，Lee和Babacan 19-20并对其进行了改进，MRF模型目标检测能够对其进行目标检测，能够保证空间的连续性，但是会生成众多碎片（将检测目标分成很多部分）。针对这种情况Berrabah等人21提出结合马尔科夫模型与模糊边缘实现目标检测，模糊边缘摒弃了传统的边缘检测算法对于阈值的依赖22，并且能够检测梯度值较小处的边缘，保证了提取边缘的完整度。但是该方法的执行时间较长，已经超过了传统的光流法，并且对于阴影、遮挡等并不能取得较好的效果。运动目标的检测已经得到了国内外众多机构的研究，并且已经具有较多的成熟产品问世，但是由于研究水平和硬件条件的限制，仍然存在一些问题。因此从成熟的应用角度去评判，形成一种通用的算法，还有一段较长的要走。本文从最前沿的研究动态出发，提出几种移动背景下的目标检测算法，并对其进行了比较，并在此基础上提出了最佳算法，并进行测试。1.3 目标跟踪技术研究现状目标检测可以通过二种方式得到：运动检测和变化检测，在视频序列中寻找变化的区域和不变化的区域，在将二者进行分离；另外一种为运动估计，计算运动向量估计运动目标在相邻帧间的位置。目标检测只是视觉分析行为的第一步，完成目标检测之后进行视觉跟踪，才能够完全的理解目标运动轨迹。视频跟踪是找到目标在图像序列每一帧中的位置，并用一定的形式将其进行标记，表达形式有基于边界的表达、基于区域的表达等21。目标跟踪方法一般分为以下几类23-24：(1) 基于模型的跟踪方法该方法将目标和对象根据一定的先验知识建立目标模型，随后在相邻帧之前通过一定相似性判别准则进行相似性的判断，匹配跟踪目标。常见的模型有三维立体模型、线图模型、等级模型等。Nickels等人25对于人体采用模型进行跟踪；Lin和Liu26对于复杂的有关节的对象采用模型跟踪算法；Jang和Choi 27在三维时空空间中，引入马尔科夫模型。由于检测的结果是目标的一个大致表示，因此并不能建立完整的模型，在完成上一帧目标跟踪之后，提取目标的特征信息对目标模型进行更新。因此它具有一定的鲁棒性，无论是对于遮挡或者是干扰都有抗干扰能力。(2) 基于区域的跟踪方法基于区域的跟踪方法运动分割出目标，并在图像帧之间建立目标区域之间的联系，以完成目标的跟踪。此种方法对于没有遮挡的情况精度较高，但是对于遮挡情况的跟踪并不能取得理想的效果。(3) 基于特征的跟踪根据目标检测结果，提取目标可能性区域的特征，然后对相邻帧的可能性区域内的同种特征进行比较，当相似程度大于一定的阈值时，就可以完成跟踪，Saeedi等人28采用基于特征的跟踪，实现移动机器人的3D定位系统。由于该方法提取的特征具有局部性，并不是提取对目标整体进行匹配，因此其具有一定的遮挡处理能力。1.4 本文研究难点移动背景下的目标检测由于其自身的复杂性，使得它成为一个研究难点。由于摄像机运动的随机性，造成帧序列间目标状态变化的不可预测性，基于此本文具有如下的研究难点。(1) SURF特征点的跟踪中，SURF特征点的提取以及背景特征点的剔除都是本文的难点。如果背景特征点与目标特征点之间具有很强的相似性，对目标检测造成很大的困难，一旦提取的可能性区域存在较多的背景特征点，则会造成后续的跟踪失败。(2) 基于图像匹配和帧间耦合的目标跟踪依靠子图像的裁取以及初始位置的设定，若选择的子区域图像过小以及初始位置不适当则会丢失新引入的运动目标，若过大则会造成算法效率低下；同时前后帧图像之间的耦合也是一大难点；(3) 由于本文所选取实验对象为飞机，视频序列为战斗机表演视频，它存在快速运动，因此其姿势、形状等时刻都在发生变化，因此稳定、持续的跟踪目标也是本文的另一大难点。1.5 本文主要内容以及结构安排1.5.1 本文主要内容针对现今移动背景下目标检测提出了几种检测算法,并将其利用到飞机目标的检测中,在一定程度上解决了移动背景下的高速运动物体的检测,最后利用粒子滤波算法实现了目标跟踪。本文检测系统框图如1-3所示。对于移动背景下的目标检测，首先采用基于特征点的运动目标检测。由于摄像机运动的随机性以及目标尺度的变化，采用基于SURF特征点的目标检测。第一种算法从聚类的角度出发，将提取的特征点分为几类（特征点包括背景特征点和目标特征点），根据视频背景的复杂性，分类的类数也不同。移动摄像机下的背景一直在变化，但是在有限的帧数中，目标是一致存在于视频序列中，因此利用帧间关系，将相邻的N帧特征点进行聚类，在相邻的2N帧利用每类区域直方图进行匹配，得到检测目标。第二种算法提出采用基于特征点的运动向量直方图进行目标检测，统计相邻帧中特征点的运动向量，形成向量直方图，则直方图最大值所在区域就为目标区域，这种算法引入了传统的直方图统计方法，很好的利用了特征点的全局信息；并在随后的跟踪中，将特征点描述子引入到状态向量中，保证了跟踪了鲁棒性。随后从帧间关系出发进行检测，首先利用传统的全局运动补偿进行检测，采用SURF特征点进行运动参数的估计，并在特征点的匹配中引入了对积几何约束，剔除错误的匹配点；运动补偿之后进行差分操作得到运动目标区域，完成目标检测。最后一种算法充分利用帧之间的空间信息，实现帧间的耦合，帧间差分和背景差分完美的结合。首先截取图像的一部分作为目标图像，并在隔帧图像中进行匹配搜索，考虑到摄像机运动的随机性，本文为了模拟摄像机的运动，提出米字型搜索法，它从物理上完全模拟了摄像机运动组合，给算法的实时性实施提供了保障。随后将搜索的匹配图像进行背景差分和帧间差分操作，最后将其结果进行与运算就可以得到检测结果。最后根据几种算法的检测结果，利用粒子滤波实现了目标跟踪。在状态向量的计算中，提取目标的颜色直方图，为了增强跟踪的鲁棒性，将目标区域内的特征点引入到运动向量中，并给每个状态设定权值实现多特征融合。同时为了保证适应目标尺度变化，必须对状态向量实时更新。基于本文提出的四种算法，将其在几类视频中进行了测试，并比较了每一种算法的优点和缺点，给移动背景下目标检测提供了一个很好的参考。图1-3 本文系统框架图1.5.2 本论文的结构安排第一章：绪论。主要介绍目标检测的研究现状、研究意义以及研究难点。第二章：移动背景下目标跟踪方法。从宏观上介绍了目标跟踪的几种方法，随后详细介绍了基于特征点的跟踪方法。基于这一点详细介绍了图像处理中的几种特征点，并且比较了这几种特征点在特征点提取数以及计算速度两方面的优劣势，确定了本文的特征点提取算法。第三章：基于SURF的目标检测。详细介绍了本课题提出的两种基于SURF特征点的目标检测算法，并给出了检测结果。第四章：基于图像匹配和耦合的目标检测。详细介绍本课题提出的基于图像匹配和耦合的目标检测算法，介绍了算法原理，并在此基础上给出了算法的实验结果。第五章：算法的实现以及结果分析。将本课题提出的几种算法进行了实验，并结合跟踪算法实现了目标跟踪，将几种算法的实验结果进行了详细的比较，随后确定了一种最后算法，将其在另外两段视频上进行了验证。第六章：总结与展望。将本论文所涉及的知识进行了详细的总结，并提出了本文算法继续研究价值。第二章 移动背景下运动目标跟踪方法2.1 引言基于特征点的运动目标跟踪与检测从不考虑物体整体，也不关心物体是什么，只是关心物体的局部特征。对于目标检测考虑图像特征点运动矢量，以及统计图像特征点的整体信息。图像的