视觉跟踪算法研究摘要视觉跟踪算法是实现视觉目标有效跟踪的关键技术之一，通过观测图像序列，推理获得目标运动参数，实现运动目标跟踪，主要有基于区域跟踪、基于特征跟踪、基于变形模板跟踪和基于模型跟踪等四个类型的跟踪算法，并各具不同的适用范围及优缺点。【关键词】视觉跟踪跟踪算法特征1引言当前，视觉跟踪技术在视频监视、导航定位、成像制导等方面皆有广泛的应用。视觉跟踪主要是针对包含运动物体的图像序列进行分析处理，涉及到运动检测、目标跟踪两个过程。运动目标检测是从序列图像中将变化区域从背景图像中提取出来，目标跟踪则分为预测模块和匹配更新模块。2视觉目标跟踪的实现视觉目标跟踪系统采用计算机视觉的方法，把图像处理、自动控制、信息科学有机结合起来，形成一种能从图像信号中自动识别目标、提取和预测目标位置信息，并自动跟踪目标运动的技术，其实现主要包括图像获取、图像识别、目标定位以及图像传感器的跟踪控制四个部分。3视觉跟踪算法视觉跟踪是通过观测图像序列，推理获得目标运动参数，并最终实现对运动目标的行为理解的过程。其视觉跟踪算法是实现目标有效跟踪的关键技术之一，一般可分为四种类型，即：基于区域跟踪、基于特征跟踪、基于变形模板跟踪和基于模型跟踪。3.1基于区域的跟踪算法基于区域的跟踪算法针对包含有多个对象的场景可以取得较好的跟踪效果，精度高、稳定性好，而针对搜索区域较大的情况，尤其是跟踪目标发生形变或被遮挡时，发生目标丢失的概率增大。该算法通过在序列图像中，利用相关匹配方法进行目标模板匹配来实现跟踪目标。灰度图像常采用基于纹理和特征相关，彩色图像常采用基于颜色的相关，如平方和准则SSD，如式1所示：（1）式中，i和j分别是两幅比较图像上对比位置的像素。该算法典型代表有基于纹理特征的自适应目标外观模型、最大似然估计算法、基于核函数的概率密度估计方法等。基于纹理特征的自适应目标外观模型由Jepson等人提出，解决了长时间跟踪与目标外观发生变化之间的矛盾，使得目标模板随目标的变化而改变；最大似然估计方法由Olson等人提出，该方法用似然函数的峰值确定目标的位置，实现亚像素级的目标定位和不确定性估计；基于核函数的概率密度估计方法，用核直方图描述目标，通过均值漂移算法找到目标位置，快速有效。3.2基于特征的跟踪算法特征是组成运动区域像素的数字属性，它是基于像素或者能从运动区域中取出的空间信息。良好的特征应具备区分性好、可靠性高、独立性强和简约性适度等特点。该跟踪算法适合于目标被遮挡的情况，在部分遮挡的条件下跟踪效果较好，缺点是基于2D特征的识别速率较低，不能重构目标的3D姿态。基于特征的目标跟踪方法是从图像序列中抽取相对稳定的目标特征，在不同图像匹配特征点，并计算相关运动信息。目标特征可以选择角点、边界、有明显标记区域所对应的点、线、面等。针对刚体，匹配算法大都引入刚体约束条件，如模板匹配、结构匹配和树搜索匹配等；针对非刚体，主要采用基于轮廓跟踪的方法。3.3基于变形模板的跟踪算法变形模板是纹理或边缘可以按一定限制条件变形的面板或曲线，目标模板为一条手工绘制的封闭曲线。目前由Kalss提出的主动轮廓模型（Snake模型）是最为常用的变形模板，该模板非常适合可变形目标的跟踪，能自主地收敛于能量极小值状态，在扩展捕获目标的同时，计算不甚复杂。Snake跟踪主要由最小能量函数表示，用于轮廓跟踪的最小能量函数是外力和内力的加权和，能量函数通常由内部能量、外部能量和关于目标的先验知识三部分组成。参数化的Snake曲线一般被定义为，则其最小化的能量函数为：根据Euler-Lagrange条件表明，最小化能量的曲线V（s）必须满足：3.4基于模型的跟踪算法基于模型的跟踪算法通过将图像数据和由先验知识产生的对象模型进行匹配来实现对目标的跟踪，该算法适合于在复杂背景、遮挡、及目标运动方向改变时的跟踪，便于获得目标的3D姿态及其三维运动轨迹。然而，由于运动目标的精确几何模型不易获取，因此限制了该算法的使用，且难以克服跟踪算法运算时间较大的困难，较难实现实时跟踪。基于模型的人体跟踪常采用分析-综合方法，一般用线图、2D轮廓、立体模型来进行身体模型构建，通过先验知识来预测运动参数建立运动模型，常采用动力学模型、Taylor模型、Kalman滤波和随机采样等作为搜索策略。在基于模型的车辆跟踪中，3D线框车辆模型则应用得最为广泛，将图像边缘点作为特征来实现基于3D模型的车辆定位。4结束语视觉跟踪算法是实现视觉目标有效跟踪的关键技术之一。本文介绍了视觉跟踪的实现方法，从基于区域跟踪、基于特征跟踪、基于变形模板的跟踪和基于模型跟踪等四个方面介绍了视觉跟踪算法，并对其适用范围及优缺点进行了评述。参考文献[1]侯志强，韩崇昭.视觉跟踪技术综述