我将在本篇论文中，介绍视频序列处理基本原理、运动目标识别与提取、运动目标的轨迹分析和估计方法、自动跟踪算法实验，并汇报我的研究成果。我还将自己的一点小小的新想法运用到本次题目中，并且，我将以实际操作的结果来验证论文的结论。论文网

2. 视频序列处理基本原理

监控系统中的最初始阶段是从视频序列中检测出运动物体，这也是各种后续高级处理如目标分类、行为理解等的基础。从视频流中实时地提取出运动目标就是运动目标的检测，这主要研究如何对感兴趣的目的区域进行“准确定位”。相关领域的研究人员对图像序列中运动目标检测技术做了大量的研究，总结出了运动目标检测主要三种方法：optic flow法、frame difference法、background subtraction法[2,3]。

Optic flow法能够在场景任何信息预先未知的条件下检测出来独自运动的目标，利用检测出的目标随时间变化的光流特性来计算位移向量光流场的初始化目标轮廓，利用基于轮廓的算法检测和跟踪目标，可以处理较大的帧间位移，但绝大多数的optic flow法计算过程非常复杂而且时间开销太大，抗噪性能不好，难以满足实时检测的需求。

Frame difference法虽然具有很强的自适应性，该检测对场景光线渐变的敏感性差，但在运动体内易产生空洞，特别是在目标的运动速度较快时，影响目标区域的准确提取。如果运动速度太慢，且选取的时间太短，则可能会导致过度覆盖，使检测出来的物体出现空洞，最坏的情况是物体几乎完全被重叠，根本检测不到预期的目标。

Optic flow法和frame difference法都有各自明显的缺点，而引言和绪论中所提及的background subtraction法则能够较好地避免上述的一些缺点，但仍有一个小的不足之处。

Background subtraction法的实现最为容易，并且能够完整地将运动目标分割出来。用当前帧图像减去事先得到的背景图像，若差分图像中的像素值大于某个阈值，则判断这个像素点属于运动目标区域，反之，则属于背景区域。在阈值操作后，目标的位置、形状等信息将会被直接给出。Background subtraction法操作容易，检测速度快，节省时间，但对光照条件的变化过于敏感，目标阴影也常被检测成为运动目标的一部分，降低了检测结果的准确性。在视频监控系统中运动目标检测与跟踪技术中，利用background subtraction法来对视频序列中的运动目标进行检测，能达到很不错的检测效果，同时，利用Kalman滤波器来对运动目标进行跟踪，能够很有效地跟踪运动目标。

3. 运动目标识别与提取（基于background subtraction法）

将连续图像相减后，便能够得出前后帧图像的差别，从而得到目标的运动信息。当情况较为理想的时候，背景差别很小而目标差别较大，此时可以利用“重心”求出目标的位置，从而便可求出目标的运动轨迹[4]。

假设相邻的两帧图像相减后的图像矩阵为p(m,n)，m=0，1，……M-1，n=0，1，……N-1。则图像重心位置是：

                         (式3.1)

                         (式3.2)

由此可见，求和是在整个图像范围之内进行的。当背景为零时，图像与目标的重心是相同的。因此，求出整幅图像的重心便是求出了目标的重心。而在实践应用当中，此过程却要复杂得多。首先是背景不为零，那么图像与目标的重心不重合。要求出目标的重心，先求出目标图像的边界范围是前提。在实时系统中，求边界和目标判别的运算是非常复杂的，所以在许多场合下，先把目标边界范围求出并不可取。