下载文档原格式
《基于光流法的运动目标检测与跟踪技术》篇一一、引言随着计算机视觉技术的不断发展，运动目标检测与跟踪技术在智能监控、自动驾驶、人机交互等领域得到了广泛应用。
其中，光流法作为一种重要的运动目标检测与跟踪技术，因其能够实时准确地估计运动目标的运动状态而备受关注。
本文将详细介绍基于光流法的运动目标检测与跟踪技术，包括其基本原理、实现方法、应用场景及挑战。
二、光流法基本原理光流是指图像序列中亮度模式在时间上的变化。
光流法的基本思想是通过计算像素点的速度场（即光流）来检测和跟踪运动目标。
在连续的图像帧中，如果某个像素点在相邻帧之间发生了位移，那么这个像素点就构成了运动目标的特征点。
通过计算这些特征点的运动轨迹，可以实现对运动目标的检测与跟踪。
三、光流法的实现方法1. 稠密光流法：稠密光流法通过计算图像中每个像素点的光流来获取运动信息。
这种方法能够获取较为丰富的运动信息，但计算量较大，实时性较差。
2. 稀疏光流法：稀疏光流法只计算部分特征点的光流，如角点、边缘等。
这种方法计算量较小，能够提高实时性，但丢失了部分运动信息。
3. 基于匹配的光流法：该方法通过在相邻帧之间进行特征匹配来估计光流。
常用的匹配方法包括基于区域的方法、基于模板的方法等。
这种方法能够有效地提取和跟踪运动目标，但需要较高的计算资源和时间。
四、基于光流法的运动目标检测与跟踪技术1. 运动目标检测：通过计算图像序列中像素点的光流，可以检测出运动目标的轨迹和位置信息。
在检测过程中，可以利用阈值等方法对光流进行滤波和去噪，以提高检测的准确性。
2. 运动目标跟踪：在检测出运动目标后，可以利用光流法对目标进行跟踪。
通过计算目标在相邻帧之间的位移和速度等信息，可以实现对目标的实时跟踪和轨迹预测。
五、应用场景及挑战1. 应用场景：基于光流法的运动目标检测与跟踪技术广泛应用于智能监控、自动驾驶、人机交互等领域。
例如，在智能监控中，可以通过该技术实现对异常行为的检测和报警；在自动驾驶中，可以通过该技术实现对车辆和行人的识别和跟踪；在人机交互中，可以通过该技术实现自然的人机交互方式。
基于图像处理的运动轨迹跟踪技术研究近年来，随着人工智能技术的飞速发展，图像处理技术已成为许多领域不可或缺的一部分。
其中，基于图像处理的运动轨迹跟踪技术应用广泛，具有极高的实用性和可操作性。
一、运动轨迹跟踪技术的概述运动轨迹跟踪技术，顾名思义，即针对运动物体进行跟踪定位，以获取其运动轨迹。
这种技术大量应用于场馆监控、交通监管、行人跟踪等领域，有时还可以用于目标识别、模式分类等领域。
二、运动轨迹跟踪技术的基本原理通常情况下，运动物体会生成一个像素点的运动轨迹，但该轨迹是不连续的，不能直接看出该物体的轨迹。
因此，需要利用基于图像处理的算法来实现运动轨迹的跟踪定位。
主要通过以下三个步骤实现运动轨迹跟踪：（一）前景提取我们知道，在视频监控中，场景中会存在不少背景噪声。
因此，实现运动轨迹跟踪必须进行前景提取，以分离其它物体与运动物体，保证跟踪的准确性和可靠性。
（二）目标选择在提取出前景后，会剩下一些与运动物体无关的信息。
这时，需要运用目标选择算法对前景中的目标进行特征描述、识别和筛选，以实现对运动物体的精确跟踪。
（三）运动轨迹反投影运动轨迹反投影技术是估计运动物体运动状态的重要方法。
运动观测信号和目标状态信息是通过一个关系转换使用反投影映射更新状态的。
在这个过程中，可以通过计算得到物体的位置、大小和方向等信息，来实现运动轨迹的跟踪。
三、运动轨迹跟踪技术的应用基于图像处理的运动轨迹技术已经得到广泛应用，例如在交通管理、场馆安保、行人跟踪、双人互动、虚拟现实、机器人导航等领域中得到了广泛应用。
在交通管理中，摄像头中的图像可以实时监视道路、车辆和行人的运动，以及通过路口和人行横道的流量情况，为交通规划和紧急处理提供了重要参考。
在场馆安保方面，通过布置摄像头对场馆内外人员进行拍照和录像，在发生紧急事件时可以实时定位相关人员，并对其进行相应的处理。
在行人跟踪中，利用摄像头对街道或商业区进行监控，可以实时地监测行人的位置、行动和活动轨迹，并用于人口流量分析和预测。
摘要基于视频图像序列的目标运动轨迹提取技术是已经成为精确制导武器的关键技术之一，能够提高武器打击精度及力度；同时更能体现目标跟踪监控系统的智能化和自动化。
而在众多模式下的基于视频图像序列的轨迹提取技术中，基于固定参照物视场变动模式的轨迹测量技术不受相机视野限制，能够有效地扩大目标跟踪范围，更有着重要的研究意义和工程应用价值。
固定参照物视场变动模式的轨迹测量技术要求相邻两帧之间必须具有一定的重复。
由于运动目标瞬时空间位置坐标是通过相对前一时刻空间位置坐标的相对变化得到，因此存在轨迹计算的累积误差较大的问题，同时由于目标体运动过程中的姿态变化、参照环境的复杂性等因素，导致轨迹计算的精度很难得到保证。
本论文针对固定参照物视场变动模式下运动目标轨迹提取问题进行深入研究，设计开发了基于视频图像序列的目标运动轨迹提取系统，针对目标在运动过程中的姿态变化导致的相机坐标系变化问题，提出了成像系统外参实时校正方法，通过陀螺仪获取的数据和空间坐标系变换关系对相机姿态角参数实时校正；针对SIFT特征匹配算法中的欧式距离无法自适应调节问题，提出了多目标优化的SIFT特征匹配算法，建立了以相关系数和特征点之间的欧氏距离为目标函数，以置信度为约束条件的多目标优化模型，减少了特征点的误配率；最后通过车载CCD实验对系统功能和精度进行验证，数据表明该系统能够精确的实现运动目标的轨迹测量，并具有较强的适应性和可靠性。
1绪论1.1课题研究背景及意义基于视频图像序列的目标运动轨迹提取技术是动态视觉领域中一个具有重要意义和实际价值的研究课题。
目标运动轨迹是反映一段时间内目标的运动路线，它的精确提取能够实现测量和分析目标的运动参数、运动行为评估等。
在军事领域中，该技术已经成为精确制导武器的一项关键技术，它能够有效地提高武器的打击精度，强化武器的打击力度；同时在民用领域，以该技术为基础建立的人机交互系统，能够实现运动目标的智能跟踪、行为监管等，真正地体现运动目标监控系统的自动化和智能化。
浙江理工大学科技与艺术学院毕业论文诚信声明我谨在此保证：本人所写的毕业论文，凡引用他人的研究成果均已在参考文献或注释中列出。
论文主体均由本人独立完成，没有抄袭、剽窃他人已经发表或未发表的研究成果行为。
如出现以上违反知识产权的情况，本人愿意承担相应的责任。
声明人（签名）：年月日摘要运动目标检测是计算机视觉研究的主要问题之一，它融合了图像处理、模式识别、自动控制、人工智能以及计算机等许多领域的先进技术，在军事视觉制导、视频监控、医疗诊断、智能交通等方面都有广泛应用，因此本课题研究具有重要的理论意义和实际价值。
本文在总结和分析现有运动目标检测方法的基础上，设计并实现了一个视频序列采集的动态目标的检测实验，针对视频利用算法进行实时检测，得到较好的实验效果。
在图像采集中，本文采用了自己拍摄的已有A VI视频，对已有的A VI视频进行适当的转换，使其能够适用于MATLAB的读取与转化。
在目标检测过程中，本文还为目标检测提供了简单背景和复杂背景两组A VI视频，针对这两组A VI 视频，利用背景差分法和改进的背景差分法这两种算法，对A VI视频进行检测，一定程度上增强了实验的效果可比性。
实验运行时给出了目标的位置大小等特征量，提高了实验的直观性。
实验表明以上所使用的检测算法满足了实验的要求，达到了预期的效果，本文所使用的检测算法在智能视觉监控、空中预警、工业检测等领域也具有一定的实用价值。
关键词：视频监控、运动目标检测、背景差分法、背景提取、特征匹配AbstractMotion target detection is one of the main issues in computer vision, which combines advanced technologies in image processing, Pattern recognition, automatic control, artificial intelligence, computer and other relative fields. It has broadly applied in military visual missile guidance, video surveillance, medical image analysis, intelligent transportation and other fields, so this project research has important theoretical significance and practical value.Based on the summary and analysis of the current detecting moving objects methods, this paper has designed and implemented an experiment which can detect moving object in image sequence after captured, using the detecting algorithm of real-time for video, which obtain a better experimental result.In the collection of images, the existed A VI video taken by myself has been adopted in this paper and transformed properly. In that way, it can facilitate the reading and transformation of MATLAB. In the process of object detection, this paper also offers simple background and complex background for object detection. In terms of these two A VI videos, detection to the A VI video via utilizing background subtraction and the improved background subtraction, to some extent, can enhance the comparability of the experimental Characteristics including object positions and so on, given by the operation of this experiment have enhanced the intuitiveness of the experiment.The experimental result shows that the detecting algorithm used in this system attain the expectable purpose. The algorithm and methods used in this paper will be valued either in the domain of intelligent video control, air surveillance, and industrial detection and so on.Keywords: intelligent monitoring, moving object detection, background subtraction, background extraction, feature matching目录摘要Abstract第一章绪论 (1)1.1课题研究背景及意义 (1)1.2国内外研究现状 (2)1.3 论文内容及组织安排 (3)第二章运动目标检测有关的理论基础 (4)2.1 数字图像基本概念 (4)2.2 图像灰度变换 (5)2.3 中值滤波 (6)2.4 边缘检测 (6)2.5 图像配准 (7)2.6 运动目标检测技术 (7)2.6.1帧间差分法 (7)2.6.2背景差分法 (8)2.6.3光流法 (8)2.6.4统计学法 (8)第三章运动目标检测设计分析 (10)3.1 总体设计思路 (10)3.2 背景差分法 (10)3.2.1 总体设计流程图 (10)3.2.2 功能模块的分析 (11)3.3 改进的背景差分法 (12)3.3.1 总体设计流程图 (12)3.3.2 功能模块的分析 (12)第四章运动目标检测实验验证与结果分析 (15)4.1 运动目标检测实验介绍 (15)4.2 简单背景视频 (15)4.2.1 背景差分法实现 (15)4.2.2 改进的背景差分法实现 (17)4.3 复杂背景视频 (18)4.3.1 背景差分法实现 (18)4.3.2 改进的背景差分法实现 (20)4.4 结果分析 (21)第五章总结与展望 (23)5.1 研究总结 (23)5.2 研究展望 (24)参考文献 (25)致谢 (27)附录简单背景视频和复杂背景视频核心程序 (28)1.1 简单背景视频和复杂背景视频核心程序的简单介绍 (28)1.2 简单背景视频的背景差分法核心程序 (28)1.3 复杂背景视频改进的背景差分法核心程序 (30)1.4 总结 (33)浙江理工大学科技与艺术学院本科毕业设计(论文)第一章绪论视觉是人类感知自身周围复杂环境最直接有效的手段之一，而在现实生活中大量有意义的视觉信息都包含在运动中，人眼对运动的物体和目标也更敏感，能够快速的发现运动目标，并对目标的运动轨迹进行预测和描绘。
《智能监控系统中运动目标的检测与跟踪》篇一一、引言随着科技的不断进步，智能监控系统在各个领域得到了广泛的应用。
其中，运动目标的检测与跟踪是智能监控系统中的关键技术之一。
本文将详细介绍智能监控系统中运动目标的检测与跟踪技术，包括其基本原理、实现方法、应用场景以及面临的挑战和解决方案。
二、运动目标检测技术1. 背景介绍运动目标检测是智能监控系统中的第一步，它的主要任务是在视频序列中准确地检测出运动目标。
运动目标检测的准确性与实时性直接影响到后续的跟踪、识别、分析等任务。
2. 基本原理运动目标检测的基本原理是通过分析视频序列中的像素变化来检测运动目标。
常见的运动目标检测方法包括帧间差分法、背景减除法、光流法等。
其中，背景减除法是目前应用最广泛的方法之一。
3. 实现方法背景减除法通过建立背景模型，将当前帧与背景模型进行差分，得到前景掩膜，从而检测出运动目标。
实现过程中，需要选择合适的背景建模方法、更新策略以及阈值设定等。
三、运动目标跟踪技术1. 背景介绍运动目标跟踪是在检测出运动目标的基础上，对其在连续帧中的位置进行估计和预测。
运动目标跟踪对于实现智能监控系统的自动化、智能化具有重要意义。
2. 基本原理运动目标跟踪的基本原理是利用目标在连续帧中的相关性，通过一定的算法对目标进行定位和跟踪。
常见的运动目标跟踪方法包括基于滤波的方法、基于特征的方法、基于深度学习的方法等。
3. 实现方法基于深度学习的运动目标跟踪方法是目前的研究热点。
该方法通过训练深度神经网络来学习目标的外观特征和运动规律，从而实现准确的跟踪。
实现过程中，需要选择合适的神经网络结构、训练方法和损失函数等。
四、应用场景智能监控系统中的运动目标检测与跟踪技术广泛应用于各个领域，如安防监控、交通监控、智能机器人等。
在安防监控中，该技术可以实现对可疑目标的实时监测和报警；在交通监控中，该技术可以实现对交通流量的统计和分析，提高交通管理水平；在智能机器人中，该技术可以实现机器人的自主导航和避障等功能。
基于图像处理的视频目标跟踪算法研究摘要：随着计算机视觉和图像处理技术的快速发展，视频目标跟踪作为其中的一个重要研究方向逐渐得到广泛关注。
视频目标跟踪算法的研究对于实时监控、机器人导航、交通监控等领域具有重要的应用价值。
本文将介绍基于图像处理的视频目标跟踪算法研究的相关技术和方法，并对目前存在的挑战和未来的发展方向进行探讨和分析。
1. 引言近年来，随着计算机硬件性能的提升和图像处理技术的发展，视频目标跟踪研究成为了计算机视觉领域的热点。
视频目标跟踪算法致力于从视频序列中实时和准确地提取出感兴趣目标的位置和运动轨迹。
该技术在实时监控、智能交通系统、机器人导航等领域有着广泛的应用。
2. 目标跟踪算法的研究方法目标跟踪算法在视频序列中追踪目标的位置和轨迹，可分为基于传统方法和基于深度学习的方法两类。
2.1 基于传统方法的目标跟踪算法基于传统方法的目标跟踪算法主要包括边缘检测、特征提取、目标模型匹配等步骤。
其中，常用的特征提取方法包括颜色直方图、梯度直方图等。
目标模型匹配常用的方法有均值漂移算法、卡尔曼滤波算法等。
2.2 基于深度学习的目标跟踪算法基于深度学习的目标跟踪算法利用卷积神经网络（CNN）来提取图像特征，并通过循环神经网络（RNN）进行目标的位置预测。
这种算法能够自动学习目标的外观和形状特征，具有较好的鲁棒性。
3. 基于图像处理的视频目标跟踪算法研究基于图像处理的视频目标跟踪算法主要包括以下几个方面的研究内容：3.1 目标检测与特征提取目标检测是目标跟踪的前置工作，需要在图像中准确定位和提取出感兴趣的目标。
传统的方法中，通过颜色、纹理或形状等特征来区分目标和背景。
而基于深度学习的方法则利用卷积神经网络来自动学习目标的特征。
特征提取的准确性和有效性直接影响目标跟踪算法的性能。
3.2 目标跟踪与运动估计目标跟踪是在连续的视频帧中预测目标的位置和运动。
传统的方法主要通过目标模板的匹配来进行跟踪。
基于深度学习的方法则利用循环神经网络来学习目标的运动模式，并进行位置的预测。
《基于光流法的运动目标检测与跟踪技术》篇一一、引言在计算机视觉和智能监控领域，运动目标检测与跟踪技术是一项至关重要的技术。
该技术通过实时获取并分析视频序列中的图像信息，对运动目标进行准确检测与跟踪，进而实现目标识别、行为分析、异常检测等功能。
光流法作为一种经典的运动目标检测与跟踪方法，具有广泛的应用前景。
本文将重点介绍基于光流法的运动目标检测与跟踪技术，分析其原理、方法及优缺点，并探讨其在实际应用中的发展前景。
二、光流法原理光流是指图像中像素点在单位时间内运动的速度和方向。
光流法基于图像序列中像素强度的变化来计算光流，从而实现对运动目标的检测与跟踪。
其基本原理是：在连续的视频帧之间，如果某个区域发生运动，那么该区域的像素强度变化将与周围区域产生差异。
通过分析这些差异，可以确定运动目标的轨迹和位置。
三、光流法在运动目标检测中的应用基于光流法的运动目标检测方法主要包括以下步骤：首先，通过计算图像序列中像素的光流，得到每个像素的运动矢量场；然后，根据预设的阈值或其他条件，从运动矢量场中提取出运动目标的轮廓信息；最后，通过形态学处理等手段对提取出的轮廓信息进行优化和整合，得到完整的运动目标区域。
该方法可以有效地从背景中分离出运动目标，为后续的跟踪和分析提供基础。
四、光流法在运动目标跟踪中的应用基于光流法的运动目标跟踪方法主要利用光流信息对运动目标进行连续的定位和跟踪。
具体而言，首先在初始帧中检测并确定运动目标的初始位置；然后根据后续帧中的光流信息，计算目标在连续帧之间的位置变化；最后通过一定的算法对目标的轨迹进行预测和更新，实现目标的跟踪。
该方法可以有效地解决因背景干扰、光照变化等因素导致的跟踪问题。
五、光流法的优缺点及改进方向优点：1. 适用于各种类型的运动目标，包括刚性物体和非刚性物体；2. 可以处理背景动态变化的情况；3. 在没有先验知识的情况下，能够自主地检测和跟踪运动目标。
缺点：1. 计算量大，实时性较差；2. 对光照变化和噪声较为敏感；3. 在复杂场景下，容易出现误检和漏检的情况。
《基于OPENCV的运动目标检测与跟踪技术研究》篇一一、引言随着计算机视觉技术的飞速发展，运动目标检测与跟踪技术已经成为计算机视觉领域研究的热点。
该技术广泛应用于智能监控、交通流量管理、人机交互等众多领域。
OpenCV作为一个强大的计算机视觉库，为运动目标检测与跟踪提供了有效的工具。
本文旨在研究基于OpenCV的运动目标检测与跟踪技术，探讨其原理、方法及实际应用。
二、运动目标检测技术研究1. 背景及原理运动目标检测是计算机视觉中的一项基本任务，其目的是从视频序列中提取出运动的目标。
OpenCV提供了多种运动目标检测方法，如背景减除法、光流法、帧间差分法等。
其中，背景减除法是一种常用的方法，其原理是将当前帧与背景模型进行比较，从而检测出运动目标。
2. 关键技术与方法（1）背景建模：背景建模是运动目标检测的关键步骤。
OpenCV提供了多种背景建模方法，如单高斯模型、混合高斯模型等。
其中，混合高斯模型能够更好地适应背景的动态变化。
（2）阈值设定：设定合适的阈值是运动目标检测的重要环节。
阈值过低可能导致误检，阈值过高则可能导致漏检。
OpenCV通过统计像素值分布，自动设定阈值，从而提高检测的准确性。
3. 实验与分析本文通过实验对比了不同背景建模方法和阈值设定对运动目标检测效果的影响。
实验结果表明，混合高斯模型结合合适的阈值设定能够获得较好的检测效果。
此外，本文还对不同场景下的运动目标检测进行了实验，验证了该方法的稳定性和泛化能力。
三、运动目标跟踪技术研究1. 背景及原理运动目标跟踪是指在视频序列中，对检测到的运动目标进行持续跟踪。
OpenCV提供了多种跟踪方法，如光流法、Meanshift 算法、KCF算法等。
这些方法各有优缺点，适用于不同的场景和需求。
2. 关键技术与方法（1）特征提取：特征提取是运动目标跟踪的关键步骤。
OpenCV可以通过提取目标的颜色、形状、纹理等特征，实现稳定的目标跟踪。
此外，还可以采用深度学习等方法，提取更高级的特征，提高跟踪的准确性。
毕业论文题目视频图像中运动目标检测方法研究摘要在很多现代化领域，运动目标检测都显示出了其重要的作用。
尤其是近二十年的社会经济的飞速发展，运动目标检测都彰显了其重要性，在航空、通信、航海等各个方面都有关键性的作用，从而使运动目标检测方法的研究成为各国的研究热门课题。
通过阅读大量的相关论文、期刊及其网络资源，了解了高斯背景建模及背景更新的基本原理及思想。
在本文中，首先介绍了运动目标检测方法的相关基础知识，如图像的二值化、图像的形态学处理、颜色空间模型。
然后重点说明了三种常用的运动目标检测方法的研究，简要阐述了三种研究方法的基本思想。
在老师的帮助下进行了相应的实验，最终得出了三种运动目标检测方法的优点和缺点，着重探究了高斯背景建模及其背景更新基本原理及思想。
最后，通过相关的程序及软件对混合高斯背景模型进行了相关的实验，进而发现了混合高斯背景建模算法存在的不足之处，如：高斯背景建模的计算量大、运动目标较大时检测效果差等问题，并对对这些问题提出了相关设想及改进。
关键词：运动目标检测；二值化；图像的形态学处理；高斯背景建模；背景更新ABSTRACTIn many modern fields, moving target detection are showing its important role. Especially nearly twenty years of rapid development of social economy, the moving target detection has shown its importance, in various aviation, communication, navigation and so on have a key role, so the study of moving target detection method has become a research hot topic in countries.By reading relevant papers, a large number of journals and cyber source, understand the basic principle and thought of Gauss background modeling and updating the background. In this paper, firstly introduces the basic knowledge of moving target detection method, such as the two values image, morphological image processing, color space model. Then focus on the study of three methods used for moving object detection, a brief description of the basic ideas of the three kinds of research methods. By the experiment, the results of three kinds of method of moving target detection has advantages and disadvantages, this paper emphatically explores Gauss background modeling and background updating basic principle and thought.Finally, through the program and software related to mixed Gauss background model for the relevant experiments, and found the shortcomings, the presence of mixed Gauss background modeling algorithm such as: the problem of computing Gauss background modeling, moving target volume larger detection effect is poor, and on these problems put forward relevant ideas and improvement.Keywords: moving object detection; two values; morphological image processing; Gauss background modeling; background update1 前言运动目标检测在机器人、视频监控、交通道路检测、军事战争、模拟现实等众多的领域都有极其重要的应用和良好的发展前景。
摘要基于视频图像序列的目标运动轨迹提取技术是已经成为精确制导武器的关键技术之一，能够提高武器打击精度及力度；同时更能体现目标跟踪监控系统的智能化和自动化。
而在众多模式下的基于视频图像序列的轨迹提取技术中，基于固定参照物视场变动模式的轨迹测量技术不受相机视野限制，能够有效地扩大目标跟踪范围，更有着重要的研究意义和工程应用价值。
固定参照物视场变动模式的轨迹测量技术要求相邻两帧之间必须具有一定的重复。
由于运动目标瞬时空间位置坐标是通过相对前一时刻空间位置坐标的相对变化得到，因此存在轨迹计算的累积误差较大的问题，同时由于目标体运动过程中的姿态变化、参照环境的复杂性等因素，导致轨迹计算的精度很难得到保证。
本论文针对固定参照物视场变动模式下运动目标轨迹提取问题进行深入研究，设计开发了基于视频图像序列的目标运动轨迹提取系统，针对目标在运动过程中的姿态变化导致的相机坐标系变化问题，提出了成像系统外参实时校正方法，通过陀螺仪获取的数据和空间坐标系变换关系对相机姿态角参数实时校正；针对SIFT特征匹配算法中的欧式距离无法自适应调节问题，提出了多目标优化的SIFT特征匹配算法，建立了以相关系数和特征点之间的欧氏距离为目标函数，以置信度为约束条件的多目标优化模型，减少了特征点的误配率；最后通过车载CCD实验对系统功能和精度进行验证，数据表明该系统能够精确的实现运动目标的轨迹测量，并具有较强的适应性和可靠性。
1绪论1.1课题研究背景及意义基于视频图像序列的目标运动轨迹提取技术是动态视觉领域中一个具有重要意义和实际价值的研究课题。
目标运动轨迹是反映一段时间内目标的运动路线，它的精确提取能够实现测量和分析目标的运动参数、运动行为评估等。
在军事领域中，该技术已经成为精确制导武器的一项关键技术，它能够有效地提高武器的打击精度，强化武器的打击力度；同时在民用领域，以该技术为基础建立的人机交互系统，能够实现运动目标的智能跟踪、行为监管等，真正地体现运动目标监控系统的自动化和智能化。
因此无论在民用上还是在军事领域中，该技术的研究都具有较强的理论意义和研究价值。
目前基于视频图像序列的目标运动轨迹提取技术根据相机视场和参照物的不同可分为固定视场内参照物运动、变化视场内参照物运动和固定参照物视场变动情况下的运动目标跟踪及轨迹检测。
固定视场内参照物运动方式中，相机及其视野固定，对视野内的运动目标进行跟踪检测，具有空间和时间上的区域限制，仅能得到固定区域、固定时间段中的目标运动轨迹；变化视场内参照物运动是对固定视场方式的一种改进，通过云台等多维运动系统实现相机视野的变化，能够拓展运动目标跟踪的范围和时间得到扩展，但是由于镜头等光学器件的限制，当运动目标超出一定范围则无法成像或成像目标体的“点化”现象；固定参照物视场变动模式下，相机视野随运动目标的运动变化，利用相邻两帧图像中的固定参照物的空间位置不变特性实现运动目标的轨迹计算，此类方法不受相机视野的限制，能够有效地提高运动体轨迹提取的作用范围，但是要求相邻两帧之间必须具有一定的重复。
由于运动目标瞬时空间位置坐标是通过相对前一时刻空间位置坐标的相对变化得到，因此存在轨迹计算的累积误差较大的问题，同时由于目标体运动过程中的姿态变化、参照环境的复杂性等因素，导致轨迹计算的精度很难得到保证。
本论文针对固定参照物视场变动模式下运动目标轨迹提取问题进行深入研究，设计开发了基于视频图像序列的运动目标轨迹提取系统；提出了成像系统外参实时校正算法、多目标优化特征提取算法，有效的解决了累积误差较大、坐标计算精度低等问题，实现了运动目标轨迹的精确测算。
1.2课题相关领域研究现状1.2.1基于卫星定位导航系统的运动目标轨迹提取技术随着科学技术的不断进步，卫星定位导航系统与计算机视觉技术相结合在目标运动轨迹跟踪提取领域得到了广泛的应用。
通过接收至少4颗卫星不间断发送自身星历参数和时间信息，对地面目标进行精确定位，从而可以有效地对目标运动轨迹进行跟踪和定位。
目前，可实用的卫星导航系统有美国全球卫星定位导航系统(GPS)、前苏联的全球导航卫星系统(GLONASS)、欧洲“伽利略”以及我国自主研发的“北斗”卫星导航系统。
美国的全球定位系统GPS在20世纪60年代末开始研发。
1978年发射第一颗卫星，迄今共经历了在轨验证试验的第一代GPS-1和实用组网的第二代GPS-2、GPS-2A、GPS-2R、GPS-2F等不断改进的型号。
二十多年来，经过不断改进，GPS卫星的寿命得到不断的延长，抗干扰能力和导航精度不断提高，并增强了地面站的保密性能及星间链路安全性。
美国的GPS系统无论在军事还是民用方面都对全球产生了重大影响；俄罗斯全球导航系统GLONASS是一个由俄军方控制使用的全球卫星导航系统，1982年开始正式发展，1996年宣布建成。
GLONASS的发展大致可分为两个阶段，。
第一阶段是1982至1985年的试验阶段，共发射11颗第一代试验卫星；第二阶段是1985年至1995年的部署阶段，共发射57颗三种型号的卫星，使系统达到满星座运行。
但GLONASS卫星寿命较短，建成之后又不能及时进行补网卫星发射，导致在轨可用卫星少。
GLONASS的应用普及远远不及GPS；1992年2月10日欧盟执行机构欧洲委员会公布了欧洲导航卫星系统Galileo计划。
2002年3月26日，欧盟15国交通部长会议一致决定正式启动Galileo计划。
2003年5月26日，欧空局15个成员国就联合开发Galileo系统达成协议，解决了阻碍Galileo计划顺利实施的投资与利益分配问题。
2003年7月11日，Galileo系统的首批两颗卫星合同授出。
我国在2000年首先建成北斗导航试验系统。
2007年4月14日，成功发射了第一颗北斗导航卫星，2009年4月15日，我国在西昌卫星发射中心用“长征三号丙”运载火箭成功将第二颗北斗导航卫星送入预定轨道。
2010年1月17日，成功将第三颗北斗导航卫星送入预定轨道。
根据系统建设总体规划，2012年左右，系统将首先具备覆盖亚太地区的定位、导航和授时以及短报文通信服务能力；2020年左右，建成覆盖全球的北斗卫星导航系统。
自从卫星导航定位系统投入运行以来，其应用领域不断扩展，应用潜力也不断得到开发。
同时，对定位精度、实时性方面的要求也越来越高。
对卫星定位导航系统中定位精度较高的GPS而言，GPS卫星的空间几何分布也会对定位精度产生一定程度的影响。
在忽略美国SA政策的情况下，普通GPS接收机定位精度约为30 m左右。
消除定位精度带来的影响一般是采用差分GPS，实时差分GPS (DGPS)定位的精度可以达到2 m--5 m。
对于普通的定位和导航应用如陆地车辆、海上船舶、空中飞机以及个人等的定位和导航而言，上述的位置精度己经足够了。
但是，在一些特殊的应用领域，如目标运动轨迹精确提取、测绘、地震监测、飞机进场着陆以及其他精密测量领域，要求达到分米级、厘米级甚至毫米级的精度，普通差分GPS就不能满足要求了。
另一方面，有时由于道路两旁地物特征复杂，又受高大建筑物、隧道、立交桥、树木等地物的反射和遮蔽等影响，卫星定位导航系统将产生盲区，影响目标跟踪及定位的精度。
由于上述原因，使用卫星定位导航系统无法精确地对目标的运动轨迹进行测算和提取，必须增加其他约束条件，但都需要很高的成本。
1.2.2基于图像的运动目标轨迹跟踪技术的研究现状基于图像的目标运动轨迹提取技术是对摄像机采集的图像序列进行特征提取，并根据这些特征对图像序列中的目标进行关联、匹配，得到运动目标的运动轨迹。
目前该技术根据相机视场和参照物的不同可分为固定视场内参照物运动、变化视场内参照物运动和固定参照物视场变动情况下的运动目标跟踪及轨迹检测。
对于固定视场内参照物运动和变化视场内参照物运动两种情况下的运动目标轨迹提取技术，国内外各国学者都已展开了相关研究，并取得了很多优秀成果。
目标跟踪的基本概念首先是由Wax在1955年提出的；1964年，Sittler在包括数据关联等内容的多目标跟踪理论方面取得了突破性进展。
随着经过多年的研究与发展，视频监控系统取得了很大的进步和成就，1997年，美国DARPA （Defense Advanced Research projects Agency ）就设立了以卡内基梅隆大学为首的视觉监控重大项目VSAM（Visual Surveillance And Monitoring），其目标是建立一个能在城市或战场等复杂环境下应用多个摄像机对人、车等的行为进行监控的系统，用于实现人力监控费用昂贵、非常危险或者人力无法到达的场合的监控；2000年开始，美国DARPA又资助了HID（Human Identification at a Distance）项目，其任务是开发多模式、大范围的视觉检测技术，实现远距离人的检测、分类和识别。
有26个高校公司参与了该项目。
Berkelye 分校从上世纪90年代初开始对实时交通监控方面进行研究，在运动物体分割、运动物体跟踪、遮挡处理等技术方面的研究上取得了一定的成果，并发表了多篇相关科学研究论文。
在国内，对于这两种情况的轨迹提取技术的研究研究起步较晚，发展水平相对较低。
我国从1986年开始对图像跟踪正式立项研究，图像跟踪算法理论研究取得了很大的发展。
2002年刘永信等人探讨了基于Kalman滤波理论的渐消记忆递归最小二乘法在重建图像背景中的应用；同年，张辉等人研究了如何实现出格点检测和聚类自动检测；1999年王栓等介绍了一种基于差分图像的运动目标检测算法，检测结果是符号化了的图像，其中运动目标由外接矩形表示，然后根据连续性约束假设，实现了运动目标的跟踪；2003年隋晔等讲述了交通监控系统中应用视频图像流来跟踪运动目标并对目标进行分类的具体过程和原则，基于目标检测提出了双差分的目标检测算法，目标分类应用到了连续时间限制和最大估计的原则。
而对于固定参照物视场变动情况下的图像分析研究目前还处于目标的检测、跟踪和测量上，还没达到轨迹精确测算的理论高度。
如：美国MIT的Lincoln实验室自90年代以来，在航拍图像处理方面做了大量的工作，他们综合利用高分辨率多极化航拍图像的多种特征进行目标的自动识别，因其高分辨率的数据特性，可采用二维匹配的方法确定目标的位置及方位角，最后采用盒维数对目标进行检测、跟踪。
同时，西欧各国也投入了大量的人力物力从事航拍目标识别、跟踪的技术研究，如英国学者采用MUM（Mergeusing Moments）算法和最大似然估计对航拍图像的纹理特征进行分类，法国Sheffield University的学者采用模板匹配运用互相关及K-S相关（Kolmogorov-Smirnov）算法提取特征，都得到了很好的效果。
