如绪论中所介绍，基于区域匹配的跟踪方法14 6J的基本思想是将检测阶段经
过目标分割后获得的含有运动目标的区域提取出来，并作为跟踪匹配的模板，
同时定义目标的匹配度量方法。在后续序列的待搜索图像帧中，通过匹配度量
全图搜索与模板达到最佳匹配的区域，到的使得匹配度量值最小的位置即可
确定为目标在当前帧的位置，从而达到运动目标跟踪的目的。
可以看出，基于区域匹配的跟踪算法的关键在于搜索方法以及匹配度量方
法的定义，选取合适的搜索算法和匹配距离的度量方法成为这类算法中不断改
进的突破点。目前常用的搜索算法一般被归为全局搜索和局部搜索这两大类。
全局搜索主要是针对整幅图像进行全图搜索，这种搜索算法可以保证搜索的准
确性，匹配的准确率高。但其对于大幅图像来讲，搜索全图十分耗时，难以应
用到实际的跟踪系统中；局部搜索相比于全局搜索的逐点扫描，需要预先检测
当前帧中的运动目标，然后只针对运动目标所存在的区域进行匹配，从而实现
了运动目标的跟踪。局部搜索省去了全图搜索所耗费的大部分时间，因此实时
性很好，但其对于目标检测的精确度要求较高。局部搜索还有一个难点问题在
于，其抗遮挡性能低，如果运动目标在检测过程中互相遮挡或是被背景等遮挡，
则易导致跟踪精度大大降低，严重时甚至会出现目标丢失的情况。因此采用局
部搜索方法时一般还需研究专门的遮挡消除算法。
该方法的另一个关键点在于如何定义匹配度量方法。目前常用的匹配度量
方法有亮度匹配法、形态距离匹配法以及外部轮廓匹配法等等。亮度匹配主要
是利用与颜相关的特征如灰度、颜值等，进行匹配度量；外部轮廓匹配主
要是以目标的纹理、大致形状等为基准进行匹配度量。
基于区域匹配的跟踪方法由于提取了比较完整的目标模板，获得了更多的
目标信息，因此其相比于其他跟踪算法，其更多的被用来对较小的或对比度较
低的运动目标进行跟踪，尤其在军事领域有比较广泛的应用。但其缺点也不容
忽视：全局搜索的运算量大，局部搜索的遮挡问题等等，因此人们将运动预测
方法结合到基于区域匹配的方法中，如Kalman预测，通过预测运动动目标在下
一帧中可能出现的运动范围，进行局部搜索，从而提高了搜索的效率；而对于
遮挡和阴影问题，则提出了利用彩以及纹理等来解决。比较突出的一种方法
是McKenna等人提出的利用图像中的颜值以及梯度建立的背景模板，通过该
方法获得的运动目标中，阴影问题得到了很好的抑制[68j。
2．6．2基于模型的跟踪方法
该方法主要应用于非刚体的目标跟踪，最常应用的是对于人体的跟踪。该
方法的核心思想是，将人体的运动用线图模型(Stick Figures Model)、二维轮
廓模型(2D Contours Model)以及三维立体模型(3D Volumetric Model)这三
19
种模型来描述，通过研究不同的模型的变化来进行人体的跟踪。
(1)线图模型
该模型的理论前提将人的运动看成是其骨骼的运动，以骨骼运动代替人体
运动。线图模型就是用直线来模拟人的肢体，通过模型的变化来表征人体的运
动。1 976年，Gilbert WJ就提出了一种“星状骨骼"的模型来表示人体的运动，
该方法主要是通过检测图像中运动目标的外边缘点(头、四肢)，通过连接这些
边缘点产生一个星形的骨架【4 71，并以此来作为运动跟踪的匹配模型，从而实现
对运动人体的跟踪。
(2)2D轮廓模型
该模型主要是通过几何学关系建立摄像机与场景的关系，将三维人体投影
到二维平面图像中。比较经典的算法有：Adelson和Noyogi等人于1 994年提出的
利用时空分片的方法，其通过观测人体足部运动轨迹的时空模型在时间域和空
间域定位人体头部位置，再识别人体其他部位的运动轨迹，并利用这些轨迹来
描述目标的轮廓，从而实现人体的跟踪【48】；Ju S和Black等人于l 996年提出的卡
片模型方法(Cardboard Person Model)，该方法主要是利用一组互相耦合的平
面区域块来表征人体，并以该模型来进行目标跟踪M引。
(3)3D立体模型
三维立体模型是指，将人体用球体、椭圆柱、锥台等三维模型来表述。相lm5117
比于线图模型和2D轮廓模型，该模型更接近于人体的形态，但由于其采用的几
何结构复杂，所以需要计算的参数以及匹配的过程也更为复杂。最早提出该模
型的是铜管焊接Gennery，其于1982年就提出了基于3D模型的跟踪方法【6引。此外，还有
一些比较经典的方法，如Shi—高压直流稳压电源Yao Linen 智能巡检终端Yun．Chien Lai等人提出的使用椭圆锥台
来构建人体的模型，通过在连续帧间对该模型的投影进行匹配，从而获得目标
的位置以及其运动轨迹，达到目标跟踪的目的¨UJ；欧盟研制的著名的VIEWS
系统具有很好的准确度，这是典型的基于3D模型的跟踪算法的系统。
基于目标模型匹配的跟踪方法是最接近人体运动的跟踪方法，其难点在于
获取目标的几何模型，在实际的监控场景中，这比较难以实现，并且随着模型
的精确度的增加，计算量也不断增加，因而限制了其在现实监控系统中的应用，
多被用于理论研究。
2．6．3基于动态轮廓的跟踪方法
基于动态轮廓模型是一种用一组封闭曲线来描述运动目标的方法，其与基
于模型的跟踪方法中的2D轮廓模型方法名称类似，但本质却是不同的。该方法
是通过大致勾勒出目标的轮廓，用该封闭的轮廓曲线作为匹配的模板，对后续
帧图像进行边缘提取，在此二值化图像中搜索最匹配的轮廓曲线，从而达到跟
踪的目的。由于表述目标的封闭曲线是不断变化的，因此该方法也被称为主动
轮廓匹配的目标跟踪方法。
与基于区域匹配的跟踪方法相似，其进行目标跟踪也是通过模板匹配进行
的，同时也需要不断更新目标模板。不同的是该方法是在二值化后额图像中进
行轮廓模板匹配的，因此计算量得到了很大的减少，匹配速度有了很大的提高。
基于主动轮廓匹配的跟踪方法目前已经有很多研究成果。比如Blake牙1]Isard
等人提出的利用随机微分方程对复杂运动建立模型，再结合可变形模板进行运
动目标的跟踪；Niu Li．pi和Mao shi．yi【5lJ等提出的基于huasdorf腽巨离的轮廓匹配
算法，通过计算不同目标的huasdorffi眶离来实现目标的匹配与跟踪。
最经典的基于动态轮廓的目标跟踪方法是主动轮廓线跟踪算法，即Snake
模型。早在1988年，Michael Kass禾llA Witkin等人就提出了主动轮廓模型(Active
contour models，ACM)的方法，该方法也被称为Snake模型。它是一种可以自
主变形的主动轮廓，其在图像强度的势能下可以不断变形、运动，多被用于边
界跟踪。这种势能主要受图像内在的变形约束的影响，能够使Snake曲线的初始
轮廓不断沿着Snake能量降低的方式进行收敛。当该曲线收敛至能量函数(也称
m6co
样条函数，Spline Function)的最小值时，获得的Snake曲线轮廓即为运动目标
的实际轮廓，此时认为已成功跟踪运动目标。该模型的优点在于能处理拓扑结
构复杂的情况，并且可以很容易的合并时变图像衍生的动力学。需要注意的是
Snake模型是被参数化且其解空间受限于预定义的初始形状，其对初值位置过于
敏感，因此需要准确的初始化，才能保证跟踪的质量。
相比于基于区域匹配的跟踪方法，基于轮廓的跟踪方法的优点在于其良好
的匹配效果不是以牺牲计算量为代价的，即其可以用较小的计算量达到较好的
匹配效果。而且如果在匹配初期为每个目标建立良好的轮廓初始化，那么就可
以解决部分遮挡的问题。
2．6．4基于特征的跟踪方法
该方法的基本思路是：以某些特定的特征来表示运动目标，而并非将其看
成一个整体。可以作为运动目标的特征有许多，不论是刚体运动目标还是非刚
体目标，在相邻的两帧图像中，由于采样时间间隔很小(一般采样频率为25～30
帧／秒)，所以可以认为目标的特征是恒定不变的。因此可以用曲线、参照点、
直线等来表示运动目标，继而进行目标跟踪，最常用的特征[521有：
(1)几何参数特征：周长、面积、占空比、紧密度、实心度、偏心率等；
(2)统计特征：均值、方差、直方图特征、能量、熵等；
(3)变换域特征：矩、Fourier描绘子、小波描绘子【5引、形态描绘子等。
基于特征匹配的跟踪方法主要包括目标特征提取和目标特征匹配两部分。
该方法的优点在于由于选取的是目标的某一部分或某些特征作为跟踪模板，所
以即使目标发生部分遮挡的情况，仍然可以保持对其的跟踪；选取好的特征点
能够在目标发生形变以及背景光照发生变化时，仍保持较好的匹配精确度，也
即其对形变和光照变化不敏感。Niyogi．S和Adelson E等人针对目标的结构特征
建立模型，为其建立能量函数，使其达到最小值时的目标位置即是最佳匹配位
置【4 81。
但是该方法也有其缺点：物体的运动并非都是简单运动，其往往含有复杂
运动(如旋转等战术防身笔)。当物体做复杂运动时其特征的提取将比较困难，因此后续的
匹配和跟踪的准确性也难以保证。可见，基于特征匹配的跟踪方法的难点在于
目标特征的选取，这也是该方法的关键点。选取的特征要保证其对目标的形状、
位置、方向、光照变化等不敏感，并且特征的提取不能太复杂，否则会使跟踪
方法的计算繁复，从而增加跟踪时间，降低跟踪的实时性。此类算法的难点就
在于如何平衡目标的特征与运算速度之间的矛盾，这是目前的主要研究方__
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议