视频图像中运动目标跟踪算法研究综述

摘 要:分析和描述了当前运动目标跟踪的有关方法,通过分类介绍的形式,从跟踪方法的研究现状、研究进展、应用领域等方面进行讨论。比较介绍了几种方法的优缺点以及研究过程中所面临的难题。最后对运动目标跟踪算法的研究前景进行了展望。

关键词:目标跟踪 视频图像 机器视觉

中图分类号:TP3 文献标识码:A 文章编号:1672-3791(2012)06(a)-0007-01

随着计算机技术的飞速发展,视频图像中的运动目标跟踪作为计算机科学、人工智能、数学等多学科的结晶,逐渐成为图像处理和计算机视觉领域的研究热点,其应用范围也逐渐拓展,目前,运动目标跟踪已经运用到了智能人机交互、医疗诊断、军事制导、天文观测、安全监控等众多领域。因此,在实际应用中,对运动目标跟踪算法的研究具有重要的理论价值和现实意义。

1 基于区域的跟踪

基于区域的跟踪方法首先要得到包含目标的区域模板,模板的提取一般通过图像分割获得或者是预先人为确定,模板通常为略大于目标的矩形,也可以是不规则形状,然后设定一个相似性度量,在序列图像中搜索目标,把度量取极值时对应的区域作为对应帧中的目标区域。由于提取的目标模板是以目标整体作为对象,它包含了较完整的目标信息,因而具有较高的可信度。

由于该方法以目标的整体特征信息作为跟踪依据,所以在目标发生较小形变等情况下仍然可以准确的对目标进行跟踪;在目标未被遮挡时,跟踪的准确性和鲁棒性也较好。其缺点首先是这种方法需要对整个图像区域进行搜索,要求获取的信息较多,因此比较耗时,不能满足实际应用中视频监控实时性的要求,这种方法一般用于跟踪较小的目标或者对比度较低的目标;而且跟踪的目标变形不能太大,否则会导致跟踪精度下降甚至目标丢失;而且,当目标出现太大遮挡时,也容易造成跟踪目标的丢失。针对这些缺陷,近年来,对于基于区域跟踪方法研究最多的是如何处理包含目标的模板更新,以保证跟踪的连续性和稳定性。

2 基于活动轮廓的跟踪

基于活动轮廓跟踪的基本思想是提取物体的边界轮廓作为轮廓模板,利用封闭的曲线轮廓来表达运动目标,在后继帧的二值边缘图像中跟踪目标轮廓。由于这种方法所使用的模板是目标轮廓,并且匹配过程是在二值图像中进行,所以相对基于区域的跟踪算法来说,它的优点是计算量较小,而且在目标被部分遮挡的情况下也能连续的进行跟踪。近来发展很快的两种基于轮廓匹配的跟踪算法:一是主动轮廓线跟踪算法(Snake模型),Kass[1]等人在1987 年提出了主动轮廓模型,也称其为蛇模型,它是一条可变形曲线(Snake曲线),可任意调整曲线形状使其与目标轮廓保持一致。另一种是基于Hausdorff距离的轮廓跟踪算法。基于Hausdorff距离的形状匹配不同于其他的形状匹配,一方面,Hausdorff距离不需要建立两个点集中的点之间一一对应的关系,并且对图像噪声和晃动具有较好的鲁棒性。其缺点是当所匹配的点的数目比较大时,匹配效率会迅速降低,通常计算量也较大。

在基于活动轮廓方法中,初始化轮廓是整个算法的核心和关键,如何准确的获取运动目标的初始轮廓也是算法研究中的一个难题,而且运动物体轮廓的更新比较困难,这也决定了基于活动轮廓的方法无法在目标跟踪中得到普遍应用。

3 基于特征的跟踪算法

基于特征的跟踪方法基本思想是,在跟踪过程中首先提取目标的某个或某些具有不变性的特征,然后利用相关算法实现对运动目标的跟踪。该方法包括特征提取和特征匹配两个过程。目前常见的特征选择有角点、纹理、色彩等,但在序列图像中,单一的特征选取往往无法实现跟踪的准确性。因此,基于多特征融合的目标跟踪成为当前研究的趋势。基于特征的方法其优点是能够在部分遮挡的情况下,仍旧实现目标跟踪,在准确选取特征点的前提下,还可以克服关照改变以及目标发生几何形变时带来的跟踪障碍。同时,该方法还可以将与粒子滤波器[2]、mean-shift算法[3]等结合使用,提高跟踪的实时性和鲁棒性。

4 基于模型的跟踪

基于模型的跟踪方法首先是对目标物体的外形特征进行建模,然后通过一定的匹配方法跟踪目标,并进行模型的实时更新。常用的表征物体模型的形式一般分为三类:线图模型、2D模型和3D模型。目前应用较多的是利用物体的三维立体模型。基于模型的跟踪方法即使在目标姿态变化和部分遮挡的情况下,仍旧可以精确分析目标的运动轨迹,实现可靠的跟踪,因而它有较强的鲁棒性。但是由于在现实生活中获得所有运动目标的精确模型是非常困难的,因此限制了基于模型的跟踪算法的使用。其次,该跟踪方法需要大量的时间来计算复杂的模型,比较耗时,不能满足跟踪过程中的实时性和迅速性要求。

5 结语

视频图像跟踪作为机器视觉领域研究的一个重要内容,融合了多个学科的知识,具有很大的理论和应用价值,尽管目前对视频图像中运动目标跟踪的研究取得了较多的成果,但仍有很多亟待解决的问题,比如怎样解决算法实时性和准确度之间的矛盾,同时,算法研究的通用性也始终未能取得全面性的突破和进展,因而研究进程中将会面临许多的挑战。伴随着多媒体技术、生物学技术以及神经理论知识的不断进步,同时基于社会各行各业对于目标跟踪技术的不断增长的需求,相信不久之后,运动目标的跟踪技术将会得到飞速的发展。

参考文献

[1] KASS M,WITKIN A.Snakes:active contour models[J].International J of Computer Vision,1988,1:321～331.

[2] 刘一鸣,周尚波.基于多特征融合的粒子滤波视频跟踪算法[J].计算机工程,2010,36(11):228～230.

[3] 翟海涛,吴健,陈建明,等.基于SIFT特征度量的Mean Shift目标跟踪算法[J].计算机应用与软件,2011,28(6):47～51.