2011年--外文翻譯--基于動態(tài)系統(tǒng)和卡爾曼濾波的目標跟蹤算法（譯文）

1、<p>　　中文2615字,1885單詞，8500英文字符</p><p>　　出處：Wang H, Huo L, Zhang J. Target tracking algorithm based on dynamic template and Kalman filter[C]//Communication Software and Networks (ICCSN), 2011 IEEE 3rd Int

2、ernational Conference on. IEEE, 2011: 330-333.</p><p><b>　　畢業(yè)論文(設計)</b></p><p><b>　　外文翻譯</b></p><p>　　學生姓名 </p><p>　　學 號

3、 </p><p>　　院 系 電子與信息工程學院</p><p>　　專 業(yè) 電子信息工程</p><p>　　指導老師 </p><p>　　二Ｏ一四 年 十二 月 二十一 日</p><p>　　基于動態(tài)系統(tǒng)和卡爾曼濾波的目標跟蹤算法</p>

4、<p>　　王洪曼 霍玲玲 張靜</p><p>　　遼寧師范大學計算機與信息技術學院 大連 中國</p><p>　　awanghm@163.comhuolingling625@163.com zhangjing9986@163.com</p><p>　　摘要：目標跟蹤的目的是尋找圖像序列的幀間目標。許多被提出的跟蹤算法實現(xiàn)了克服噪聲，遮擋，雜波

5、，和前景目標或者背景環(huán)境變化的困難。對于傳統(tǒng)的基于卡爾曼濾波的跟蹤算法，由于圖像中的背景噪聲而有檢測過程的幾個候選區(qū)域，從而導致在視頻序列中的錯誤或丟失目標的跟蹤結果。我們提出了一個結合動態(tài)模板的卡爾曼濾波的目標跟蹤算法。動態(tài)模板是目標模型在下一幀的選擇標準；它可以通過計算動態(tài)模板和候選區(qū)域之間的距離來選擇最佳候選區(qū)域作為目標模型。實驗表明，該算法具有更好的跟蹤精度，并具有良好的魯棒性的背景干擾。</p><p>

6、;　　關鍵詞：目標跟蹤，卡爾曼濾波，動態(tài)模板，候選區(qū)域</p><p><b>　　I、引言</b></p><p>　　目標跟蹤技術廣泛應用于智能監(jiān)控，視頻壓縮，圖像處理等領域。跟蹤場景和光照的變化增加了目標跟蹤的復雜性。這也是一個極大的挑戰(zhàn)。一般來說，解決這個問題有[ 1 ]的兩種方法：一是基于特征的模式匹配方法，另外一個是基于參數(shù)估計的方法。</p>

7、<p>　　我們使用基于特征的模式匹配方法，采用動態(tài)模板從幾個候選區(qū)域選擇最佳區(qū)域，然后利用卡爾曼濾波預測下一幀的目標區(qū)域，然后我們根據(jù)預測結果達到新的動態(tài)模板。基于卡爾曼濾波的跟蹤算法是主要方法，卡爾曼濾波和動態(tài)模板的結合提高了跟蹤效果。</p><p>　　本文的其余部分組織如下。第II部分描述了算法。第III部分展示了實驗結果。第IV部分是得出的結論。</p><p>

8、<b>　　II、算法描述</b></p><p>　　A、顏色直方圖的特征提取</p><p>　　提取特征[ 2 ]的四種主要方法：灰色直方圖[ 3 ] [ 4 ]，顏色直方圖[ 5 ] [ 6 ]，[ 1 ]邊緣直方圖和紋理特征提取[ 5 ]。本文我們考慮了顏色直方圖作為特征提取的目標模型研究。RGB顏色空間的光照易受照明的影響。為了在一個具體應用鐘使用一個好的

9、顏色空間，在顏色空間之間需要色彩轉換。因此， RGB空間被轉換到HSV空間[ 7 ] [ 8 ] [ 9 ]，轉換公式如下[ 3 ]：</p><p>　　V= max(R,G, B) （1）</p><p>　　S =(max(R,G, B) -

10、min(R,G, B)) / max(R，G，B) （2）</p><p>　　H= （3）</p><p>　　其中R，G和B是從0到255；H是從0到360；S是從0到1，V是從0到255 。在我們的方法中，H，S和V為非等間隔量化，然后

11、三個顏色分量表示為一維特征向量 分為256個層次。在這里，f為圖像的特征向量，包含 的特征，S和V，圖像中每個像素的直方圖對應的H,S和V的三個顏色分量，因此 F的定義是這樣的：</p><p>　　F(i, j) = H (i, j) XQsXQv + S(i, j) XQv+ V (i, j) 1 i M ,1 j N （4）其中m和n是一個圖像的大小；

12、 和 分別為是S和V定量。H被量化為16進制；S和V被量化為4進制，在這里特征向量 計算為：</p><p><b>　?。?）</b></p><p><b>　?。?）</b></p><p>　　是F中每個像素的數(shù)目；H t是直方圖中各層次比例，H f是向量特征。</p><p>

13、　　B、Kalman濾波模型</p><p>　　Kalman濾波有兩個基本方程：狀態(tài)方程和測量方程[ 10 ]。</p><p><b>　　（7）</b></p><p><b>　?。?）</b></p><p>　　方程（7）是狀態(tài)方程；方程（8）是測量方程。在方程（7）和（8）中，

14、 和 代表測量噪聲和過程噪聲， 狀態(tài)向量 ， 和 代表物體運動時在X軸和Y軸的位置， 和 代表物體在X軸和Y軸移動的速度；A是狀態(tài)轉移矩陣，B=I是控制矩陣，I是單位矩陣， 是觀測矩陣， 是測量矩陣。</p><p>　　方程(7)和方程(8)構成了Kalman濾波的目標跟蹤系統(tǒng)，卡爾曼濾波方程分為兩組：時間更新和測量更新。</p

15、><p><b>　　時間更新方程</b></p><p><b>　?。?）</b></p><p><b>　　（10）</b></p><p><b>　　測量更新方程</b></p><p><b>　　(11)<

16、;/b></p><p><b>　　（12）</b></p><p><b>　?。?3）</b></p><p><b>　　C、動態(tài)模板</b></p><p>　　當我們使用背景減除法檢測的目標，會因為在跟蹤過程中圖像噪聲的影響和目標趨向出現(xiàn)的改變而出現(xiàn)錯誤的目標

17、。選擇適當?shù)哪Ｐ团c目標匹配是很有必要的。在我們的研究中我們使用動態(tài)模板來解決這個問題。我們考慮卡爾曼濾波的預測結果作為下一幀的動態(tài)模板。動態(tài)模板用于從多個候選區(qū)域模型中檢測出目標模型，選擇基于圖像相似性度量。它決定于動態(tài)模板和候選區(qū)域之間的相似度，選出來模型區(qū)域是候選區(qū)域中和動態(tài)模板具有最小距離的區(qū)域。距離是有巴氏距離[ 11 ]計算出來的，它是由手段協(xié)方差決定的，Bhattacharyya距離公式的定義為（14）：</p>

18、<p>　　d=0.125X x +0.25Xlog （14）</p><p><b>　?。?5）</b></p><p><b>　　（16）</b></p><p><b>　?。?7）</b></p><p>

19、;　　其中 是矩陣的均值， 是矩陣的協(xié)方差，這里k只需要1或2，當k等于1， 和 分別是目標模型的均值和協(xié)方差，當k等于2， 和 分別是候選區(qū)域的均值和協(xié)方差，|·|代表行列式，在這里 和 是常數(shù)。 代表（ ）的轉置，L（·）代表Cholesky分解[ 12 ]。</p><p>　　D、基于動態(tài)跟蹤算法描述模板和卡爾曼濾波</p><p>　　跟蹤算法的流程圖如圖1所

20、示。首先，初始化Kalman數(shù)學參數(shù)模型。然后根據(jù)背景減法計算目標的初始模型 [ 13 ]。我們可以提取顏色直方圖表示的背景特征，而且利用當前幀與背景幀圖像的減法檢測運動目標。然后我們可以找到最大的檢測區(qū)域作為運動目標模板，記錄目標模板的中心位置，大小和顏色直方圖信息，其中中心的位置信息作為卡爾曼濾波器的狀態(tài)向量，包括中心坐標和速度， 。</p><p>　　然后，我們用卡爾曼濾波預測目標的位置 。預測的計

21、算方程是（9），（10）和 。其次，更新目標狀態(tài)。它包括更新目標的估計狀態(tài)值 和誤差協(xié)方差矩陣 .</p><p>　　下一步，我們確定動態(tài)模板。把 作為動態(tài)模板的中心位置，動態(tài)模板大小與前一幀目標模型相同。動態(tài)模板是下一幀的目標模型的選擇標準。</p><p>　　基于背景減除法的方法，我們可以獲得運動目標的多個候選區(qū)域，并將候選區(qū)域與動態(tài)模板進行匹配。Bhattachary

22、ya距離來計算匹配過程中動態(tài)模板和候選區(qū)域的距離。尋找到最佳匹配區(qū)域過程就是找到的最小距離候選區(qū)域和動態(tài)模板。</p><p>　　在檢測過程中，如果沒有新的目標區(qū)域，在當前幀把前面的檢測作為目標位置；如果檢測到的目標區(qū)域小于某一閾值，我們考慮目標消失了。在卡爾曼預測到當前幀后，動態(tài)模板也已更新。</p><p><b>　　III、實驗結果</b></p>

23、;<p>　　在這一部分中，我們分兩個數(shù)據(jù)展示我們的研究成果：高速公路視頻和CAVIAR的視頻[ 14 ]，原圖像的大小為352×240，汽車跟蹤對象的大小是可變的。后者的圖像是384×288，而且有很多的環(huán)境噪聲在這段視頻中。</p><p>　　圖2和圖3分別展示了一些典型的跟蹤結果。我們也在在圖2和圖3的跟蹤過程中給出了幾種動態(tài)模板。跟蹤過程實驗結果表明，該方法可以在跟蹤過

24、程中恢復噪聲的干擾，從而提高跟蹤結果。</p><p><b>　　IV、結論</b></p><p>　　我們提出了一種基于動態(tài)模板和卡爾曼濾波的跟蹤算法。該算法的顏色特征與動態(tài)模板相結合來選取最合適的目標模型，然后采用卡爾曼濾波器預測目標。實驗結果表明，該算法簡單但有效，具有噪聲干擾的光照和目標的變化而影響現(xiàn)場更好的魯棒性。這種方法可用于更復雜的情況下，多目標跟蹤

25、，這是我們下一步的研究。</p><p><b>　　確認</b></p><p>　　這個項目是由中國遼寧省自然科學基金項目（no.20102123）。</p><p><b>　　參考文獻：</b></p><p>　　[1] Wei-Jin Liu and Yu-Jin Zhang, “Edg

26、e-color-histogram and Kalman filter-based real-time object tracking,” [J].TsinghuaUniv (Sci & Tech), vol.48, no. 7, 2008. (in Chinese)</p><p>　　[2] Eli Peli, “Feature Detection Algorithm Based on A Syste

27、m Model,”Proceeding of IEEE, vol.90, no.1, pp.78-93, 2002.</p><p>　　[3] Alvy Ray Smith, “Color Gamut Transform pairs,” Siggraph 78 Conference Proceedings, August 1978, 12-19</p><p>　　[4] Yi-Xin

28、Liu and Yi-Zheng Guo, “Gray-scale Histograms Feature Extraction Using Matlab,” [J]. Computer Knowledge and Technology, vol. 5, no. 32, pp. 9032-9034, November 2009.(in Chinese)</p><p>　　[5] Jun-Qiu Wang and

29、Yasushi Yagi, ”Integrating Color and Shape-Texture Features for Adaptive Real-Time Object Tracking,” IEEE Transactions on Image Processing, vol.17, no.2,pp.235-240, February 2008.</p><p>　　[6] Hui Lin, “Stud

30、y on Object Tracking Technology Based on Color-Space 2D Histogram,” [J]. Computer & Digital Engineering, vol. 37, no. 12, pp.126-129, 2009.(in Chinese)</p><p>　　[7] Chung-Wei Juan and Jwu-Sheng Hu, “A Ne

31、w Spatial-Color Mean-Shift Object Tracking Algorithm with Scale and Orientation Estimation,” IEEE International conference on Robotics and Automation Pasadena, CA, USA, May 2008</p><p>　　[8] Mei-Hong Shi, Li

32、ang Shen, Shi-Zhong long and Xi-Min HU, “The revision of conversion formula from RGB color space to HSV color space,” [J]. Basic Sciences Journal of Textile Universities, vol. 21, no. 3, pp. 351-356, September 2008.(in C

33、hinese)</p><p>　　[9] Sangoh Jeong, “Histogram-Based Color Image Retrieval, ” Psych221/EE362 Project Report, March 2001 (http://wenku.baidu.com/view/383e661da300a6c30c229f52.html)</p><p>　　[10] T

34、ai-Fan Quan, “Target Tracking: Advanced Theory and Techniques,”Beijing: National Defense Industry Press, 2009. (in Chinese)</p><p>　　[11] Bi-Chuan Shen, Qi-JIan Mao and Yi Lv, “Scene change detection in vide

35、o stream based on Bhattacharyya distance,”</p><p>　　[12] Journal of Chongqing University of Posts and Telecommunications (Natural Science Edition), vol. 21, no. 1, February 2009. (in Chinese)</p><

36、p>　　[13] Gui-Ming Wu, Yong Dou and Miao Wang, “A Find-Grained Parallel Algorithm for the Cholesky Decomposition,” [J]. Computer Engineering & Science, vol. 32, no. 9, 2010.(in Chinese)</p><p>　　[14] P

37、ing Yu and Hao Xie, “Moving Objects Detection and tracking Algorithm Based on Kalman Filter,” [J].Heilongjiang Science and Technology Information, January 2010.(in Chinese) http://groups.inf.ed.ac.uk/vi</p><p&