摘 要视频跟踪是计算机视觉领域的重要研究方向，在视频监控、人机交互、军事制导、工业制造、医疗诊断、机器人视觉导航、智能交通系统等许多方面有着广泛的应用前景。各种十分优秀的视频跟踪方法被相继提出。目前针对视频跟踪的研究成果已经非常丰富，本文针对KLT算法进行了比较深入的研究。本文首先系统地介绍了视频跟踪的整体框架，梳理了目标的表示方法、特征提取算法、检测算法、以及跟踪算法。总结了各种算法的优劣和运用场合，并详细比较了几种常用的视频跟踪算法，然后重点分析了KLT算法，深入解读其原理，为视频跟踪算法的进一步研究提供了理论保障。之后通过多组视频对本算法进行性能的测试。最后总结了前人对KLT算法的改进方法，并对视频跟踪算法的未来发展做了进一步展望。
目录
摘 要 I
ABSTRACT II
目录 III
第1章 绪论 1
1.1 研究背景及意义 1
1.2国内外研究现状 1
1.3本文内容安排 2
第2章 视频跟踪算法 4
2.1 视频跟踪算法概述 4
2.2视频跟踪算法分类 5
2.3 目标表示及特征提取 8
2.3.1目标表示 8
2.3.2特征提取 9
2.4目标检测及跟踪 10
2.4.1目标检测 10
第3章 KLT算法 12
3.1 KLT算法原理 12
3.2 KLT算法的具体实现 16
3.3 几种跟踪算法的比较 17
第4章KLT算法的改进 19
4.1 角点、仿射变换、高斯金字塔 19
4.1.1 角点 19
4.1.2仿射变换 19
4.1.3高斯图像金字塔 19
4.2 KLT算法的改进 20
4.3 KLT跟踪效果展示 22
4.3.1视频跟踪效果 22
4.3.2摄像头跟踪效果 24
第5章 总结与展望 26
5.1总结 26
5.2展望 26
参考文献 28
附录........
 *51今日免费论文网|www.jxszl.com +Q: %3^5`1^9`1^6^0`7^2# 
.....................................................................................................30
第1章 绪论
1.1 研究背景及意义
随着现代科技的迅速发展，使用电子产品直接对目标进行检测、追踪、测量等的处理成为可能。计算机可以自动地获取图像、视频等多种不同形式的视觉信息，并对其进行简单地处理，使之成为更适合人们观察或传送给相应仪器识别的图像。这些自动化的处理在很大程度上减轻了人们的工作量。而且相比其他形式的信息，视频信息具有具体、直观、生动、信息量大等特点，因此人们对于计算机自动完成视觉信息处理的能力越来越关注，各类视频技术的研究和应用也越来越受到国内外众多科研工作者的关注。
一直以来人们都希望计算机能够实现人的视觉功能，并能根据获取到的图像对现实中的目标或场景做出有意义的判断，这就是计算机视觉需要研究的方向。计算机视觉通过对采集到的视频或图像进行处理从而获取相应场景的3D信息。它是工业制造、医疗诊断、水文监测、文档分析、身份识别和军事制导等应用领域的智能系统中重要的组成部分。计算机视觉需要用到图像处理、射影几何学等诸多方面的理论。基于视频的目标跟踪技术是计算机视觉研究方向的重要组成部分。视频跟踪首先要检测出图像序列中目标的大致区域，然后对目标在后面的视频图像帧中的方位和状态信息进行分析预测，并最终实现目标跟踪的自动化。
视频跟踪的应用范围非常广，例如人机交互、智能监控系统、军事制导、机器人视觉导航、智能交通系统（ITS）、医学诊断等等。视频跟踪技术不但提高了人们的工作效率而且加速了人工智能的实现。视频跟踪的重要性越来越明显，人们对其做的研究也越来越深入。关于视频跟踪的算法有很多，如KLT目标跟踪、粒子滤波（pf）、Camshift目标跟踪、TLD视觉跟踪等等。本文主要研究基于KLT的视频跟踪算法。国外的Lucas Kanade最早提出KLT跟踪算法，这是一种典型的特征点跟踪方法，需要利用到帧间的连续性信息。
1.2国内外研究现状
国外很早就开始研究视频跟踪理论。在20世纪50年代初期，GAC公司为美国海军研制开发了自动地形识别跟踪系统（Automatic Terrain Recognition and Navigation(System),ATRAN）。80年代初期，人们提出了自适应跟踪和智能跟踪的思想。在二十世纪后期，美国国防部先进研究计划局（Defense Advanced Research Projects Agency,DARPA）成立了以卡内基梅隆大学为首联合美国多所高等院校和研究机构参与的视频监控重大项目VSAM（Video Surveillance and Monitoring）[]。主要目标是利用网络通信、图像理解、多种传感器融合等技术完成对未来城市、战场等的自动监控[]。DARPA在2000年又资助了重大项目HID计划（Human Identification at a Distance），研究开发多模式下的监控技术从而实现远距离下人的检测、识别和分类，以使国防、民用等场合免受恐怖袭击[]。
近年来，国内在视频跟踪方面的研究成果也越来越丰富。例如，中科院自动化研究所模式识别实验室在智能轮椅视觉导航、人体运动分析、交通场景视频监控和交通行为事件分析等领域取得了大量的科研成果[]；清华大学电子工程系研发了一套运动目标自动检测、识别、跟踪和分类的智能跟踪系统，以解决在室外背景复杂时人体辨别困难的问题；西安交通大学人工智能与机器人研究所利用光流法和帧差法两种算法自动追踪自适应巡航控制中的车辆，并取得了丰硕的成果；微软亚洲研究院研究开发出一套基于熵计算的运动目标检测算法等等[]。
视频跟踪之所以比较复杂，其原因主要有：3D空间在2D图像上投影造成的部分信息丢失；图像噪声；物体运动的复杂性；对象的非刚性或铰接式性质；对象的局部或整体被遮挡；复杂对象的形状；场景光照的变化；实时处理要求等[]。以上原因无疑加剧了跟踪算法的复杂程度。为了简化难度，研究者们提出根据不同的场合或要求设计出了相应理想的目标跟踪算法的想法。另外随着电子产品计算速度的加快和存储成本的大幅度下跌，人们希望能够实现以视频速率或近似视频速率获取和存储图像序列，进而对相应算法的要求也越来越高。因此研究出能够智能应对各类复杂环境的多种变化，并能够快速、准确和稳定的对单个或多个运动目标进行跟踪的算法依旧是当前值得深入的研究方向。

原文链接：http://www.jxszl.com/dzxx/txgc/48019.html