李志朋

（天津光電高斯通信工程技術股份有限公司 天津市 300392）

科學合理的應用運動目標的跟蹤方法具有十分重要的意義，并且具有較大的應用價值。用機器來替代人的大腦和眼睛，可以為人們的生活和工作帶來諸多便利，在當前的交通運輸、單位安保、醫(yī)學及軍事等方面得到廣泛應用。運動目標跟蹤將圖像中運動目標的大小、運動目標的具體位置和運動目標的速度等數(shù)據信息分析出來，如果在對運動目標進行跟蹤的過程中受到各種外界因素以及內在因素的影響，就會導致跟蹤工作的難度加大，并且還會對跟蹤結果的準確性和可靠性造成嚴重影響[1]。隨著社會的發(fā)展和進步，計算機技術也在不斷發(fā)展，大大降低了視頻圖像采集和儲存的成本，并且讓處理效率得到提升，視頻跟蹤技術符合智能化、信息化和自動化的時代發(fā)展潮流。

1 目標跟蹤評判標準和難點

1.1 目標跟蹤判斷依據

運動目標跟蹤算法的評價依據主要有以下三點：

（1）準確性。其準確性能夠通過運動目標具體方位以及運動跟蹤結果二者之間的對比，來對它們的相近程度進行比較。準確性能夠在全部的跟蹤算法評判依據中得到有效應用，假如目標跟蹤的結果沒有合理應用準確性，就會導致前期進行的工作不具備實際意義。

（2）實時性。運動目標跟蹤算法執(zhí)行過程所需時間可以通過實時性進行衡量，如果具有非?？斓乃惴ㄟ\行速度，而且也用不著太多的計算資源，就可以將該算法的實時性很好的表現(xiàn)出來。在跟蹤運動目標時，計算量會隨著視頻幀數(shù)發(fā)生變化，幀數(shù)越多計算量也就越大，序列圖像要想實現(xiàn)快速處理，就必須要求跟蹤算法具有實時性。

（3）魯棒性。魯棒性指的是一種抗干擾能力，跟蹤算法在運行時對受到外部環(huán)境的影響，如果運動目標背景中存在噪聲或是其他干擾因素，算法執(zhí)行效果都會受到影響。對于運動目標跟蹤來說，算法魯棒可以確保其具有穩(wěn)定性和持續(xù)性。

1.2 目標跟蹤算法工作中存在的困難

通常來說，運動目標基本上存在于較為復雜的環(huán)境當中，所以在開展運動目標跟蹤工作之前，需要進行圖像預處理，對目標區(qū)域開展檢測工作，并獲取目標位置，接著科學合理的應用運動算法進行運動目標跟蹤工作。目標跟蹤算法的難點可以從以下幾個方面體現(xiàn)出來：

（1）光照的變化。運動目標的表觀現(xiàn)象會受到光照顏色、方向以及強度變化的影響。如果運動目標光照變化比較強烈時，會對顏色特征穩(wěn)定性造成影響，導致跟蹤算法的準確性得不到保證。

（2）背景顏色影響。如果背景顏色和運動目標顏色比較接近，就會導致目標分離工作難度加大，難以讓運動目標完整的與背景相脫離，并且會影響到目標的跟蹤過程[2]。

（3）目標大小改變。如果目標的大小出現(xiàn)一定程度的變化，那么對目標的跟蹤工作就無法固定窗口跟蹤算法來實現(xiàn)，讓目標跟蹤喪失可靠性。

2 運動目標檢測方法

2.1 光流法

對二維圖像中運動物體的像素進行分析，通過分析結果可以實現(xiàn)三維運動物體運動信息的有效獲取。光流和運動場比較相似，通過對時間域內的物體像素進行分析研究，掌握運動物體對應位置像素變化，從而獲得物體的運動速度及方向。光流法的優(yōu)點是不需要提前了解視頻場景中的目標大小、光照情況和動態(tài)背景等信息，就可以準確檢測到運動中的目標。光流法在背景運動場景中比較適用，如果情況比較理想，能夠精確計算出運動目標的速度。但使用光流場計算公式所提出的假設條件在具體的視頻場景中很難得到滿足，因此，當條件不理想的情況下，會讓光流場正確求解的難度加大。除此之外，在目標檢測過程中使用光流法還會消耗大量時間，不具備較好的實時性。

2.2 幀差法

幀差法具有十分簡單的應用原理，在具體的應用過程中也不會有較高難度，所以得到了較為普遍的應用。相鄰幀之間的差異性和相關性是幀差法的重要基礎，視頻中背景的灰度值和像素點位置不會改變，目標一旦發(fā)生運動，就會讓相鄰的灰度值發(fā)生改變。通過差分的使用，能夠快速找到出現(xiàn)變化的區(qū)域。運動目標如果是利用幀差法得到，那么就不具備一定的完整性，在之后的工作中還需要再次處理，為運動目標的有效提取提供保障[3]。幀差法的優(yōu)點主要有以下幾個方面：

（1）具有比較簡單的原理，容易實現(xiàn)對運動目標的獲取。

（2）具有較快的運行速度，可以有效加快圖像的處理速度。

（3）具有一定的場景適應性，受到光照或環(huán)境影響較小。

2.3 背景差法

背景差法的應用原理跟上文介紹的幀差法相似程度較高，對比兩種不同的圖像，背景圖像的像素不會出現(xiàn)太大程度的改變，而運動目標區(qū)域像素會發(fā)在很大程度上發(fā)生改變，通過可續(xù)分析像素差異性特征，可以成功檢測到運動目標的具體位置（如圖1）。在具體的實踐工作過程中，背景圖像直接獲取的難度非常大，所以通常會利用背景建模法來獲取圖像。背景差法算法比較簡單，能夠得到比較完整的運動物體區(qū)域。但在實際環(huán)境中會受到多種外界因素的影響，無法滿足實時性要求，并且會有出現(xiàn)誤差的可能，所以需要對背景進行更新，確保獲取運動物體的準確性。專家學者也在不斷對此方法進行創(chuàng)新，并取得了不錯的成果，提升了背景算法的豐富程度。

圖1：背景差法流程圖

3 運動目標跟蹤方法分析

我們可以以運動目標檢測為依據，科學合理的進行運動目標的跟蹤。在對運動目標具體位置進行檢測的過程中，可以在視頻圖像序列中把運動目標分離出來。在檢測目標運動的時候，做好運動目標的跟蹤工作，確定好運動目標在時間軸上面的具體運動軌跡，獲取跟運動目標相近的其他目標物體，并做好兩者之間的連接。首先，應將運動目標模板確定下來，通過一定的度量準則，根據相應規(guī)定標準，尋找具有最高匹配程度的目標位置，然后進行匹配工作，成功完成目標物體位置追蹤。隨著時代的快速發(fā)展，運動目標跟蹤的使用層面也在逐步提升，并出現(xiàn)了大量的跟蹤算法。目前，比較常用的跟蹤算法有粒子濾波、卡爾曼濾波等，可以將目標跟蹤算法分為以下幾種：

3.1 將區(qū)域匹配作為依據的跟蹤算法

這種算法主要是匹配圖像的不同區(qū)域，并成功獲取運動目標模板，以目標特征為依據，找出相鄰圖像之間的位置點，并最大程度確保具有相同的特征，從而實現(xiàn)確定運動目標位置的目的。區(qū)域面積、目標顏色、目標紋理等都是目標區(qū)域的典型特征，圖像相關匹配法是比較常用的區(qū)域匹配方法。將區(qū)域匹配算法科學合理的在運動目標跟蹤工作中使用，可以有效提升目標跟蹤工作的效率，如果目標出現(xiàn)不同的變化，比如變形、旋轉等，或是受到光線變化的影響，就容易導致區(qū)域匹配出現(xiàn)錯誤[4]。在比較復雜的場景中應用，受到的外界因素影響較大，就會對匹配效果造成嚴重影響，甚至會讓算法失效。基于區(qū)域匹配的跟蹤算法實時性比較差，這一缺點導致了此方法沒有得到廣泛普及。

3.2 以主動輪廓為基礎的跟蹤算法

此方法與區(qū)域匹配跟蹤算法具有比較相似的原理，它們都是通過兩部分來完成，即目標匹配和確定匹配模板。但二者之間也存在不同，這種方法不是以圖像區(qū)域作為匹配模板，而是以目標的大致輪廓作為基礎。首先確定好圖像的大致輪廓，接著在圖像中將具有較大相似度的匹配輪廓尋找出來。另外，輪廓匹配跟蹤算法的運動量比區(qū)域匹配跟蹤算法小很多，而且對運動目標的跟蹤準確性也比較高。Michael Kass 等人提出的主動輪廓模型是此方法的典型代表，將一組可以變化形態(tài)的曲線在目標區(qū)域內設定好，通過控制點慢慢對目標輪廓和自身形狀進行調整，確保二者達到一致[5]。通過函數(shù)的求解工作，獲得函數(shù)最小值，這種曲線被定義為Snake 曲線。

3.3 以特征匹配為基礎的跟蹤算法

上文中提到的兩種匹配方法是將物體當作整體來進行跟蹤，而基于特征匹配的跟蹤則是選擇具有特性代表的運動物體，針對物體上面的特征點進行跟蹤，具有較好的持續(xù)性。代表性的物體特征點需要具備下面幾個特點：不跟背景相混淆、具備一定的獨特性、不會受到光照變化影響以及不隨物體形狀發(fā)生變化。此方法的優(yōu)點是：能夠對物體的形態(tài)變化進行很好的適應，針對遮擋住的部分也有很好的效果，假如沒有全部遮擋住物體的特征，就能夠完成物體跟蹤工作，還可以對光照變化和環(huán)境變化進行很好的適應。但此方法也存在一定的難點：是否可以很好的適應各種外界因素的影響，將物體自身的特點呈現(xiàn)出來。所以，在使用此方法時需要根據實際環(huán)境來選擇運動目標的特點，比如物體的顏色、紋理、邊緣等。

3.4 以模型為基礎的跟蹤算法

這種跟蹤算法與其他運動目標跟蹤算法相比較來說，具有較大差異，它能夠快速獲取運動目標的三維信息，促進運動目標信息多樣性的提升。在目標跟蹤時應用此算法，需要在線下運動目標的三維模型構建好，并以此模型自身具備的特征為基礎，準確確定運動目標各方面的內容，如果3D 目標種類不同那么3D 模型也會存在差別。三維目標模型建模比較復雜，但可以對運動目標進行比較全面的描述，能夠有效克服目標遮擋障礙，并且對復雜場景具有比較好的適應性，在今后的運動目標跟蹤工作中會得到廣泛應用。

3.5 將運動目標特點作為依據的跟蹤算法

這種運動目標的跟蹤算法可以對目標信息進行有效利用，并創(chuàng)建運動目標信息模型，以現(xiàn)有的運動規(guī)律數(shù)據為基礎，準確判斷運動目標在下一幀圖像中的位置。這種跟蹤算法具有獨特的優(yōu)勢，可以有效降低需要搜索的區(qū)域面積大小，而且可以促進搜索工作效率的提升，有效減少目標跟蹤的工作量，同時又節(jié)省了大量的工作時間。

4 結語

隨著社會的不斷發(fā)展和進步，機器視覺受到人們的重視程度在不斷增加，各種機構在此方面的研究力度也得到加強，許多的研究成果也已經應用到我們的生活中，在娛樂、生產、軍事等方面應用較為廣泛。目標跟蹤的結果會受到跟蹤算法的影響，由于運動目標具有環(huán)境多變性、物體形狀多變性等特點，讓運動目標跟蹤過程難度加大，所以應選擇合適的跟蹤算法。目前我們對目標跟蹤方面的研究仍處于初級階段，還有更多的問題等著我們去探索，所以應不斷加強跟蹤算法研究力度，合理利用先進科學技術，期待獲得更多的優(yōu)秀成果。