基于灰色系統(tǒng)理論的目標跟蹤.pdf

1、目標跟蹤技術自20世紀以來一直都是相關領域的研究熱點，它在多個領域都有非常重要的的應用價值。近年來盡管有了深入研究，但是限于在跟蹤過程中出現(xiàn)的多種干擾因素的影響，將其用于現(xiàn)實生活更有一定的差距。這就導致了當前的目標跟蹤技術還是不能滿足軍民領域的需求。因此，研究這個課題還是有很重大的意義的。
　　本論文主要創(chuàng)新工作及研究成果如下：
　　首先針對人運動跟蹤提出了基于歸一化自相關匹配和灰預測的人運動跟蹤方法。該方法主要針對模板相關

2、匹配算法存在跟蹤實時性差和無法處理遮擋現(xiàn)象的缺點，提出了結合改進的GM(1,1)模型、遮擋判別準則和歸一化自相關匹配的人運動跟蹤方法。這種GM(1,1)模型結合以序列x(1)的第n個分量作為灰色微分模型的初始條件和基于二次插值的方法構造背景值，從而提高了GM(1,1)模型的預測精度。在不存在遮擋情況下，灰預測模型預測減小了模板匹配區(qū)域，增強了算法的實時性；在遮擋情況下，該方法以考慮了預測誤差的預測值代替真實值，提高了人運動跟蹤的準確性，

3、增強了算法的魯棒性。
　　其次針對人臉的快速實時跟蹤，提出了一種融合Camshift算法和灰指數(shù)律數(shù)據(jù)序列建模的新方法。該方法首先在離線計算膚色概率分布特征的基礎上，結合灰模型EMG預測的方法來解決Camshift算法跟蹤過程中大面積膚色干擾、手臂遮擋人臉以及頭部旋轉時人臉自身遮擋問題。利用EGM模型的預測信息縮小了Camshift算法搜索區(qū)間，同時對EGM模型的歷史數(shù)據(jù)及時進行新陳代謝，有效解決預測數(shù)據(jù)與實測數(shù)據(jù)相比的誤差累積效

4、應。實驗表明該方法減少了Camshift算法迭代次數(shù)，能對目標很快的進行跟蹤，在有干擾的情況下也能很好的跟蹤目標，算法相對比較穩(wěn)定。
　　然后針對解決跟蹤過程中背景對模板的影響以及降低匹配計算量的問題，提出了一種基于動態(tài)模板和運動預測的目標跟蹤新算法。該方法采用SSDA時，僅采用模板中的目標像素參與匹配，降低了背景干擾的風險；并不斷地修正模板，保證了模板數(shù)據(jù)的正確性。應用實際曲線在區(qū)間上的面積作為背景值,以及利用模擬序列和一次累加