1、宁波大学信息学院本科毕业设计（论文）I编号： 本科毕业设计（论文）题目：（中文）基于低通滤波的高机动性视频目标跟踪（英文）Enhanced Lowpass Filter Based Vide Predictive Tracking for Target withHigh Mobility摘 要【摘要】在预测目标移动状态过程中，应用滤波法是常用的技术手段。在众多预测技术当中，人们常常使用卡尔曼滤波器来跟踪目标在运动情况下的轨迹。然而，卡尔曼滤 波 仍存在一些缺点：用来预测轨迹时尚缺乏精确度，为了解决这个问题，文中推荐另一种传统滤 波低通滤波。在文中使用 过程中 还要考虑目标所在的运动状态。基于这
2、种情况，则需要在级数中加入线性项和惯性项算法，这两种算法分别代表高机性和非高机性两种状况。为了证明低通滤波的实用性，在预测中融入卡 尔曼滤波共同 对目标检测跟踪， 实验表明在预测轨 迹跟踪质量中，所建议的低通滤波对预测轨迹具有很好的效果比卡尔曼滤波更加有预测能力，从而证明了它的可行性。【关键词】低通滤波；跟踪质量；卡尔曼滤波；高机动性；预测轨迹宁波大学信息学院本科毕业设计（论文）IIIEnhanced Lowpass Filter Based Video Predictive Tracking for Target with High Mobility Abstract【ABSTRACT】In
3、 the process of predicting the state of the target mobile, application method of filtering is commonly used techniques. Among the many forecasting techniques, people often use the Kalman filter to track the trajectory of the target in the movement. However, Kalman filtering still have some disadvant
4、ages: lack of precision for predicting the trajectory when the target is moving, in order to solve this problem, another conventional paper filter is recommended - low-pass filtering. In the process of using the targets in this paper which should also be considered when the target is in the state of
5、 motion. Based on this situation, you need to add linear and inertia algorithms in series, these two algorithms represent a high mobility and non-mobility. To prove the utility of the low-pass filtering, Kalman filter has been added into the join of the forecast for target detection and tracking, tr
6、ajectory tracking experiments is showing that the quality of the prediction, the proposed low-pass filter to predict the trajectory has a better effect than Kalman filtering predictive ability, thus the proving is feasibility. 【KEYWORDS】 Lowpass filter; Tracking quality; Kalman filter; High mobility
7、；Predicted trajectory目 录摘 要 .IIEnhanced Lowpass Filter Based Video Predictive Tracking for Target with High Mobility.IIIAbstract .III目 录 .IV1 绪论 .11.1 课题的背景 .11.2 课题研究的意义和目的 .11.3 Matlab 简介 .21.4 论文的研究内容 .32 高机动性目标识别与跟踪 .42.1 低通滤波原理 .42.2 低通滤波的算法 .42.3 图像的处理 .62.4 图像分析 .62.5 低通滤波的预测跟踪 .73 卡尔曼滤波预测跟踪
8、.113.1 卡尔曼滤波的介绍 .113.2 卡尔曼滤波预测原 .113.3 低通滤波与卡尔曼滤波比较 .154 结论 .184.1 实验的流程图 .184.2 程序运行结果 .194.3 最终分析及结论 .20总结与展望 .21参考文献 .22致谢 .23附录 .24宁波大学信息学院本科毕业设计（论文）11 绪论1.1 课题的背景在十几年来,科学技术快速发展中，计算机对数据分析和存储数据的功能得到很大提升，分析运算成本大幅降低，给视频对象的跟踪技术创造了良好条件。因此，一些研究者开始专注于相关视频跟踪方面的研究 1。人们日益认识到视频跟踪技术已成为科学技术研究和实际应用中不可缺少的技术之一。
9、在计算机视觉研究中引起众多研究者的极大兴趣技术之一的就是视频跟踪技术，由于人们对跟踪技术不倦的探索，其主要原因在于两个方面：在一方面计算和存储成本显著下降，视频速率或使所述的视频图像序列采集和存储速率成为可能；在另一方面，视频跟踪技术具有非常广阔的市场前景，这也是研究者对其探索的主要动力 2。除了在智能视频监视系统，视频跟踪技术还有非常重要的应用，即人与计算机的互相交流 3物体运动地分析，对运动目标地识别，对不同移动目标地分类，机器人视觉导航，图像压缩流量检测和虚拟现实，并且视频跟踪技术在其他方面也有重要的应用；总之，研究目标运动情况并对其预测跟踪的技术对现实应用发挥了巨大作用 4文中所用到的
10、滤波器是众多可以处理信号装置中之一，滤波器应用范围十分广泛，其主要作用在于现代化电子设备以及不同控制系统，滤波器的质量优劣影响着产品的品质 5。自从 1960 年以来，随着技术地发展，设备不断地更新换代，集成技术大面积的推广，滤波器的品质有了很大的提升。如今的滤波器向功率损耗少处理数据稳定对计算机内存空间占用率小，产品价格更加低廉等方向发展。到了若干年后，滤波器的性能已经大大地优化，不同应用型的滤波器被广泛地开发出来，高效率性能的滤波器被人们用于各种产品研发。但是，在技术不断升级的时代，人们对滤波器的研究还在开发当中。滤波器可分为经典和数字两大类，文中所研究的滤波器是经典型低通滤波器 6。1.
11、2 课题研究的意义和目的由于复杂的视频跟踪背景图像对检测有着很大的影响，造成人们对运动检测变得十分困难。人们为了更加了解目标对象跟踪相关知识，使用不同的方法对目标进行跟踪并提出了一些见解。因此，本文的目的的是利用低通滤波来预测跟踪目标的运动状态。低通滤波器可预测跟踪目标运动状态非高机性和高机性。当用有效的跟踪方法通过所述滤波处理控制并重新配置流动性高的移动目标。检验给定视频序列的跟踪情况，从而达到预测跟踪的目的 7。视频目标跟踪已用于计算机视频系统中，并且大量跟踪算法应用于视频跟踪中 8。两种最典型的跟踪算法是有关数据方面的驱动（从基底向上延伸）和有关模型方面驱动（从最高处向下延伸）。前者为典
12、型的均值漂移方法，后者可由卡曼尔滤波来证实，在下一个视频帧里，准确预测目标移动轨迹是节约寻找目标时间和在搜索窗口内匹配预测目标所不可缺少的一步。然而，以内核数据驱动的跟踪策略为基础的如 meanshift 并不具有预测能力 9。相比之下，在许多跟踪实现中，卡尔曼滤波作为预测器，这是因为卡尔曼预测以实现最终优化状态估计的事实，其被称为“先验状态估计” ，在校正过程中被称为“后验状态估计” 。然而，在这文中所关心的是：由 kalman 所提供的预测精确性还达不到技术的期望。为了改善预测的精确度，在视频预测跟踪目标中，有一种新的方法：设计低通并将其运用到对高机目标运动进行跟踪 10。卡尔曼滤波相比，
13、低通滤波能够显著地改善整体的预测精确度，但是目标突然改变运动方向时，低通滤波的预测能力不如卡尔曼滤波。在本文中，LPF 是专为预测视频运动而设计的。作为视频预测跟踪，卡尔曼滤波器和低通滤波器是投入到相同实验室所生成的视频中来预测给定的目标来的运动轨迹。测试后显示：所推荐的低通滤波器比卡尔曼滤波器的预测跟踪效果更加准确，因此低通滤波器可以作为预测跟踪的另一种选择。在本文中通过将低通滤波与 kalman 比较，对其局限性和缺点作出了讨论。1.3 Matlab 简介MATLAB 也叫作矩阵实验室，是一款由美国 The MathWorks 公司生产和销售的商业数学软件。MATLAB 软件对矩阵方面的运
14、算十分强大，不仅可以进行数值计算，编辑程序和运行算法等，而且可以应用在控制计算、图像设计及处理、金融分析、图像建模、仿真等等领域。它具有简单、容易使用较强的处理能力和很好的图形处理能力等优势。在 20 世纪，计算机编程繁琐且负担重，在计算机软件方面经验丰富的美国大学计算机系的主任克斯，以减轻学生编程的负担为目的，设计了最早的 MATLAB，使学生们的编程过程大大简化。在 1984 年，由 Little、Moler、SteveBangert 合作成立了 MathWorks 公司，把MATLAB 软件正式推向市场。在当今时代，MATLAB 软件作为常用计算软件应用在控制研究领域。MATLAB 系统
15、大体上是由开发环境、数学函数库、语言、图形处理系统和应用程序接口五大部分组成。同时 MATLAB 还可以提供了十分丰富的数值计算函数和工具包。除 MATLAB 内部函数之外，其核心文件和工具包都是可读可改的，用户可以通过修改源程序或编写新程序从而来构造新的专属工具包，从而很方便地处理控制方面的一些数据。宁波大学信息学院本科毕业设计（论文）31.4 论文的研究内容设计一个低通滤波器，对实验中的机动性目标进行视频预测跟踪。由于运动目标具有非高机动性和高机动性两种情况，因此设计出的低通滤波器分别采用线性项和惯性项方法对目标进行预测跟踪。当目标处于高机动性状态时，根据目标的运动速度变化，运用低通滤波进
16、行检测，检测到所给定的目标高机动变化根据运动情况则要重新配置滤波来实现预测跟踪，所以加入惯性项可以实现在线设置以适应目标机动性的变化情况。当低通滤波器设计完成后，对给定的目标进行预测跟踪，将最后的结果与传统的卡尔曼滤波进行比较，尝试找出低通滤波器在目标预测跟踪的优点。本文的主要内容如下：一、 简要介绍低通滤波的发展状况，以及本文主要研究目的。二、 低通滤波的设计，针对研究方向做一些相关的改进。三、 对目标进行图像处理，用低通滤波进行预测跟踪四、 分析预测跟踪结果，并与卡尔曼滤波进行比较，找出其中的优缺点。五、 实验结果介绍相关分析与跟踪过程。六、 总结最后结论，对低通滤波未来地展望。2 高机动
17、性目标识别与跟踪2.1 低通滤波原理低通滤波器原理比较简单，其原理就是通过电容的作用阻止低频信号让高频信号通过，对于高频信号是采用电容吸收，电感阻碍的方法不让其通过。对于低频信号，则采用电感地租，电容高阻让其通过。对其中包括电子电路的低通滤波器（例如，在使用音响设备中常常加入斯斯声过滤器，运用计算机时采用数据相关的平稳算法等等）这种低通滤波器过滤信号的短期波动，以维持能长期对设备提供一些平滑信号。本文中的低通滤波器就是利用文中所研究图像的高低频率的差异来实现预测跟踪。文中的目标图像存在频率的差异，选择低频信号的成分，除去高频部分。因此，文中设定目标小球像素低于 45，即为低频信号。但是，在目标
18、图像中往往存在噪声，如目标图像背景（灰色或白色）为高频信号，通过低通将其过滤掉。所以 LPF 对频率处理具有较好的处理作用。2.2 低通滤波的算法基于一阶泰勒级数进行展开，消除高阶项，列出预测跟踪方程，如下面的方程（1）：2()()()kvkvc（1）在方程（1）中,V 表示目标运动速度，C 为目标在图像中的位置；K 为目标运动的当前时刻 ； 为权重因数即泰勒展开项的系数； 为二阶差分，表示每一秒的二阶导数，相当于k2目标在连续时间内的加速度。当目标速度突变可能影响预测估计的结果，比如：目标在前一时刻的速度为 v，由于受到某因素的阻碍锐减为 0。因此，为了消除速度突变所造成的影响，将附加项加入
19、到原来的展开项中，附加项可称为“动量”或“惯性” ，在当前时刻时，目标速度急剧发生变化时，通过这种方法可以记忆目标前一时刻的速度。所以，当目标速度发生突变时，可以将新增惯性项算法加入到原来的一阶泰勒展开式中，则改进的表达式为：（2）22(1)()()(1)kkvkvcc由于要考虑到目标的惯性情况，此方法再代入到以上方程等式中，更改的方程可改写为：宁波大学信息学院本科毕业设计（论文）5（3）2(1)()()1)kkvkvcvk在方程式中， 表示惯性因子，k-1 表示 k 的前一时刻。k方程（3）还可以由如下方程所示： （4）2(1)()()kkvvc对方程（4）进行 Z 变换，得到：（5）12(
20、)()kkzvc方程（5）表明：速度的变化不会立即受到当前速度变化地影响，但是会受到低通滤波当前速度变化地影响。在离散领域里，使用低通滤波，可参照公式（2） ，在离散域内，可推导如下(6)2 2()(1)()ckkh同样的，(7)2 2(1)()(3)()ckckh然后利用方程（2）将速度 V(K+1)进行不断的叠加计算。由于计算过程中要考虑一阶差分，与此对应的速度：(8)3(1)4()1)(1)2ckckvkh注意，在方程（8）中,速度 V 在将到来的时刻（K+1 ）与在同样将来时刻（k+1）中的位置C 相关联, C 上的标记表示预估，表示尚未到来的时刻，通过方程（ 8）,可以解出 ，(1)
21、ck得到预测的位置为(9)412(1)()()(1)33ckckhvk在上面的方程中， 是时间 间隔 ，回到方程（3） ， 和 分h2()ck2(1)别用方程（6）和方程（7）来计算，可以得到即将到来的速度 。方程（9）表示：基1v于先前观测到的目标位置，一直到时刻 ，可以得到所预期的预测位置 。k()ck在方程（2）中，两个加权因子 和 体现了这一点。在这种情况下，速度没有发生突k变或仅仅有一些微小变化时，对于预估速度变化时，在这个过程中线性项起到主导作用，这些变化在公式（2）中得以体现。这时就需要加大 。相反的，当目标在高机动时，检测到k高机动目标的速度急剧发生变化时，这时在方程（2）中，
22、则需要限制线性项的作用或严格来讲，将线性项过滤出来，不要让它影响了合理的结果。在这种情况中，惯性项则起主导性作用，这时就需要加大 。k2.3 图像的处理由于光线，目标运动遭到阻碍等影响运动因素的影响，在采集图像中经常会有噪声的出现，这些噪声会直接影响所有的图像分析，为了得到良好的预测结果，则需要用二值化方法处理一下实验收集到的图像。在本论文中，处理后的图像是像素为一个取值仅为 0 和 1 的数组。 图像有两个亮级，取值最高时，即为最亮（255）的时候，图像呈白色。取像素值为最小值 0 时，观察到的图像为黑色的。因此，处理过后的图像占有的计算空间小，能够对其进行快速处理，并且还可以使用泰勒级数等进运算。在跟踪的图像中可以看出球运动的背景为浅灰色，在球撞击的地面为深灰色，而运动中的球为黑色将图像设成这样是更加方便的对比，为了突出对比度，这三者之间颜色的明暗差别越明显越好。在图像处理的过程中，时常会发生噪声的干扰，噪声干扰会使预测跟踪发生错误，并且在图像中存在低频率的小黑点这些黑点颜色与小球一致，在跟踪的过程中会干扰滤波对小球位置的判断。因此，可以通过腐蚀的方法通过消去黑点来除去噪声，在本次图像处理中，对图像腐蚀两次，消除了图像上的噪声，确保了图像的质量，为下一步的预测跟踪打下了基础。2.4 图像分析如上图所示，通过处理后的图像，可以看出目标小球清晰的运动轨迹，上方黑色小点连
