SCI论文（www.lunwensci.com）
摘 要：视频运动目标跟踪属于计算机视频模块的重点研究内容,具备较大的应用前景。随着各种新技术融合到目标跟踪 方法中,其跟踪准确性得到提升。受到目标形变、遮挡以及尺度变化影响,跟踪失败的问题也时有发生。为了改进视频运动目 标跟踪方法,本文系统的阐述了当前视频运动目标跟踪方法的类型,从算法设计流程着手,给出关于视频运动目标跟踪方法的 具体设计框架,对未来算法发展方向进行了展望。
关键词：视频运动,目标跟踪,目标提取,卡尔曼滤波
Research on Video Moving Target Tracking Method
YANG Jun
(Northwest University of Political Science and Law, Xi'an Shanxi 710199)
【Abstract】： Video moving target tracking is a key research content of computer video module, and has a great application prospect. With the integration of various new technologies into target tracking methods, their tracking accuracy has been improved. Due to the influence of target deformation, occlusion, and scale changes, tracking failures often occur. In order to improve video moving object tracking methods, this article systematically describes the types of current video moving object tracking methods, starting with the algorithm design process, provides a specific design framework for video moving object tracking methods, and prospects the development direction of future algorithms.
【Key words】： video motion;target tracking;target extraction;Kalman filtering
1 视频运动目标跟踪方法的分类
1.1 基于人脸 Haar-like 特征头部检测跟踪法
基于人脸 Haar-like 特征头部检测跟踪法属于主动 轮廓跟踪方法,应用这一方法要以获取目标对象的整体 信息为基础,提取目标对象的轮廓作为模板,对照后 续的图像序列中二值边缘图像,将其与后续图像建立匹 配关系,达成目标跟踪的效果。应用这一检测方法的主 要优势是无需综合先验知识,目标轮廓信息会随着图像 序列的变化而产生实时更新,计算量相对较小,并且获 取匹配的效率较高。大部分视频图像跟踪过程中,选用 的图像序列均是采用固定的摄像机得出,部分会选用背 景建模的方法获取目标运动地点,也或者是选择背景减 除法得出跟踪检测结果。上述方法对于部分低密度的人 群检测而言具备一定跟踪价值,但环境比较复杂的情况 下,检测高密度人群便有可能存在遗落或是差错问题。摄像机若是架设在比较高的位置,可以选用基于人脸 Haar-like 特征头部检测跟踪法,针对背向摄像机的人群, 要选择轮廓特征 Logistic 回归分类器对其进行检测。
1.2 多特征融合目标跟踪法
多特征融合目标跟踪法以目标特征跟踪方法为基 础。灰度图像特征信息仅具备彩色图像的 35% 左右, 依靠灰度值获取目标信息特征值,容易造成目标丢失的 问题,不能对其进行准确地识别和定位。选择图像 x 和 y 的方向得出梯度特点和灰度特征融合,能够形成多种 特征的直方图,实现对目标进行稳定跟踪的效果。要 构建包含灰度特征和梯度特征在内的特征模型,选用 Sobel 算子选择匹配的模板图像,得出 x 与y 的纹理特 点并提出加权特征。选用背景建模的方式得出主要前景 目标,减少背景特征值产出的干扰信息。待匹配的图像 像素处于前景图像位置,便要统计当前的概率密度。图像属于背景图像,便要根据概率密度图像获取概率分布 函数的小概率数值。最终为减少光照和变形这类外界因 素对目标匹配度造成的影响,要将待匹配的图像像素点 进行尺寸变换,形成直方图统计。利用均值漂移的计算 方法得出特征值,选用迭代方式确定目标的最终位置。 对 x 与y 的两个方向梯度和灰度特征融合,保证目标与 背景呈现更突出的对比特点,提升跟踪准确程度。
1.3 基于旋转不变 LBP 特征的 MeanShift 跟踪法
这一方法主要以目标区域跟踪方法为基础。MeanShift 跟踪算法利用均值漂移,实现模块匹配进行迭代计算, 计算搜索目标所处的位置。受颜色直方图对图像的尺寸 变化和模糊程度不够敏感,目标颜色分析和判断具备一 定缺陷。选用传统跟踪算法要计算的数值较大,不具备 实时性特点,因此以上述算法为基础引入了 COV 算子、 HOG 算子。然而依旧无法有效迎合相同梯度背景下的 不同纹理像素标准。LBP 特征旋转性能能够得到较好地 区分,有效解决上述问题。MeanShift 跟踪算法能够得 出前一帧的目标位置相邻区域,进行匹配度最大化地找 寻,实现算法迭代效果。不断移动并改变概率密度的梯 度方向,直到局部密度获取最大值。这一算法的总体思 路为 ：手动炫动视频图像的首帧运动目标范围,计算这 一范围和候选范围旋转不变的 LBP 特征值。从扩展的 LBP 数据循环移位得出并找到运动目标和候选目标在 LBP 空间内部的最小距离数值,也就是相似度最高的 值。再读取接下来帧数视频图像,选择迭代前一帧位置 的方式构建循环跟踪模型。引入旋转不变的 LBP 特征 后 MeanShift 跟踪算法,便能够解决传统算法中跟踪 目标容易丢失的情况,针对光照变化和背景类似的问题 也能够得到有效解决。上述跟踪方法不同于传统对点匹 配的算法,能够通过自适应迭代的方式对模型进行快速 地计算和匹配,准确获取和搜索高概率密度部分,粗糙 搜索低概率密度部分。以区域跟踪方法为基础,将视频 的首帧看作参考模板,得出其后续图像相关性确定目标 所处位置。以运动目标范围内的单个或是多个特征为基 础进行跟踪测算,当四周不存在遮挡物时,其稳定性和 精准度便比较高。当四周存在遮挡物或是阴影位置,跟 踪和测算的精准程度便有待提升。均值偏移算法忽视了 目标在运动过程中产生的连贯性特点,仅能够在比较有 限的条件下实现匹配目标的效果,匹配精准程度不足。
1.4 颜色粒子滤波目标跟踪法
颜色粒子滤波目标跟踪法以粒子滤波和颜色特点为 基础进行跟踪,要建立系统的动态跟踪模型,对目标的 运动状态进行观察,及时获取目标运动情况。这一跟踪方法包含线性滤波跟踪和非线性滤波两种类型。其中, 卡尔曼滤波属于线性跟踪滤波。非线性跟踪滤波以贝叶 斯估计理论为基础。颜色粒子滤波目标跟踪法针对颜色 粒子滤波对光照的敏感程度得出。粒子滤波的算法以贝 叶斯估计为基础,能够有效解决非线性系统的状态情 况。针对运动目标局部遮挡性能要比 MeanShift 跟踪 算法更具备优势,应用的范围也更加广泛。综合颜色直 方图和运动目标空间分布信息,能够得出多个颜色模型 优化跟踪效果,提升跟踪的精准程度,然而并不能有效 避免光照对目标跟踪效果造成的影响。颜色粒子滤波算 法属于在颜色直方图基础上对其进行系统的改造,针对 颜色具备的多重特点和光照敏感程度缺陷,得出对应的 适合更新目标模型和动态调节的粒子数量方式,从根本 上解决了运动目标被遮挡导致跟踪准确程度欠缺问题。
2 视频运动目标跟踪方法的设计架构
应用层主要指的是视频运动目标获取和追踪应用过 程中,包含的视频管理模块、目标跟踪模块、目标检测 模块、视频采集模块等。设计系统中视频管理模块主要 功能包括视频维护、视频检索和视频上传 ;目标检测模 块包含目标检测、目标更新等 ;视频采集模块的功能有 视频输入、得出摄像视频等 ;目标跟踪模块包含目标参 数显示和目标模板建立等。
2.1 视频管理模块
系统操作者的成员组成包括视频管理成员、视频获 取成员等。其中视频管理的主要作用便是维护视频信 息,要进行的实践操作内容包括 ：删除视频、修改视 频和增添视频等操作。视频管理人员要录入对应的用户 名称和登录密码,访问视频管理模块同时调用 Videose Archf 方法,达成对视频检索的有效处理。
2.2 目标检测模块
这一模块的功能主要是将获取到的运动视频信息展 开检测同时分析信息,能够被看作体育训练过程中的分 析数据。这一模块的主要功能为 ：目标检测、结果检测 和目标模型更新等。视频分析管理人员要在系统中录入 自身的名称和密码,进入视频目标检测模块 ;接下来向 视频目标检测模块发出检测申请,系统便会提醒添加对 应的视频目标数据 ;添加操作后会将得出的检测结果保 存在数据库中,得出检测成功的结果数据。
2.3 目标跟踪模块
这一模块的主要作用是实现对单一目标的实时跟 踪,借助跟踪过程获得对应的数据信息,从数据着手分 析并展望数据带来的内涵。本模块的功能主要是为目标 人员提供实时跟踪,执行监督的人员是视频分析者 [1]。这一模块的功能在于建立目标模板和跟踪目标等。实际 操作流程如图 1 所示,设定固定的拍摄位置,同时得出 有效的跟踪计算参数。对已经存在的方式方法进行进一 步锁定,可以得出背景分离和轨道预测过程。
2.4 视频采集模块
视频采集模块的主要作用是得出视频图像信息的具 体内容。这类模块执行人员被称为视频采集人员。视 频采集的主要目标是实现采集视频、获取视频序列并 实现视频初始化。工作人员要录入对应的用户名称和密 码便能够进入系统,登录后进入视频采集模块,借助 CaptureVIdeoInAIn 获取视频输入和初始化操作,能 够顺利链接系统和数据库,处理上述操作信息并将视频 交由采集人员 [2]。视频采集要求工作人员登录系统后, 进入视频采集模块。接下来对采集的视频输入初始化, 提交视频的输入信息和初始化信息,完成视频采集的整 个过程。
2.5 数据库图表设计模块
(1) E-R 图设计。数据库属于视频运动目标检测和 跟踪系统存储的主要信息储备中心,匹配合理的数据库 信息能够提升数据库存储效果,保证信息的安全性和完 整性特点。系统匹配的数据库存在优劣差异,主要表现 在其能否提供比较齐全的功能、系统性能的完善程度和 数据操作准确程度等 [3]。传统数据存储系统,出现突发 状况时会造成数据永久性丢失的情况出现。对此,要保 证数据库设计和接口变成过程中,遵守规范化和安全性 等执行要求,详细分析各种用户对系统的功能要求,同时 对系统进行系统的处理和设计,保障数据的一致性特点。 系统设计的 E-R 图像,能够真实反馈出视频运动目标 跟踪系统差异类型下,用户同功能之间的内在联系。将 用户实体和属性之间的联系以图像的形式展现出来,便 是系统和实际运用过程中的概念模型。从模型图能够得 出,实体包含视频内容、跟踪目标和用户等信息,具体表现如图 2 所示。系统设计过程中,用户信息包括编码信 息和名称信息,视频资料包含跟踪信息和待检测信息。
(2)设计数据库表结构。系统中的数据库要迎合数 据库特点和视频运动目标检测、跟踪系统的需求,对数 据库中数据类型和字段信息进行有效设定。需要格外关 注的是,设定的系统数据库包括多种复杂表格,数据库 的内容也呈现出多样化特点。根据调查和分析结果能够 得出,整个视频运动目标检测和跟踪系统设计与开发过 程中,属于一项比较独立的数据表格形式,并不能形成 系统的数据库内容。
3 结语
总而言之,运动目标跟踪属于智能化视频检测技术 中的关键构成,能够在军事领域中达成比较好的实时跟 踪效果,在日常交通方面能实现对违章车辆的实时跟 踪,医学上能够跟踪研究对象。由此可以得出,运动目 标跟踪在各行各业中均能得到比较好的表现效果,因此 这一技术的研究价值也逐渐增强,对应的算法也将及时 得到优化。较高的精度和较好的跟踪效果一向是评价目 标跟踪算法质量的要求,要寻找更快速、便捷且安全的 算法适应复杂背景下的目标跟踪,以便提升目标跟踪在 实际生活中的应用效果。
参考文献
[1] 王彬彬.基于SVM与Meanshift跟踪算法的运动视频目标跟 踪[J].现代电子技术,2022.45(1):56-60.
[2] 黄萍萍,王峰,向俞明,等.基于V-CSK视频遥感卫星运动目标 检测跟踪方法[J].中国科学院大学学报,2021.38(3):392-401. [3] 汪嘉鑫,徐贵川,于婷洋,等.复杂红外背景中运动小目标快速 跟踪技术[J].应用光学,2021.42(3):443-453.
关注SCI论文创作发表，寻求SCI论文修改润色、SCI论文代发表等服务支撑，请锁定SCI论文网！
文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/jisuanjilunwen/63483.html
