目标检测与跟踪技术研究现状

菜单

目标检测技术目标检测技术的研究目的是确定如何完成对研究对象(完成处理后的图像序列)中感兴趣的目标区域进行“准确定位”。近几十年来，人们对图像序列中的运动目标检测技术做了大量且深入的研究，涌现出大量的运动目标检测方法。目前已经有比较成熟的检测方法有：帧差法[3][4][5]、光流法[6][7]、背景减法[8][9]，这三种检测方法及在这三种方法基础之上发展出的新检测方法在实际应用中都取得了较好的效果。例如，利用三帧差分代替两帧差分，如 VSAM[10]开发了一种自适应背景减除与三帧差分相结合的混合算法，它能够快速有效地从背景中检测出运动目标。

虽然运动目标检测方法多种多样，但到目前为止，还没有一个通用的算法，这是因为运动目标检测算法大多都是针对具体情况的。应用场合和场景客观条件的不同，必然导致运动目标检测方法的不同。但是，不管是什么检测方法，检测的稳健性、准确性和实时性始终是运动目标检测技术研究和应用的最终目标。59675

运动目标跟踪技术

运动目标跟踪一般是基于对图像序列的处理，力求从复杂的背景中识别目标，并对目标的运动规律加以预测，以实现对目标的连续、准确的跟踪。运动目标跟踪算法主要解决图像序列中某一目标的连续识别和跟踪问题，算法主要建立在运动目标的检测技术基础之上，涉及被跟踪目标的特征分析、运动轨迹估计及保证跟踪稳定性的稳定跟踪策略等内容。目前的运动目标跟踪算法主要有基于运动目标特征的方法和基于光流的方法等[11][12]，国内外学者对各种情况下的目标跟踪算法展开了大量的研究[13]。目前比较常用的跟踪算法有如下几种：基于目标运动特征的跟踪算法，如图像差分跟踪算法[14]；基于目标光流特征的跟踪算法[15]；基于运动目标跟踪序列前后相关性特征的目标跟踪算法，如卡尔曼滤波算法、模板相关算法、基于特征点的相关算法等；以及一些基于目标特征参数的跟踪算法，如基于目标轮廓的跟踪算法、基于目标特征角点的跟踪算法等论文网。另外还有很多学者将小波技术[16]、模式识别、数学形态学[17,18]、人工智能技术、神经网络技术等应用于目标跟踪系统，取得了很好的应用效果。这些算法各有其优缺点，分别适用于不同的场合。

根据以上和大量未提及的研究成果，综合来看目标跟踪技术的特点和难点是：运动模型和搜索算法影响跟踪的准确性和快速性，目标模型表示是影响跟踪稳定性的关键，目前大量的算法研究集中在这几个方面；在地面复杂背景下，受背景干扰、环境条件变化、目标运动过程中自身特性的变化以及遮挡等都会增加跟踪的难度，导致跟踪失败；目前大量的理论算法研究计算复杂度高，难以在实际的嵌入式系统中应用，如何设计简单有效的算法，实现基于DSP的实际应用，有待研究。