运动目标跟踪(入门级)讲解学习

4 最简单的例子——模板匹配法
需要考虑的问题：
相关系数 算法加速 搜索策略 模板大小
5 基于卡尔曼滤波器的跟踪方法
利用前一帧获得的参数作为Kalman滤波的状 态变量，当前帧获得的参数作为观测值，通过 Kalman滤波推到获得估计值
用估计值预测下一时刻目标的位置 目标匹配搜索 卡尔曼滤波器参数的修正
2.1.1 光流法
2.2.2 邻帧差分法
将连续的两帧或三帧图像对应像素点的灰度 值相减，当环境亮度变化不大时，如果对应像 素相差很小，则认为这是由目标运动引起的， 该处像素标记为运动目标。
2.2.2 邻帧差分法
2.2.3 背景相减法
建立一个无运动目标的背景图像（第1帧无 运动目标的图像或前N帧无运动目标的图像的 均值或中值），然后将当前图像的像素值与背 景图像的像素值相减，通过设置一定的阈值， 风格运动目标。
3 运动目标跟踪处理三步骤
运动目标的准确分割对于获取特征信息很重要
原图
阈值分割
高斯模型分割
3 运动目标跟踪处理三步骤
步骤二：相似性度量计算（目标建模） 常用的方法有：欧式距离、马氏距离、棋盘
距离、加权距离、相似系数、相关系数等
3 运动目标跟踪处理三步骤
步骤三：目标区域搜索匹配（特征匹配） 常见的预测算法有：Kalman滤波、粒子滤
1 概述
安防监控领域的应用
1 概述
交通管理领域的应用
1 概述
军事领域的应用
2 运动目标检测
运动目标检测是运动目标跟踪的前提；运动 目标检测，依据目标与摄像机之间的关系可以 分为：
静态背景下的运动检测
动态背景下的运动检测
2.1 静态背景下的运动检测
整个监控过程中只有目标在运动，常用方法：
背景差方法 帧间差方法 光流场法
4 最简单的例子——模板匹配法
把全图的所有子区域和目标模板比较一下， 找到最像目标模板的子区域，即目标的位置 。
4 最简单的例子——模板匹配法
假设目标模板是一个10*10的图像，可以被看作是 一个100维的向量，每一维是一个像素点的灰度值。 然后把这个向量和图像中的每一个子区域作比较，找 出相关系数最大的子区域，目标的位置就找到了。
波、Mean-Shift等 。
3 运动目标跟踪处理三步骤
将目标分片，建立目标分片表现模型（模板）。在目 标上一帧的位置周围遍历搜索，找到与目标模板相似 度最高的候选目标作为跟踪结果。
3 运动目标跟踪处理三步骤
实时更新的模板
3.1 Mean-Shift （均值偏移）
彩色直方图作为匹配特征，Mean-Shift跟踪 算法反复不断的把数据点朝向mean-Shift矢量 方向移动，最终收敛到某个概率密度函数的极 值点。
2.1.1 光流法
光流场是空间运动物体被观测表明上的像素 点运动产生的瞬时二维速度场，包含了物体表 面结构和动态行为的重要信息。
光流法是给图像中的每一个像素点赋予一个 光流矢量（即速度矢量），当物体和图像背景 存在相对运动时，运动物体所形成的速度矢量 必然和邻域背景速度矢量不同，通过对序列图 像光流场的分析，计算出运动场后，对场景进 行分割，从而检测出运动目标。
运动目标跟踪
1 概述
运动目标跟踪在军事制导，视觉导航，机 器人，智能交通，公共安全等领域有着广泛的 应用。例如，在车辆违章抓拍系统中，车辆的 跟踪就是必不可少的。在入侵检测中，人、动 物、车辆等大型运动目标的检测与跟踪也是整 个系统运行的关键所在。所以，在计算机视觉 领域目标跟踪是一个很重要的分支。
定的阈值
3.2 Kalman滤波
卡尔曼滤波器是一个有噪声线性动态系统状 态预估的递归算法，它是一个不断预测与校正 的过程。当假设系统状态模型和观测模型都是 线性且符合高斯分布，同时假设噪声也是高斯 分布，线性卡尔曼滤波器是最优的滤波器。
3.3 粒子滤波
当假设系统状态模型和观测模型都是非线性且 符合不高斯分布，同时假设噪声也不是高斯分 布，粒子滤波器是比较合适的滤波器。
wk.baidu.com 谢谢大家！！！
2.2.3 背景相减法
2.2 动态背景下的运动检测
监控过程中，目标和背景都在发生运动或变化， 根据相机的运动形式分为以下两种 ：
相机支架固定 相机置于移动设备之上
3 运动目标跟踪处理三步骤
步骤一：目标的有效描述（特征提取）
提取目标的特征来达该目标，例如：图像的 边缘、轮廓、形状、纹理、区域、直方图、矩 特征、变换系数等
Mean-Shift跟踪算法中，相似度函数用于刻 画目标模板和候选区域所对应的两个核函数直 方图的相似性。因此，这种方法将跟踪问题转 化为Mean-Shift模式匹配问题。
3.1 Mean-Shift （均值偏移）
1. 选择窗口的大小和初始位置 2. 计算此时窗口内的质心 3. 调整窗口的中心到质心 4. 重复2和3，直到每次窗口移动的距离小于一