滤波算法在图像跟踪中的应用综述

戴广军　张乐　李亚霖　余雷

摘要：本文分析和描述了当前常用的运动目标跟踪的有关算法，通过分类介绍的形式，从跟踪方法的算法性能，实现难度和应用场景等方面进行讨论，分别阐述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提出了展望。

关键词：图像跟踪；机器视觉；目标跟踪算法

中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2016）23-0151-02

视频对象中的运动目标跟踪作为现在图像处理和机器视觉领域中的研究热点，在人工智能，军事侦察，人机互动，安全监控等众多领域中具有广泛的研究前景。但由于目标运动的不确定特性，目标与场景之间的遮挡，摄像机的运动等因素，使得图像跟踪的精准度存在较大误差[1][2]。本文通过分析大量文献，综述了不同的图像跟踪算法，并且分析了其中的问题和不足，并指出了之后的应用研究方向。

1 目标检测跟踪算法

在目标跟踪的过程中，图像序列的背景一般分为两种情况，一种是背景变化，一种是背景静止。前者来说运动的背景是一直在变化的，即摄像机处于不停的运动中。后者来说，摄像机处于静止状态，只有跟踪的目标在运动。这种情况下，可以采用帧间差分法去除背景噪声的干扰，从而获取运动目标的相对位置[3]。

帧间差分法是通过对图像序列中相邻的图像做差分运算来提取出运动区域的。通常提取现时段的运动状态数据，同前两个时刻的数据的均值做差分运算，差值若大于预设的阈值，则保留数据，反之去除。将保留下的数据组成集合G，该集合就是要提取的运动区域[4]。

该方法简单有效，同时因为是对图像序列做差分运算，故对光线变化不敏感。其缺点是只能检测背景图像中的运动目标，当目标处于静止状态或者运动较慢时，跟踪常常会失效。另外，帧间差分法适应于背景静止的场景，因此如果摄像机在移动，该方法同样会失效。

2 图像相关匹配跟踪算法

图像的相关；匹配跟踪算法是将实时检测到的图像与模板图像相匹配，按照指定的相似度的度量方法，在实时图像中确定运动目标的位置。针对于不同的度量函数，会形成不同的度量方法。同时，不同的搜索路径也会对搜索的精度和算法的运算时间造成影响。

在相关匹配跟踪算法中，通常是采用某一区域图像的灰度特征作为目标的特征选择，因此，当跟踪目标受到遮挡或者背景光线变化时，对该算法会造成很大的影响。相关匹配跟踪算法的另一个缺点是迭代搜索时间过长。因为在匹配目标跟踪时，为了保证跟算法的精度，通常会将目标模板与很多的待匹配点进行匹配，因此搜索时间会很长。当目标模板与待匹配区域进行逐点匹配运算时，可以保证得到全局最优的待匹配点。但以目前的运算速度，在大视场范围内，还无法满足系统的实时性要求[5][6]。

3 粒子滤波跟踪算法

粒子滤波是求解序列贝叶斯估计的一种非线性滤波算法。这里的“粒子”指的是一种尺度很小的滤波器。粒子滤波实质是目标状态的后验概率可以利若干个粒子滤波器来近似，通过非参数化的蒙特卡罗模拟来实现递推贝叶斯滤波，因此粒子滤波适用于任意非线性，非高斯系统估计问题[7][8]。

粒子滤波跟踪算法属于一种非线性滤波算法，从理论上说可以达到全局最优。但通过对粒子滤波算法的跟踪模型以及算法步骤的研究，发现算法的实时性问题、状态初始概率选取问题，使粒子滤波距离工程应用尚有一定的差距，还不能完全应用在实时系统中。同时，粒子滤波里的粒子还会存在退化问题，当迭代次数增加，一些粒子滤波的权值会不断减小痴线退化现象。

4 Mean shift（均值漂移）算法

Mean shift算法是一种非参数密度估计过程，最早是由Fukunaga等人提出的一种基于特征空间密度梯度方向进行迭代搜索，从而获得局部密度极大值的样本数据[9]。Mean shift算法的核心是基于核密度估计的无参数估计方法，它将每个点移动到密度函数的局部极大值点处，即密度梯度为0的点，也叫模式点。该跟踪算法以人体区域像素灰度值的概率分布为特征，进行跟踪。对边缘遮挡，目标旋转，变形和背影运动不敏感，因此有很好的鲁棒性，适用于目标的追踪。

相较于其他滤波，它的优点是不需要提前了解特征空间的特点，只需要根据提供的样本点就可以进行估计滤波。同时该算法计算量小，易于实现，因此算法计算时间短，很适合实时性要求很高的场合。但是该算法对于小目标和快速移动的目标往往会失效[10]。

5 总结

本文综述了几种图像跟踪的算法，结论如下：

1） 目标检测跟踪算法简单且有效。同时该算法对光线的变化不敏感，能够有效适应光线变化明显的环境。缺点是只能检测到运动目标，对静止或者移速慢的目标往往无效。另外，目标检测跟踪算法是基于背景的一种算法，因此当背景大范围改动的时候，该方法也会失效。

2） 图像相关匹配跟踪算法是采用某一区域图像的灰度特征作为目标的特征选择，进行图像跟踪的。因此相较于目标检测算法来说，无论目标是否运动，都能检测。但是该算法对光线变化敏感，且算法实时性不高，搜索时间较长。

3） 粒子滤波跟踪算法是一种非线性滤波方法，因此相对于基于图像匹配和目标检测的算法，不需要考虑物体的运动状态和光线变化。但是粒子滤波算法难度较大，导致其实时性不高，不能用于实时的检测系统。

4） 均值漂移算法作为聚类滤波的一种，以人体区域像素灰度值的概率分布为特征进行无参数估计。相对于基于图像检测的目标跟踪方法，该算法对边缘遮挡，目标旋转，变形和背影运动不敏感。但是在跟踪小目标和快速运动的目标时，往往会失效。

综上所述所得，每种算法都有各自的优缺点，比如迭代速度，物体运动状态的选择，背景变化的适应度等等。因此我们在选取滤波方法的时候，一定要充分考虑跟踪目标和背景环境的问题，结合实际情况，选取最优方法。

同时，目标跟踪算法还有很多亟待解决的问题，比如如何协调算法的实时性与准确度之间的矛盾，如何强化算法的通用性等等。相信在之后的研究过程中，这些问题都能够被很好解决，运动目标的跟踪技术也会得到飞速的发展。

参考文献：

[1] 王熙赢，陈熙源.强跟踪滤波器在高动态GPS信号跟踪中的应用[J].东南大学学报：自然科学版，2014，44（5）：946-951.

[2] Xu P， Hu Z L， Jiang N， et al. Transient reflectance spectra of adaptive filters based on dynamic population gratings[J]. Optics Letters， 2012， 37（11）： 1992-1994.

[3] 黄大羽. 复杂环境下弱目标检测与跟踪算法研究[D].华东理工大学，2012.

[4] 钟必能. 复杂动态场景中运动目标检测与跟踪算法研究[D].哈尔滨工业大学，2010.

[5] 谷会涛. 视频和图像处理中像素匹配运算的加速技术研究[D].国防科学技术大学，2011.

[6] 薛利军，李自田，李英才. 一种基于图像分层的快速相关匹配算法[J]. 计算机工程与科学，2006（7）：65-66.

[7] 张波. 基于粒子滤波的图像跟踪算法研究[D].上海交通大学，2007.

[8] Ning X， Wang H， Zhang Q， Chen L. Interval diffracted particle filter.ACTA PHYSICA SINICA，2010（59）：4426-4433.

[9] Fukunaga， K.， & Hostetler， L. （1975）. The estimation of the gradient of a density function， with applications in pattern recognition. IEEE Transactions on Information Theory， 21（1）， 32-40.

[10] 周芳芳，樊晓平，叶榛. 均值漂移算法的研究与应用[J]. 控制与决策，2007（8）：841-847.