opencv视频序列中的目标跟踪平台开发meanshift(2)
1.3.2 智能交通监控
视频跟踪在交通上也有非常广泛的应用。这些应用主要由交通流量控制、车辆和行人行为判定、智能车辆驾驶、交通事故监控等。Coifman等人以视频图像处理系统为基础，不断创新，发展出了一个智能交通监控系统，该系统除了能出色地完成交通流量监控任务以外，还可以统计道路上的不同车型数目；Tai等人则建立了一个专门用于交通事故方面的监控系统，这个系统能自动监测车辆并且可以对其运动轨迹进行判断；而为了保障道路交通的顺畅性，Zhu等人则研发建立了VISATRAM系统，这个系统可以监测各个不同车道上的运动车辆，以保证顺畅；当然国内也有许多科研机构开发出了很多强大的系统，例如中国科学院自动化研究所就研发出了一个能对场景中的单一目标（比如交通中的一辆车辆）监测和跟踪的并且拥有完全的自主知识版权的智能交通监测系统Vstar；还有，交通场景中行人的行为的跟踪和判定也对交通管理有着重要的意义，正式基于这一点，Pai等人对道路上的行人行为检测和跟踪这一课题进行了深入研究，希望能够保障驾驶员的安全驾驶。除以上所述以外，近年来我们从各种科幻影视作品中经常能够看到一些神奇的车辆（或者其他交通工具），它们拥有完全的自动驾驶能力，完全不需要驾驶员来操作，其实这个技术是以车辆辅助驾驶（Driver Assistance）技术为基础的，这也是当今计算机视觉领域内的一个热门研究方向，最终目的是实现车辆的无人自动驾驶。基本原理和研究思路是利用装在车上的摄像机监控前方道路状况，通过计算机处理，然后指导驾驶系统做出相应的应答。
1.3.3 智能人机交互
目前，人与计算机进行交流的工具还是非常具有局限性的，主要有键盘，鼠标，手柄等，随着科技的发展，人们期望可以通过更加简单方便的方式比如表情、手势等和计算机进行交流，这就需要计算机能够感知并理解我们的表情、手势等。虽然我们在这方面有了一定的进展，但目前和我们对智能人机交互的最终期望还有很大的距离。计算机可以通过摄像头“看到”人的行为，然而困难在于怎样让计算机理解这些它所“看到”的行为。早期的思路是依靠各种传感器来获得人体的运动信息，然后计算机通过处理分析这些传感器的数据信息来最终理解人的行为。现在，我们则期望计算机能够直接对摄像头拍摄到的视频信息进行处理分析来提供更加人性化、更加方便的人机交互。目前，这一方面的研究主要停留在人的表情和手势理解、人脸识别等方面。
1.4 论文组织结构
第一章为绪论，主要介绍了计算机视觉及视频跟踪的背景和研究现状，以及这项技术在各个工程领域的一些应用。
第二章介绍了当今常用的目标跟踪算法。
第三章介绍了均值移动算法的基础理论。
第四章为仿真模拟。
2 常用的目标跟踪算法
迄今为止，开发人员已经开发出很多功能强大的目标跟踪算法，常用的有一下几种：
2.1 基于运动信息的目标跟踪
这是一种依照对运动目标进行检测来实现跟踪的方法。主要包括两种：差分图像法和光流法[4]。
差分图像法（frame differencing algorithm）是根据检测当前图像和背景图像或连续的两帧图像之间的差别来判断视频序列中的目标运动，相应的，根据我们选择的参考图像的不同，又分为两种：（1）基于相邻的帧差算法：将相邻的一前一后两帧图像的相应的像素点的灰度值相减。（2）基于背景与当前帧差的算法：将背景和当前帧的相应的像素点的灰度值相减。在环境亮度变化较小的情况下，若相应的灰度差值较小，那么判定为静止，若相应的灰度差值较大，那么判定为运动，然后综合起来检测出运动目标的位置及运动轨迹。此类算法分为三个部分：选择参考图像，两帧间作差运算，选择一个适当的阈值进行对比判定。这种方法的局限是仅适合背景固定且较简单，环境亮度变化不大的情况。