一种基于预测的跟踪方法研究梁志达摘要：该文提出了一种新型预测方法，将运动目标的运动模型考虑其中，可以有效缩小目标有效搜索区域，从而达到提高搜索效率的目的。在目标匹配方法上采用主成分分析法和灰度值差值两种方法的有机结合，有效降低误差率。从实验效果上看，该文提出算法能够准确跟踪目标。关键词：目标跟踪；预测；主成分分析；灰度值中圖分类号：TP391：A：1009-3044（2017）35-0224-03TargetTrackingBasedonPredictionMethodLIANGZhi-da（InformationDepartmentofDalianSanatorium，Dalian116013，China）Abstract：Inthispaper，anewpredictionmethodisproposed.Themotionmodelofmovingobjectistakenintoaccount，whichcaneffectivelyreducetheeffectivesearchareaoftarget，soastoimprovethesearchefficiency.Inthemethodoftargetmatching，thecombinationofprincipalcomponentanalysisandgrayvaluetwomethodcaneffectivelyreducetheerrorrate.Fromtheexperimentalresults，thispaperproposesthatthealgorithmcantrackthetargetaccurately.Keywords：Objecttracking；prediction；principalcomponentanalysis；grayvalue1背景本文在经典跟踪方法的基础上，利用精确预测的方法，首先构建目标的运动模型，使下一帧的搜索中心点更靠近目标真实位置，从而提高搜索效率。在计算候选同目标模板的相似性上，在利用PCA矢量构建字典的稀疏表示方法[6]基础上，融入图像灰度值误差判断方法，通过分析两者误差的均值和方差，设定自适应阈值门限，综合判断确定目标位置。第四节中多个测试视频的跟踪结果验证了本文方法的有效性。2基于PCA稀疏表示跟踪的改进方法2.1在目标跟踪搜索上的改进方法本文在目标跟踪搜索上采用了先预测再搜索的方法，预测模型的建立借鉴了卡尔曼滤波的思想，卡尔曼滤波[11]是一种高效的递归滤波器，由鲁道夫.E.卡尔曼于1960年提出，卡尔曼滤波由状态方程和观测方程来描述，如式（1）、（2）：（1）（2）式（1）是状态预测方程，可以预测系统下一时刻的状态，（2）是状态观测方程，可以在多项变量中提取我们感兴趣的变量。针对目标跟踪问题，如何利用卡尔曼滤波思想建立模型，是问题关键，由于一般视频为25bps，两帧之间的时间只有40ms，所以，我们首先假设目标是作匀速运动，在视频图像内需要确定横纵坐标及横纵方向速度，我们就可以预测目标下一时刻出现的大概位置，在这里将目标跟踪过程看成一个系统预测和更新的过程，在建立模型时，时刻的系统状态由一个四维向量构成，因为假设目标的瞬时速度为匀速运动，所以对应时刻横坐标方向速度为，（3）纵坐标方向速度为，（4）系统预测时刻目标中心点横坐标为：（5）系统预测时刻目标中心点纵坐标为：（6）跟踪系统的状态方程为（7）根据（7）和（8）式，我们可以推算状态转移矩阵（8）将状态方程式（7）展开即为（5）和（6）式时刻系统的观测值为一个二维向量，这里的观测值是在所有候选中通过相似性计算得到最佳匹配值，观测值的二维向量取状态向量中的前两项，所以对应的观测方程为（9）所以系统的观测矩阵为（10）噪声和的协方差矩阵和分别取单位矩阵。由于在跟踪问题中，我们将匹配值看做最终的跟踪结果，所以就不需要卡尔曼滤波中的迭代公式对结果进行校正，直接将匹配值对下一帧进行预测。利用卡尔曼滤波思想的目标跟踪问题建模流程图如图1所示：在以预测中心点为中心，搜索半径设定为自适应的，首先计算前20帧预测点同匹配点的欧式距离的平均值，然后由计算机按高斯分布产生600个均值为0，方差为1的随机数，将600个数乘以2倍的作为横纵坐标搜索的范围，这样每一帧的搜索半径就会根据不同视频目标运动快慢自适应调整。乘以的系数，经过多次实验，取2实验结果最为理想。在跟踪过程中，将新的一帧预测值同匹配值得距离乘以0.2加上原平均值乘以0.8作为新的搜索半径，即如式（11）（11）代表原搜索半径平均值，代表新的一帧预测值同匹配值得距离，代表最终确定该帧的搜索半径。通过这种预测模型的预测结果在第3节中给出。2.2在目标匹配上的改进方法本节在PCA稀疏表示方法的基础上，加入了图像灰度值误差判...