4 区域协方差矩阵跟踪技术

4.1目标区域的协方差建模

由于实际获取的视频图像中通常含有大量噪声，所以首先进行图像预处理，可以选用双边滤波[7]、中值滤波[9]等方法来抑制噪声的干扰。然后，对滤波后提取出来的图像构建协方差特征矩阵，首先找到目标模板区域，设该区域R是以P(x,y)为中心点的M×N矩形区域，利用公式(2)构造模板区域协方差矩阵C_R。为了便于直观方便的提取检测阈值，从而实现目标稳定跟踪，将得到的矩阵进行归一化处理[10]。接下来，在更新的视频图像中查找下一个跟踪区域，首先设定待跟踪区域，在以P(x,y)为中心点的3M×3N待跟踪区域R’内，均匀选取b×b个像素点，再利用公式(2)计算出每一个像素点在其M/2×N/2范围内的的协方差矩阵，构造视频区域的协方差矩阵C_T。

4.2目标跟踪中心的计算

按公式(3)计算出b×b个像素点和模板矩阵之间的距离d(C_T,C_R)，形成b×b的距离矩阵C_D。

利用公式(3)求解矩阵距离时，距离越小，矩阵特征越相似，则图像区域相关性越大。如图4，将每个点建立协方差矩阵后，计算和模板矩阵间距离，(a)图绘制了d(C_T,C_R)值三维图，(b)图可见颜色越深的位置距离越小、相似度越高，因此在图像跟踪中需要跟踪中央类矩形区域。可以发现，由于局部特征匹配不稳定，类矩形区域周围也同样存在颜色较深区域，如果直接将距离最小值作为跟踪中心，很可能发生跟踪漂移现象。因此需要使用新的方法对数据进行处理。将C_D内各元素的均值作为阈值对矩阵元素进行选择，将小于阈值的元素置为零，再重复上述步骤3-5次，最后剩余b'个不为零的元素。

图5是对图4数据进行处理后剩余的元素图示。可见选择三次数据后可以得到目标区域的形状，选择五次数据后可以较准确的得到跟踪中心点，因此可以先测量目标所处区域位置，再计算目标中心点来校正跟踪中心点。最后处理这些剩余元素，找到下一帧图像目标区域中心。由于剩余元素为〖10〗^(-3)量级，并且中心点应该接近数值较小的点，则选取特征距离的倒数作为像素点的权值，即：

4.3更新模板

随着目标的运动，会产生目标角度翻转、光强变化、形状改变等变化，要实现稳定的目标跟踪，刷新模板是必要的。但是刷新模板的速度不应过快，否则会出现跟踪中心点漂移的现象[11]。因此，设定一个阈值T，并计算出以P_1 (x',y')为中心点的M×N矩形区域的协方差矩阵C_R'，当d(C_R,C_R')大于阈值T时，将模板矩阵更新为当前目标区域矩阵C_R'，再继续接下来的跟踪任务。

5 实验结果

通过在vs2013上编程实现了本文的算法。图6是街道监控录像视频的跟踪结果，在图6(a)中由于物体由远至近运动，大小发生变化，所以在运动物体移动过程中适当改变了矩形的大小，使车辆处于矩形方框内，这种处理对该视频中其他车辆的跟踪也同样适用。图6(b)同样是街道监控录像视频的跟踪结果，但车辆所处环境较为复杂，车辆首先转向，然后大部分车体被树枝遮挡。从仿真结果可以看出，跟踪效果较好。

分享让更多人看到