基于Carsim的车辆运动轨迹跟踪算法_张亚岐

基于矩特征和卡尔曼滤波的车辆跟踪算法

基于矩特征和卡尔曼滤波的车辆跟踪算法 【摘要】针对由于背景的动态变化而导致的目标车辆无法准确进行跟踪的问题，提出了一种基于卡尔曼滤波器的车辆跟踪算法。算法利用基于图像内容的动态前景分割的方法提取出目标车辆，以此建立基于HSV颜色空间的矩特征，从而得到目标的特征模板，在下一帧中利用卡尔曼滤波器对目标车辆的状态进行预测。在预测的区域内进行匹配定位，从而得到目标车辆的实际位置。实验结果表明，该算法实时性和准确性高，能够准确的完成对目标车辆的跟踪。 【关键词】目标跟踪；卡尔曼滤波；前景分割 1.引言 智能交通系统是当今研究的一个热点方向，但是由于复杂背景的动态变化以及目标车辆之间有时候会出现遮挡的情况会直接影响到目标车辆的检测、分离以及跟踪的准确性，从而影响到最后的跟踪结果。因此，如何实现从动态的背景中分割出前景目标并进行准确跟踪在智能交通系统中具有重要的意义，但同时这也是一个难点所在。 本文在参考文献[2]的基础上提出了一种利用HSV空间矩特征作为特征进行目标跟踪的方法，首先经过学习从动态的复杂背景中提取出前景目标，并将其进行分离。根据提取出来的前景目标建立HSV空间矩特征作为模板，然后引入卡尔曼滤波器预测出下一帧目标的大致区域，在预测的区域内进行匹配，从而完成对目标车辆的跟踪过程。 2.运动车辆的检测与分割 运动车辆的检测与分割是指在图像中检测出变化区域并将运动目标从背景中进行分离，检测结果的准确性对于车辆的跟踪具有重要的影响。 文献[2]提出了一种动态前景分割建模方法。其原理如下，依照贝叶斯决策规则进行前景和背景的划分，若： 则具有特征的像素点A被划分为前景。假设为像素点A的特征的量化特征，则。观察一段时间后，像素点A所得的N个模型可用表示，像素特征属于背景b的后验概率，可通过式（2）、（3）来估计。 由图1可知，该分割过程简单，而且分割效果较好。 3.目标车辆跟踪 当车辆检测并分割出来之后，车辆跟踪就是利用特征模板在相邻帧进行匹配的问题。本文提出的一种基于运动预测的车辆跟踪方法，一方面可以缩小目标搜

基于捷联惯导的运动轨迹跟踪技术研究

目录 摘要 ............................................................................................................................... I ABSTRACT ..................................................................................................................... I I 第1章绪论 .. (1) 1.1课题研究的背景与意义 (1) 1.2国内外研究现状及分析 (2) 1.2.1传统捷联式惯性导航的研究现状与分析 (2) 1.2.2运动轨迹的研究现状与分析 (4) 1.3本文主要内容和结构安排 (7) 第2章捷联式惯性导航系统 (8) 2.1引言 (8) 2.2常用关系式 (8) 2.3姿态更新的四元数算法 (12) 2.3.1四元数 (12) 2.3.2四元数微分方程 (13) 2.3.3毕卡更新算法 (14) 2.4姿态更新算法的补偿 (15) 2.4.1互补滤波算法 (15) 2.4.2卡尔曼滤波器 (17) 2.4.3梯度下降法 (19) 2.5本章小结 (20) 第3章运动轨迹跟踪算法 (21) 3.1引言 (21) 3.2预处理 (21) 3.2.1差分法截取数据 (21) 3.3.2多采样率处理 (23) 3.3速度更新 (25) 3.3.1速度更新算法 (25) 3.3.2速度误差补偿 (26) 3.4安装在鞋上的惯性导航 (28) 3.4.1零速度检测 (29) 3.4.2步态周期判别 (30) 3.4.3运动轨迹校正 (32) 3.5本章小结 (34)

近两年跟踪速度较快的算法

近两年跟踪速度较快的算法小结 近两年跟踪速度较快的算法有CN [1]，KCF [2]，STC [3]，ODFS [4]等等，均足以满足现实场景中实时跟踪的应用。 各算法执行速度： 各算法的主要思想： CN 跟踪器是CSK [5]跟踪器的改进算法。它联合颜色特征（ColorName ）和灰度特征来描述目标，在文献[1]作者通过大量的实验证明了Color Name 在视觉跟踪中的卓越性能，并且对ColorName 进行了PCA 降维，去除了ColorName 中的冗余信息，使得对目标的外观描述更加精确和鲁棒。在分类器的训练中，在CSK 算法的代价函数的基础上引入一个固定的权值β，使得分类器的训练和更新更加准确和鲁棒。CN 跟踪器对很多复杂的视频序列都有很好的跟踪结果，比如：光照变化，遮挡，非刚性形变，运动模糊，平面内旋转，出平面旋转和背景杂乱。CN 跟踪器也有不足的地方，比如：尺度变化，快速运动，出视角和低分辨率，等视频的跟踪效果不佳。 KCF 跟踪器是原CSK 跟踪器的作者对CSK 跟踪器的完善，这里简单介绍一下CSK 跟踪器的主要思想。CSK 跟踪器最大亮点就是提出了利用循环移位的方法进行稠密采样并结合FFT 快速的进行分类器的训练。稠密采样的采样方式能提取目标的所有信息，这对目标的跟踪至关重要。虽然CSK 的速度很快，但是CSK 只是简单的使用了灰度特征，对目标的外观描述能力显然不足。对此作者改进了CSK 提出了KCF ，从原来的单通道灰度特征换成了多通道Hog 特征。KCF 算法通过核函数对多通道的Hog 特征进行了融合，使得训练所得的分类器对待检测目标的解释力更强。KCF 跟踪器对光照变化，遮挡，非刚性形变，运动模糊，背景杂乱和旋转等视频均能跟踪良好，但对尺度变化，快速运动，刚性形变等视频跟踪效果不佳。 STC 跟踪器是一个简单快速而且鲁棒的算法，它利用稠密的空时场景模型来进行跟踪。在贝叶斯框架下，它利用目标和目标局部的稠密信息的空时关系来建模。置信图在被计算时考虑了上一帧目标的位置的先验信息，这有效的减轻了目标位置的模糊。STC 跟踪器使用了最简单的灰度特征，但是灰度并不能很好对外观进行描述。这里可以改进为其他比较好的特征（Colorname 或者Hog ），但是就会遇到多通道特征融合的问题。一般的Tracking-by-Detection 跟踪算法基本都不能实现尺度的变化，而STC 跟踪器就提出了一种有效的尺度变化方案，也是文章[3]中最大的亮点。这里简单介绍一下，通过连续两帧的目标最 佳位置t x *处的置信值()t m x *的比值来计算当前帧中目标的估计尺度 ()()()12' 1t t t s m x m x ** -=，为了不引入噪声和避免过度敏感的自适应引入连续n 帧的平均估 计尺度'1 1n t t i i s s n -==∑，最后通过滤波获得最终的目标估计尺度()11t t t s s s λλ+=-+。STC

非视距传播环境下的AOA定位跟踪算法

非视距传播环境下的AOA定位跟踪算法 摘要： 基于几何结构的单次反射统计信道模型，提出了一种在非视距（NLOS）传播环境下对移动台的到达角（AOA）的定位与跟踪算法。首先利用径向基函数(RBF)神经网络对NLOS 误差进行修正，再利用最小二乘（LS）算法进行移动台位置估计，然后配合相关检测距离门对移动台进行跟踪。仿真结果表明，该跟踪算法能够有效地实现移动台的静态定位与动态跟踪，且效果良好。 ?ス丶?词： 非视距；到达角；跟踪算法；神经网络；最小二乘法 ?ブ型挤掷嗪牛? TP929.53 文献标志码：A 英文标题 ?? AOA location and tracking algorithm in ??non??line??of??sight propagation environment ?び⑽淖髡呙? MAO Yong??yi 1，ZHANG Ying2 ?び⑽牡刂?(

1. Department of Postgraduate, Xi’an University of Posts and Telecommunications, Xi’an Shaanxi 710061, China??;?? 2. College of Communication and Information Engineering, Xi’an University of Posts and Telecommunications, Xi’an Shaanxi 710061, China 英文摘要 )?? Abstract: Based on Geometrically Based Single??Bounce (GBSB) statistical channel model, a Angel of Arrival (AOA)??based location and tracking algorithm in Non??Line??Of??Sight (NLOS) environment for Mobile Station (MS) was proposed in this paper. The algorithm using Radical Basis Function (RBF) neural network was able to correct the NLOS errors, and then the positions of MS could be estimated by Least??Square (LS) algorithm. Furthermore, cooperating with correlation detection gate, the MS was tracked by the algorithm. The simulation results show that the proposed algorithm can efficiently track the MS dynamically, and has good results. 英文关键词 ??Key words: Non??Line??Of??Sight (NLOS); Angel of Arrival (AOA);

扩展卡尔曼滤波雷达目标在线跟踪轨迹算法

基于扩展卡尔曼滤波的雷达目标在线跟踪轨迹的算法摘要：目标跟踪是指根据传感器（如雷达等）所获得的对目标的测量信息，连续地对目标的运动状态进行估计，进而获取目标的运动态势及意图。目标跟踪理论在军、民用领域都有重要的应用价值。在军用领域，目标跟踪是情报搜集、战场监视、火力控制、态势估计和威胁评估的基础；在民用领域，目标跟踪被广泛应用于空中交通管制，目标导航以及机器人的道路规划等行业。本文利用差分方程模型计算目标点的速度与加速度，基于卡尔曼滤波算法建立扩展型卡尔曼滤波算法的目标跟踪模型。 0 引言 目前，对机动目标的跟踪滤波与预测算法主要有线性自回归滤波、两点外推滤波、维纳滤波、加权最小二乘滤波、与滤波、简化的卡尔曼滤波和卡尔曼滤波。线性自回归滤波完全忽视了状态噪声对估值的影响；两点外推滤波利用最后一个数据点和最后两个数据点分别确定目标位置与目标速度，因此，之前所测的数据点并不能起到预测作用；维纳滤波不适合机动目标的瞬间变化过程，从而在一定程度上限制了它的应用范围；与滤波是两种简单并且易于工程实现的常增益滤波方法，最大优点在于其增益矩阵可以离线计算，而且在每次滤波循环中可节约大约70%的计算量；卡尔曼滤波与预测执行的是均方根误差最小准则，并且通过协方差矩阵可以很方便的对估计精度进行度量，目前应用较多而且误差相对较小的目标跟踪算法是卡尔曼滤波算法。但基本的卡尔曼滤波算法在跟踪机动目标时存在不足：当系

统达到稳态时，其预测协方差很小，使得滤波器的增益也趋于极小值，此时若目标发生机动，系统残差增大，预测的协方差和滤波器的增益不能随残差随时改变，系统将不能保证对突变状态的跟踪能力。 1用扩展卡尔曼滤波算法预测机动目标轨迹 首先由目标初始准确的状态对下一状态进行预测，得到下一状态的预测值，同时由计算所得的对应于初始状态的协方差得到下一状态的协方差预测值；接着由雷达观测误差、状态向量及所得协方差预测值可以得到卡尔曼增益值，进而最终得到下一状态的最优估算值，同时更新对应的协方差。至此，第一轮目标轨迹预测已完成，同理，进行下一轮的目标轨迹预测。模型的具体方程如下：本时刻系统的状态向量由上一时刻系统的最优预测状态向量求得，初始状态需要知道目标的状态向量。这里通过差分方程数学模型计算出目标在三个坐标上速度变化情况： 其中、、表示所测数据第i时刻速度沿着方向三个的速度分量值。 然后使用卡尔曼滤波预测目标的运动轨迹，假定离散时间控制系统状态方程和观测方程为： 式中是k时刻的非线性实值状态向量，是k时刻的系统量测向量，表示系统状态噪声，表示系统测量噪声，A和B为状态向量，H为非线性函数。 由公式4和公式5构成的系统状态方程和测量方程均为线性方程，其过程噪声都为高斯白噪声，可用标准卡尔曼滤波算法进行滤波。

目标定位跟踪算法及仿真程序(修改后)

目标定位跟踪算法及仿真程序 质心算法是最简单的定位算法，如图2-1所示，四个小圆为观测站，实线三角形是目标真实的位置，假设四个圆形观测站都探测到目标的存在，则根据质心定位算法，目标的位置（x,y ）可以表示为：4 4 321x x x x x +++= ， 4 4 321y y y y y +++= ，这里观测站得位置为),(i i y x ，同理，当观测站数目为N 时，这时候的质心定位算法可以表示为： ???? ? ??? ????=??????∑ ∑ ==N i i N i i y N x N y x 1 1 11 图1 质心定位 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% % 质心定位算法Matlab 程序 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% function main % 定位初始化 Length=100; % 场地空间，单位：米 Width=100; % 场地空间，单位：米 d=50; % 目标离观测站50米以内都能探测到，反之则不能 Node_number=6; % 观测站的个数 for i=1:Node_number % 观测站的位置初始化，这里位置是随机给定的 Node(i).x=Width*rand; Node(i).y=Length*rand; end % 目标的真实位置，这里也随机给定 Target.x=Width*rand; Target.y=Length*rand; % 观测站探测目标 X=[]; for i=1:Node_number

基于光流的运动目标检测跟踪快速算法

邮局订阅号：82-946120元/年技术创新 软件时空 《PLC 技术应用200例》 您的论文得到两院院士关注 基于光流的运动目标检测跟踪快速算法 The Fast Algorithm Based on Optical Flow for Tracking Moving Targets (装甲兵工程学院) 关兴来谢晓竹 GUAN Xing-lai XIE Xiao-zhu 摘要:采用光流算法对运动目标进行识别跟踪,其优点是能够适应复杂的背景条件,并且能保证目标分割的完整性,但现有的按照光流矢量对目标进行跟踪的算法有明显的局限性:运算量过大,并且不适用与运动特征复杂的目标。对现有算法进行改进,采用均值平滑算法和基于光流绝对值的区域分割算法,可以有效解决这两个问题。关键词:光流;运动目标;图像分割中图分类号:TP391.4文献标识码:A Abstract:Using optical flow algorithm for identification and tracking moving targets,the advantage is the ability to adapt to the com -plex background conditions,and can ensure the integrity of the target partition,but the existing target tracking algorithm based on op -tical flow vector has obvious limitations:excessive operation,and does not apply and movement characteristics of complex targets.Im -provements to existing algorithms,using the pyramid optical flow-based smoothing algorithm and the absolute value of the region seg -mentation algorithm can effectively solve these two problems.Key word:Optical flow;Kinetic target;Image segmentation 文章编号:1008-0570(2012)10-0421-03 图像序列中的运动目标检测跟踪是指在图像序列中将前景运动区域从背景中提取出来。图像序列中检测运动目标,主要有图像差分法(帧间差分和背景差分)、光流场的方法、统计模型的方法、运动能量的方法、小波变换的方法等。其中,光流场的方法是利用运动物体随时间变化在图像中表现为速度场的特性,根据一定的约束条件估算出运动所对应的光流,然后根据光流矢量对图像中的目标进行检测,将目标从背景中分割出来。与其它方法相比它的优点是可以避免分割目标不完整的情况,因此得到越来越广泛的应用。 但现有的基于光流算法同样存在以下缺陷: 一是求稠密光流算法过于复杂。图像金字塔法的计算过程过于复杂,求出图像的金字塔的计算量非常大,而且对金字塔的每层图像均需要重新求其光流值。因此,这种经典的求稠密光流的方法运算时间过长,实时性较差。 二是不能适用于特征复杂的运动目标。例如:一个人在走路时,其身体各个部位的光流矢量值是不同的。对此类目标,如果仅仅根据光流矢量判断分割目标,很容易出现错误分割的情况。 1基于光流的运动目标跟踪原理 基于光流的运动目标的检测跟踪流程包括求取稀疏光流,求取稠密光流和目标的分割标识等几个步骤。 目前,最常用的计算运动目标稀疏光流的算法是H-S 算法,此理论的前提是:运动目标的灰度在很短的间隔时间内保持不变;给定邻域内的速度向量场变化是缓慢的。算法具体原理如下: 首先是建立基本的光流约束方程,求稀疏光流。令 为时刻t 图像点(x,y)的灰度,u(x,y)和v(x,y)表示图像点(x,y)的水平和垂直移动速度,则可建立光流方程: (1) 其中,Jx 、Jy 和Jt 分别表示图像中像素灰度沿X,Y,T 方向的梯度。 由于给定邻域内的速度向量场变化是缓慢的,可利用这个条件来建立下面两个光流约束方程,即: (2)(3) HS 算法是将这两个方程与光流方程结合,通过解最小化问题得出下面两个迭代公式: (4)(5) 上面公式(4)(5),就是H-S 法求光流的迭代公式,一般情况下,需要迭代20次以上,才能求出精度较高的光流值。 通过H-S 算法计算的光流仅仅是稀疏光流,为了将整个目标的完整轮廓描绘出来,需要计算出目标的稠密光流。求稠密光流可采用图像金字塔法:图像金字塔是一系列以金字塔形状排列的分辨率逐步降低的图像集合。先使用金字塔上较低的分辨率图像来求其光流值,然后再逐步求较高分辨率的光流。在计算出稠密光流后,就可以将目标从背景中分割出来,实现对目标的检测和跟踪。 2对基于光流的目标跟踪算法的改 进 上面的算法存在计算复杂和无法跟踪复杂运动状态目标这两个缺陷,可通过对算法进行改进解决这两个问题。改进的思想是,不再将光流矢量做为分割目标的特征,而是将光流取绝对值,根据光流绝对值值的大小,按照基于区域分割的原理,设置相应的阈值,对运动目标进行分割,然后使用均值平滑算法,求出运 关兴来:工程师硕士研究生 421--

跟踪算法的基本流程

4．1．跟踪算法的基本流程 在本文的智能视频监控系统中，运动目标跟踪的基本流程如图4．1所示。 主要包括以下几个部分： (1)运动目标检测部分：在视频图像中定位、检测运动目标； (2)建立目标模板部分：根据检测到的目标，提取其特征建立跟踪模板； (3)目标运动预测部分：利用预测算法预测目标可能出现的位置； (4)运动目标跟踪部分：在预测范围内，利用跟踪算法搜索匹配的运动目标； 如果在预测范围内找到与目标模板匹配的目标，则更新该模板；否则建立 一个新的模板。 运动目标检测 图4．1本文的目标跟踪算法结构框图 4．2．Mean Shift算法 Mean Shifl这_个概念最早是有Fukunaga和Hostetle于1975年提出的一种无参嚣；| 一板]l_]一 ～ 一竺竺～～模一皈I| 一 王一目|! 离一 估计算法，其主要思想是沿着概率梯度上升的方向找到分布的峰值，即寻找极 值【61】；1 995年，Yizong Cheng等人定义了一簇核函数，并且设定了权重系数，这大大扩展了该算法的适用范围并使得其逐渐被不同领域所应用；自1 998年开 始，该算法被Bradski应用于人脸跟踪，其在目标跟踪领域的优势显现出来，并 不断被应用在目标跟踪的各个领域中‘621。 在Mean shift算法中非常重的一个概念就是核函数。其定义为：若函数K： 当X—R，存在剖面函数k：【0，叫一R，即式4．1： K(x)=k(㈣x 2) (4．1) 核函数必须是一个非负非增函数，并且是分段连续的，同时满足式4．2： 【k(r)dr

遮挡情况下车辆跟踪算法的研究

目录 第一章绪论 ........................................................................................................................... - 1 -1.1课题研究的背景及意义 ...................................................................................................... - 1 - 1.1.1 智能交通系统的介绍................................................................................................ - 1 - 1.1.2 智能交通系统的意义................................................................................................ - 2 -1.2运动车辆检测与跟踪的研究现状 ...................................................................................... - 3 - 1.2.1 运动车辆检测............................................................................................................ - 3 - 1.2.2 运动车辆跟踪............................................................................................................ - 4 -1.3运动车辆检测与跟踪的难点 .............................................................................................. - 6 -1.4本文研究内容及结构安排 .................................................................................................. - 7 - 1.4.1 本文的研究内容........................................................................................................ - 7 - 1.4.2 本文的结构安排........................................................................................................ - 7 -第二章图像预处理 ............................................................................................................... - 9 - 2.1颜色模型 .............................................................................................................................. - 9 - 2.1.1 RGB颜色模型............................................................................................................ - 9 - 2.1.2 HSV颜色模型.......................................................................................................... - 10 - 2.1.3 数字图像颜色模型间的转换.................................................................................. - 11 -2.2形态学运算基础 ................................................................................................................ - 13 - 2.2.1 腐蚀.......................................................................................................................... - 13 - 2.2.2 膨胀.......................................................................................................................... - 14 - 2.2.3 开闭运算.................................................................................................................. - 15 -2.3本章小结 ............................................................................................................................ - 16 -第三章运动车辆检测方法的研究 ..................................................................................... - 17 - 3.1常用的运动车辆检测方法 ................................................................................................ - 18 - 3.1.1 背景差分法.............................................................................................................. - 18 - 3.1.2帧间差分法 .............................................................................................................. - 21 - 3.1.3光流法 ...................................................................................................................... - 22 - 3.1.4三种常用运动车辆检测方法的比较 ...................................................................... - 23 -3.2本文的运动目标检测方法 ................................................................................................ - 25 - 3.2.1双向隔帧差分相乘法 .............................................................................................. - 26 - 3.2.2双向隔帧差分相乘法与平均背景差分法的算法结合 .......................................... - 27 -3.3车辆提取 ............................................................................................................................ - 28 - V

自动泊车系统路径规划与跟踪算法研究

自动泊车系统路径规划与跟踪算法研究自动泊车系统作为车辆智能化时代代表系统之一,成为各大汽车公司展示自身在车辆智能化方面实力的主要途径;在泊车位日益稀缺、泊车空间日益缩小的今天,自动泊车系统逐渐成为车辆的“标配件”,成为消费者购车的主要参考项之一。本文主要针对自动泊车系统的核心问题——系统控制算法进行深入探究,分泊车路径规划与路径跟踪两方面进行讨论分析。 在路径规划方面,基于车辆低速运动特征提出了一种特殊的轨迹线——双匀速轨迹;基于泊车工况中驾驶员的操纵行为进一步提出了主要应用于泊车路径规划的轨迹线——车辆DCD轨迹(双匀速-圆弧-双匀速轨迹);对DCD轨迹相关参数进行补充和说明,总结了利用DCD轨迹规划平行泊车和垂直泊车路径的方法,利用逆向路径规划的方法分析了在一次性泊车情况下的最小可行泊车空间和泊车可行域问题。在路径跟踪方面,本文首先研究了双速变化对于双匀速轨迹的影响规律,发现了在车辆双速同时成比例变化时,所形成的双匀速轨迹具有固定的形态;将双匀速轨迹特性进一步延伸至DCD轨迹中,得到了DCD轨迹所具有的特殊性质;利用DCD轨迹的特殊性质,设计了一种基于实时车速和车辆所处阶段的方向盘转角控制算法,该算法利用DCD轨迹的特性找到了车速与方向盘转速间的变化关系,大幅降低车速波动对于路径跟踪精度的影响;由于基于DCD轨迹特性的泊车控制算法为开环算法,无法处理随机干扰对于路径跟踪效果的影响,为了提高算法的稳定性,本文基于非时间参考的路径跟踪控制理论推导出车辆跟随直线目标轨迹的方向盘转角控制率,在原开环算法中加入中部利用闭环算法调整车辆位姿的环节,利用Carsim中的车辆模型验证了经过改进的“半闭环”算法在理论上的可行性。

基于光流的运动目标检测跟踪快速算法

基于光流的运动目标检测跟踪快速算法 关兴来;谢晓竹 【期刊名称】《微计算机信息》 【年(卷),期】2012(000)010 【摘要】Using optical flow algorithm for identification and tracking moving targets, the advantage is the ability to adapt to the com- plex background conditions, and can ensure the integrity of the target partition, but the existing target tracking algorithm based on op- tical flow vector has obvious limitations: excessive operation, and does not apply and movement characteristics of complex targets. Im- provements to existing algorithms, using the pyramid optical flow-based smoothing algorithm and the absolute value of the region seg- mentation algorithm can effectively solve these two problems.%采用光流算法对运动目标进行识别跟踪，其优点是能够适应复杂的背景条件，并且能保证目标分割的完整性，但现有的。按照光流矢量对目标进行跟踪的算法有明显的局限性：运算量过大，并且不适用与运动特征复杂的目标。对现有算法进行改进．采用均值平滑算法和基于光流绝对值的区域分割算法，可以有效解决这两个问题。 【总页数】3页(421-423) 【关键词】光流;运动目标;图像分割 【作者】关兴来;谢晓竹 【作者单位】装甲兵工程学院;装甲兵工程学院

基于MATLAB的运动物体轨迹跟踪

基于MATLAB的运动物体轨迹跟踪 视频运动目标检测与跟踪算法是计算机视觉领域的一个核心课题，也是智能视频监控系统的关键底层技术。它融合了图像处理、人工智能等领域的研究成果，已经广泛应用于安保监控、智能武器、视频会议、视频检索等各个领域。因此，检测与跟踪算法研究具有极其重要的理论意义和实用价值。 运动目标检测与跟踪涉及到计算机图像处理、视频图像处理、模式识别、以及人工智能等诸多领域，广泛地应用于军事、工业、生活等各个方面。研究内容分为三个方面：图像的预处理、运动目标的检测和运动目标的跟踪。在图像的预处理方面，采用均值滤波，抑制噪声；并应用形态学的方法进行滤波和去除小黑点，改善图像质量。 在运动目标的检测方面在运动目标检测方面，本文对常用的三种方法进行了分析，包括帧间差分法和背景差分法，并指出其优缺点及主要的适用范围;重点研究了帧间差分法，帧间差分法比较简单，对环境的适应能力强，但是检测到的运动目标不精确。 在运动目标的跟踪方面，也做了初步的研究。采用最小外界矩形框来定位目标，借助最近领域法预测目标位置，缩小目标的搜索范围，提高目标的跟踪速度。

第一章绪论 (3) 1．1课题的研究背景及意义 (3) 1．2国内外的研究现状，发展动态 (5) 1．2．1国外研究现状 (5) 1．2．2国内研究现状 (7) 1．2．3难点与发展趋势 (8) 1.3本论文的研究内容和论文结构 (9) 第二章视频运动目标检测算法分析 (11) 2.1 帧间差分法 (11) 2.2边缘检测 (13) 2.3背景差分检测 (16) 2.4 光流法 (17) 第三章图像的预处理 (18) 3.1 图像灰度化 (18) 3.1.1分量法 (18) 3.1.2最大值法 (18) 3.1.3平均值法 (18) 3.1.4加权平均法 (19) 3.2 图像的二值化 (19) 3.3图像滤波处理 (20) 3.4 形态学图像处理 (21)

定位追踪方法与制作流程

本技术公开了一种定位追踪方法，信息终端通过定位系统，获得信息终端自身的位置信息，并且信息终端按照设定周期主动的将此位置信息和安全信息发送到中心系统，而一个或者多个监视设备通过此中心系统，获得所述信息终端当前的或者历史的位置信息和安全信息，且监视设备会将这些位置信息显示在监视设备的地图图形界面上；其中，以上所述的定位系统接收定位卫星的无线电信号，同时与互联网络上定位服务器进行交互得到信息终端自身的位置信息。本技术实现了对被监测设备的监控，且有效保证定位精度，数据的实时性和对信息终端的历史记录查询。 权利要求书 1.一种定位追踪方法，其特征在于，信息终端(1)通过定位系统，获 得信息终端自身的位置信息，并且信息终端(1)按照设定周期主动的将此位 置信息和安全信息发送到中心系统(3)，而一个或者多个监视设备(4)通过 此中心系统(3)，获得所述信息终端(1)当前的或者历史的位置信息和安全 信息，且监视设备(4)会将这些位置信息显示在监视设备(4)的地图图形 界面上；

其中，以上所述的定位系统接收定位卫星的无线电信号，同时与互联网 络上定位服务器(14)进行交互得到信息终端(1)自身的位置信息。 2.根据权利要求1所述的定位追踪方法，其特征在于，所述的信息终端(1)，通过其上的卫星定位模块(11)接收定位卫星的信号，并根据接收到 的信号得到信息终端(1)的卫星定位数据，控制模块(13)通过无线模块(12) 将卫星定位数据发送给定位服务器(14)，定位服务器(14)上的辅助定位算 法使用卫星定位数据，根据当前星历帮助卫星定位输出信息终端的位置信息，同时定位系统用此位置信息校准基站定位方法输出的信息终端位置信息，将校准的结果纪录在定位服务器(14)中的位置数据库中，并将校准的结果作 为定位系统的输出；当卫星定位模块(11)捕获不到卫星时，卫星定位输出 的位置信息保持不变，定位系统根据当前基站输出的位置信息和卫星定位输出的位置信息查询定位服务器(14)，将定位服务器(14)的输出位置信息作 为定位系统的输出。 3.根据权利要求2所述的定位追踪方法，其特征在于， 所述的信息终端(1)中的无线模块(12)，通过基站(2)和网络与定位 服务器(14)和中心系统(3)建立链接，信息终端(1)通过其上的卫星定 位模块(11)及定位服务器(14)得到其自身的位置信息，信息终端(1)中 的控制模块(13)按照设定周期周期性的将信息终端的位置信息和信息终端 的标识信息通过无线模块(12)及基站(2)发送到中心系统(3)，且在无线 链路无法建立的情况下，存储信息终端(1)的当前位置信息； 所述的中心系统(3)将被监控接口接收到的信息终端的当前位置信息及 信息终端的标识信息存入其内部的数据库模块，并从数据库模块中根据信息