一种复杂背景及遮挡条件下的运动目标跟踪方法

1.一种复杂背景及遮挡条件下的运动的目标的跟踪方法，用于跟踪视频图像中的运动的目标，其特征在于，包括步骤：
(1)确定所述目标及所述视频图像的初始帧；
(2)获得所述目标的颜色及纹理信息二维直方图的反向投影，所述颜色是所述目标的图像色度信息，利用所述颜色的直方图，在所述视频图像中得到反向投影图来表示所述目标的所述颜色；所述纹理是所述目标的图像通过计算灰度共生矩阵得到的灰度图像，所述纹理采用所述灰度共生矩阵中的纹理特征提取，利用所述灰度图像中所述目标的所述纹理的直方图，在所述视频图像中得到反向投影图，来表示所述初始帧图像的所述纹理；
(3)所述目标的颜色纹理二维直方图结合所述目标的运动模板信息，得到扩展的反向投影图，所述运动模板信息是所述视频图像与背景模型图像作差值得到的前景图像；
(4)对所述目标进行遮挡判定，若判定为所述目标未被遮挡，采用Kalman滤波器对所述目标在下一帧的位置进行预测，所述预测的结果作为下一帧CamShift算法迭代的起点，采用CamShift算法迭代下一帧；若判定为所述目标被遮挡，所述Kalman滤波器停止工作，采用基于最小二乘估计的方法进行轨迹预测，同时对每一预测位置采用CamShift算法搜索；
(5)判断跟踪是否结束，若判定为跟踪未结束，获取视频跟踪的当前帧，并转至步骤(2)；若判定为跟踪结束，则方法停止。
2.如权利要求1所述的一种复杂背景及遮挡条件下的运动目标跟踪方法，其特征在于，步骤(2)中所述颜色采用HSV色彩模型将所述颜色的色度、饱和度、亮度区分开来，其中H分量表示色度，S分量表示饱和度，V分量表示亮度。
3.如权利要求2所述的一种复杂背景及遮挡条件下的运动目标跟踪方法，其特征在于，利用所述HSV色彩模型的H分量的直方图，在所述视频图像中得到反向投影图来表示所述目标的所述颜色。
4.如权利要求1所述的一种复杂背景及遮挡条件下的运动目标跟踪方法，其特征在于，步骤(2)中所述纹理的提取采用的所述灰度共生矩阵中的纹理特征是由所述灰度图像每个像素上下左右及其对角线方向的8个邻域之间灰度差值产生的，对所述每个像素分别取45°、135°、90°、0°方向上的邻域灰度值差，即：
G1(x,y)＝G(x+1,y+1)-G(x-1,y-1)
G2(x,y)＝G(x-1,y+1)-G(x+1,y-1)
G3(x,y)＝G(x,y+1)-G(x,y-1)
G4(x,y)＝G(x+1,y)-G(x-1,y)
其中(x,y)为所述像素坐标；得到4个方向上的邻域灰度值差后，所述纹理的所述每个像素的灰度差值定义为
G5(x,y)＝[G1(x,y)+G2(x,y)+G3(x,y)+G4(x,y)]/4
由此得到所述纹理。
5.如权利要求1所述的一种复杂背景及遮挡条件下的运动目标跟踪方法，其特征在于，步骤(3)中所述目标的颜色纹理二维直方图结合所述目标的运动模板信息，得到扩展的反向投影图：
其中，P(i,j,k)是所述颜色纹理二维直方图的反向投影图， 是所述扩展的反向投影图，M(i,j,k)为运动模板信息。
6.如权利要求1所述的一种复杂背景及遮挡条件下的运动目标跟踪方法，其特征在于，步骤(4)中所述遮挡判定是通过比较所述目标的观测值与最优估计值之间的残差来判断目标是否被遮挡：
式中，x和y分别为所述目标的质心在x轴和y轴方向上的坐标，k表示第k帧，和 是所述目标的估计值，x(k)和y(k)是所述目标观测值，定义一个阈值α，当r(k)>α时，即判定所述目标发生遮挡，当r(k)<α则判定所述目标未被遮挡。

一种复杂背景及遮挡条件下的运动目标跟踪方法\n技术领域\n[0001] 本发明涉及一种自适应目标跟踪方法，具体涉及一种复杂背景及遮挡条件下的运动目标跟踪方法。\n背景技术\n[0002] 运动目标的跟踪是在视频图像的每一幅图像中确定出感兴趣的运动目标的位置，并把不同帧中同一目标对应起来。利用光学传感器在复杂背景下探测目标，对于民用和军事领域均具有重要意义，它所涉及的传感器设计、信息处理和系统仿真方法一直是科研工作者和工程技术人员研究的热点。\n[0003] 在地面载台（如移动式、固定式）对周围环境探测的过程中，以及空中载台（如飞机、飞艇、卫星等）对地探测的过程中，常通过光学探测系统获得目标与背景的图像以进行目标检测跟踪与识别或地形环境信息获取与感知。\n[0004] 可见光摄像技术随着电荷耦合器件（CCD）、CMOS成像器件和数字图像处理技术的发展，已经普及应用于各个领域，带有智能化图像处理功能的高清晰度可见光摄像视频报警系统能够自动识别不同的物体，发现监控画面中的异常情况，并能够发出警报和提供有用信息，可应用在反恐、突发事件处置、航空监视、交通管理、客户行为分析等多种场合。\n[0005] 20世纪中后期，可见光摄像机由黑白摄像机发展到彩色摄像机。近20年来，在安防领域使用的视频监控系统中已大量使用彩色摄像机，借助CCD的优点和目前达到的优良性能，彩色CCD摄像机成为视频监控系统中的主流。除军事应用外，基于可见光摄像的视频监控技术正在向高清网络化、图像数字化、监控智能化的方向发展，新一代带智能化图像信息处理功能的CCD监视报警系统具有多方面显著优势，包括：全天候24小时可靠自动监控；\n提高报警精确度，降低误报和漏报现象，减少无用数据量；快速运行图像处理算法，提高识别响应速度；有效利用和扩展视频资源的用途。\n[0006] 传统的Mean Shift和CamShift算法在简单背景下能够取得很好的效果并且具有很好的实时性，从而在对运动目标的视频跟踪领域得到了广泛的应用。Mean Shift跟踪算法是一种以目标区域像素值的概率分布为特征的跟踪算法，因为寻优收敛速度快，该算法具有很好的实时性，并且具有一定的鲁棒性。在Mean Shift算法中，核窗口起着非常重要的作用。通常核窗口由初始跟踪窗口决定，并且大小固定不变。但是在对运动目标的跟踪过程中，如果目标尺度发生变化，尤其是目标尺度变大超过核窗口时，很容易导致对于目标的跟踪失效。根据Mean Shift算法的这一缺陷，G.Bradski在Mean Shift算法的基础上提出了CamShift算法，这是一种Mean Shift算法的改进算法。它与Mean Shift算法的最大不同是在跟踪过程中可以自适应调整核窗口大小，以达到适应目标尺度的变化。但是无论是Mean Shift算法还是CamShift算法，它们的本质都是使用目标的颜色概率分布信息，即直方图作为跟踪时的特征，而直方图是一种较弱的特征，这就导致在复杂背景或背景中存在大面积干扰色时很容易导致跟踪失效。且Mean Shift和CamShift算法对目标运动轨迹不作任何预测，在目标快速机动或发生遮挡丢失时，经常无法继续进行有效的跟踪。\n[0007] 综合而言，目前的视频跟踪技术对于运动目标跟踪仍存在一些困难，主要来源于以下方面：光照强度和天气变化对目标跟踪的影响；目标外观变化或发生旋转、放缩、位移等各种复杂的变化；目标快速运动时跟踪的稳定性问题；运动目标的遮挡问题；复杂的背景干扰等因素的影响；运动目标的正确检测和分割问题；图像的数据融合问题，比如多摄像头跟踪；跟踪的实时性问题等。\n[0008] 虽然最近十几年视频目标跟踪问题获得了广泛的研究并取得了长足的进步，但是由于现实环境中的许多情况都会影响视频图像中对目标的可靠观测，因此设计出能够在各种复杂环境下准确、快速、稳定地跟踪视频目标的方法，仍然是一项挑战性的任务和急需解决的课题，尤其是可以应用于复杂背景下以及遮挡情况下的运动目标跟踪方法。\n[0009] 因此，本领域的技术人员致力于开发一种复杂背景及遮挡条件下的运动目标跟踪方法。\n发明内容\n[0010] 为了实现复杂背景及遮挡条件下的运动目标跟踪，本发明提出一种结合了Kalman滤波器的复杂背景及遮挡条件下运动目标跟踪方法。本发明采用颜色纹理二维直方图作为目标的特征，可以较好的抑制光照的影响；在目标反向投影图的基础上结合背景中的运动模板信息，实现一种改进的反向投影图，可以有效地去除背景中的干扰；采用Kalman滤波器对目标的运动进行预测，增加跟踪方法的鲁棒性，并提高了目标快速运动时的跟踪准确性；在目标发生遮挡丢失时，用最小二乘拟合目标运动轨迹并按目标先验速度进行外推的方法对目标运动状态进行预测，在目标重新出现后探测到目标并继续进行跟踪，有效解决目标遮挡问题。\n[0011] 为实现上述目的，本发明利用颜色、纹理、运动信息以及结合Kalman滤波构建Camshift，从而实现复杂背景及遮挡条件下的运动目标跟踪方法。基于Visual Studio2008及OpenCV2.0实现了方法的仿真体系。\n[0012] 本发明上述方法包括以下步骤：\n[0013] （1）确定所述目标及所述视频图像的初始帧；\n[0014] （2）获得所述目标的颜色及纹理信息二维直方图的反向投影，所述反向投影为计算所述目标所在区域的直方图分布情况在整幅图像中的匹配程度，与目标特征越相似的区域权重越大，然后将每个点的灰度值缩放至0-255的范围得到一幅新的灰度图像，即为反向投影图；所述颜色是所述目标的图像色度信息，利用所述颜色的直方图，在所述视频图像中得到反向投影图来表示所述目标的所述颜色；所述颜色信息易受到光照条件影响，本方法在光照条件变化时结合纹理信息；所述纹理是所述目标的图像通过计算灰度共生矩阵得到的灰度图像，所述纹理采用所述灰度共生矩阵中的纹理特征提取，利用所述灰度图像中所述目标的所述纹理的直方图，在所述视频图像中得到反向投影图，来表示所述帧图像的所述纹理；\n[0015] （3）所述目标的颜色纹理二维直方图结合所述目标的运动模板信息，得到扩展的反向投影图，所述运动模板信息是所述视频图像与背景模型图像作差值得到的前景图像；\n[0016] （4）对所述目标进行遮挡判定，若判定为所述目标未被遮挡，采用Kalman滤波器对所述目标在下一帧的位置进行预测，所述预测的结果作为下一帧CamShift算法迭代的起点，采用CamShift算法迭代下一帧；若判定为所述目标被遮挡，所述Kalman滤波器停止工作，采用基于最小二乘估计的方法进行轨迹预测，同时对每一预测位置采用CamShift算法搜索；\n[0017] （5）判断跟踪是否结束，若判定为跟踪未结束，获取视频跟踪的当前帧，并转至步骤（2）；若判定为跟踪结束，则方法停止。\n[0018] 其中，所述颜色采用HSV色彩模型将色度、饱和度、亮度区分开来，其中H分量表示色度，S分量表示饱和，V分量表示亮度。\n[0019] 更进一步地，所述颜色采用H分量的直方图及其反向投影图从而对所述目标的所述颜色特征描述。\n[0020] 其中，所述纹理采用Gabor滤波器滤波以提取。\n[0021] 更进一步地，所述纹理的提取采用的所述灰度共生矩阵中的纹理特征是由每个像素8邻域的灰度差值产生的，对所述灰度图像所述每个像素分别取45°、135°、90°、0°方向上的邻域灰度值差，即：\n[0022] G1(x,y)=G(x+1,y+1)-G(x-1,y-1) (1)\n[0023] G2(x,y)=G(x-1,y+1)-G(x+1,y-1) (2)\n[0024] G3(x,y)=G(x,y+1)-G(x,y-1) (3)\n[0025] G4(x,y)=G(x+1,y)-G(x-1,y) (4)\n[0026] 其中(x,y)为所述像素坐标。得到4个方向上的邻域灰度值差后，所述纹理的所述每个像素灰度差值定义为\n[0027] G5(x,y)=[G1(x,y)+G2(x,y)+G3(x,y)+G4(x,y)]/4 (5)\n[0028] 由此得到所述纹理。\n[0029] 其中，所述颜色纹理二维直方图通过是将通常情况下一维单平面图像的直方图计算方法扩展到颜色及纹理图像组成的复平面的二维情况下；所述目标的颜色纹理二维直方图的反向投影是所述颜色纹理二维直方图在所述颜色及所述纹理二维复平面图像上计算分布匹配情况得到的。\n[0030] 其中，所述目标的颜色纹理二维直方图结合所述目标的运动模板信息，得到扩展的反向投影图，所述运动模板信息是视频的每帧图像中经过背景模型作差值后的前景图像。\n[0031] 其中，所述目标的颜色纹理二维直方图结合所述目标的运动模板信息，得到扩展的反向投影图，定义如下：\n[0032] \n[0033] 其中，P(i,j,k)是所述颜色纹理二维直方图的反向投影图， 是所述扩展的反向投影图，M(i,j,k)为运动模板信息。\n[0034] 其中，所述遮挡判定是通过比较所述目标的观测值与最优估计值之间的残差来判断目标是否被遮挡：\n[0035] \n[0036] 式中，x和y分别为所述目标的质心在x轴和y轴方向上的坐标，k表示第k帧，和 是所述目标的估计值，x(k)和y(k)是所述目标观测值，定义一个阈值α，当r(k)>α时，即判定所述目标发生遮挡，当r(k)<α则判定所述目标未被遮挡。\n[0037] 其中，所述Kalman滤波中对所述目标采用匀速运动模型，定义所述目标的状态向量为X(k)=[x(k),y(k),vx(k),vy(k)]，观测向量为Z(k)=[vx(k),vy(k)]，其中x(k),y(k),vx(k),vy(k)分别为所述目标的质心在x轴和y轴方向上的坐标和速度，且状态转移矩阵Φ(k)为：\n[0038] \n[0039] 观测矩阵H(k)为：\n[0040] \n[0041] 其中Δt表示t(k)和t(k-1)的时间间隔，可以用帧数差来表示，Δt＝1，令动态噪声协方差矩阵Q(k)、观测噪声协方差矩阵R(k)为单位矩阵；使用检测到的所述目标的质心和窗口作为CamShift算法的初始输入，同时初始化所述状态向量X(k)，其中x(k),y(k)初始值为检测到的所述目标的质心位置，vx(k),vy(k)初始化为0，跟踪过程中，在第k帧，从上一帧所述目标的质心位置的最优估计 得到x(k)的预测值 同时采\n用CamShift算法计算所述目标的质心，并作为观测值z(k)来修正所述预测值 得到所述x(k)的最优估计 然后计算所述目标质心在下一帧预测值 将其中\n的位置信息作为下一帧CamShift算法目标质心位置搜索的起点。\n[0042] 本发明的方法可以基于Visual Studio2008及OpenCV2.0实现本方法的仿真体系。\n[0043] 本发明基于颜色、纹理及目标运动信息的综合特征用于改进CamShift算法，并结合Kalman滤波器对目标运动状态进行预测，提高了复杂背景下运动目标的跟踪稳定性和跟踪精度。颜色信息易受到光照及背景干扰色等因素干扰，引入目标纹理特征改善采用单一颜色信息时的缺陷，并继续加入目标运动信息，进一步排除背景中的干扰。在目标发生遮挡时，通过目标遮挡前的先验信息进行最小二乘拟合及目标运动轨迹外推，预测目标运动位置信息，有利于遮挡结束时对运动目标的重新捕获。通过多特征之间的信息互补以及对目标的实时预测，该方法在复杂背景及目标被短时遮挡情况下，可以实现目标的持续、稳定跟踪。\n[0044] 以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。\n附图说明\n[0045] 图1是本发明的一个较佳实施例中复杂背景及遮挡条件下目标跟踪算法流程图。\n具体实施方式\n[0046] 如图1所示，在本实施例中，本发明上述方法包括以下步骤：\n[0047] 第一步，确定跟踪目标及对应的视频跟踪的初始帧。\n[0048] 第二步，获得所述目标的颜色及纹理信息二维直方图的反向投影，所述反向投影为计算所述目标所在区域的直方图分布情况在整幅图像中的匹配程度，与目标特征越相似的区域权重越大，然后将每个点的灰度值缩放至0-255的范围得到一幅新的灰度图像，即为反向投影图；所述颜色是所述目标的图像色度信息，利用所述颜色的直方图，在所述视频图像中得到反向投影图来表示所述目标的所述颜色；所述颜色信息易受到光照条件影响，本方法在光照条件变化时结合纹理信息；所述纹理是所述目标的图像通过计算灰度共生矩阵得到的灰度图像，所述纹理采用所述灰度共生矩阵中的纹理特征提取，利用所述灰度图像中所述目标的所述纹理的直方图，在所述视频图像中得到反向投影图，来表示所述帧图像的所述纹理。\n[0049] 在本实施例中，颜色信息采用HSV色彩模型将色度、饱和度、亮度区分开来，其中H分量表示色度，S分量表示饱和，V分量表示亮度。更优选地，因为H分量包含了物体的颜色信息，所以用H分量的直方图及其反向投影就能得到对目标的颜色特征描述。\n[0050] 在本实施例中，纹理为图像分析中很重要的一种特征，不同于颜色和边缘等图像特征，其自身具有很强的抗光照突变特性和局部序列性等良好属性。本实施例综合考虑性能及运算复杂度，采用的灰度共生矩纹理特征是由每个像素8邻域的灰度差值产生的。对灰度图像每个像素分别取45°、135°、90°、0°方向上的邻域灰度值差，即：\n[0051] G1(x,y)=G(x+1,y+1)-G(x-1,y-1) (1)\n[0052] G2(x,y)=G(x-1,y+1)-G(x+1,y-1) (2)\n[0053] G3(x,y)=G(x,y+1)-G(x,y-1) (3)\n[0054] G4(x,y)=G(x+1,y)-G(x-1,y) (4)\n[0055] 得到4个方向上的邻域灰度值差后，纹理图像的每个像素定义为[0056] G5(x,y)=[G1(x,y)+G2(x,y)+G3(x,y)+G4(x,y)]/4 (5)\n[0057] 由此得到纹理图像，计算目标的灰度直方图及其反向投影作为目标的纹理信息。\n[0058] 第三步，所述目标的颜色纹理二维直方图结合所述目标的运动模板信息，得到扩展的反向投影图，所述运动模板信息是视频的每帧图像中经过与背景模型图像作差值后的前景图像。\n[0059] 本实施例中，对所述目标的颜色和纹理信息融合，通过颜色和纹理各自的一维直方图扩展结合为二维直方图得到。并在H分量及纹理二通道图像上计算其反向投影图。\n[0060] 通过每一帧图像中运动目标的提取，可以有效排除背景中的干扰，缩小了搜索的范围并提高了跟踪精度。首先计算场景中的前景目标，即运动模板。为了消除图像中的噪声和获得更高的背景真实性，对一定时间长度的视频图像信息进行加权平均从而获得与实际背景图像近似的初始背景。当图像序列通过这个时域低通滤波器时，图像序列的缓变部分可以从图像的快速变化过程中分离出来，图像背景模型的建立方法如下：\n[0061] B(i,j,k+1)=B(i,j,k)+g(k)·(I(i,j,k)-B(i,j,k)) (6)[0062] g(k)=β·(1-M(i,j,k))+α·M(i,j,k) (7)[0063] \n[0064] \n[0065] 式中，I(i,j,k)表示第k帧图像(i,j)坐标的像素值，B(i,j,k)是当前帧背景图像，B(i,j,k+1)是下一帧背景图像，β是背景因子，α是运动因子，α和β都介于0和1之间。它们决定了背景更新中的自适应过程，即运动部分较多的更新至前景中，而被判断为非运动部分较多的更新至背景中。avg1、σ1是当前图像与背景图像差值图像的均值和方差，avg2、σ2是当前图像的均值和方差，M(i,j,k)表示二值化的前景图像，Th是二值化阈值。这个公式可以解释为一种背景的递归预测，它通过背景因子和运动因子的实时更新，来计算下一时刻的背景。以检测到的前景目标，作为场景中的运动模板信息，即M(i,j,k)值可以判断某一像素点是否属于运动目标。\n[0066] 结合场景中的运动模板，就可以计算最终的反向投影图，定义如下：\n[0067] \n[0068] 其中，P(i,j,k)是目标颜色-纹理特征的反向投影图， 是加入运动模板信息后的反向投影图，M(i,j,k)为运动模板信息。\n[0069] 第四步，对所述目标进行遮挡判定，若判定为真，即所述目标未被遮挡，采用Kalman滤波器对所述目标在下一帧的位置进行预测，所述预测的结果作为下一帧CamShift算法迭代的起点，采用CamShift算法迭代下一帧；若判定为假，即所述目标被遮挡，当出现遮挡时，所述Kalman滤波器停止工作，采用基于最小二乘估计的方法进行轨迹预测，同时对每一预测位置采用CamShift算法搜索。\n[0070] 当判断目标发生遮挡时，即可视为目标发生形变，此时若继续使用CamShift算法计算目标的质心位置并不是其真实位置，由这个位置点信息组成的Kalman滤波器在当前帧的观测值也不是正确的观测值。所以本实施例通过比较目标的观测值与最优估计值之间的残差来判断目标是否被遮挡：\n[0071] \n[0072] 式中， 和 是目标的估计值，x(k)和y(k)是目标观测值。选择一个阈值α，当r(k)>α时，即目标发生遮挡，当r(k)<α则目标未被遮挡。\n[0073] 当所述目标未被遮挡时，采用Kalman滤波器对所述目标在下一帧的位置进行预测，所述预测的结果作为下一帧CamShift算法迭代的起点，采用CamShift算法迭代下一帧。传统的CamShift算法直接使用当前帧的目标质心位置作为下一帧迭代的起点，对目标运动不作任何预测，所以在目标快速运动情况下容易使跟踪算法失效。采用颜色-纹理联合特征，并结合运动信息虽然可以排除背景中的干扰，但如果前景中存在与目标特征相近的物体，仍然会对跟踪结果产生干扰。针对以上问题，引入\n[0074] Kalman滤波器，对当前帧目标在下一帧的位置进行估计，并作为下一帧CamShift算法迭代的起点，可以有效的解决以上问题。\n[0075] 本实施例中在目标跟踪过程中，由于相邻两帧间隔时间较短，可以把目标在这段时间内看作是匀速运动，所以采用匀速运动模型。\n[0076] 令 目 标 的 状 态 向 量 为 X(k)=[x(k),y(k),vx(k),vy(k)]，观 测 向 量 为Z(k)=[vx(k),vy(k)]，其中x(k),y(k),vx(k),vy(k)分别为目标质心在x轴和y轴方向上的坐标和速度， 因此，系统的状态转移矩阵Φ(k)\n为：\n[0077] \n[0078] 观测矩阵H(k)为：\n[0079] \n[0080] 其中Δt表示t(k)和t(k-1)的时间间隔，可以用帧数差来表示，此时Δt=1。可令动态噪声协方差矩阵Q(k)、观测噪声协方差矩阵R(k)为单位矩阵。\n[0081] 实验中，使用检测到运动目标的质心和窗口作为CamShift算法的初始输入，同时初始化状态向量X(k)，其中x(k),y(k)初始化为检测目标的质心位置，vx(k),vy(k)都初始化为0。跟踪过程中，在k时刻，从上一时刻目标质心位置的最优估计 得到x(k)的预测值 同时CamShift算法计算目标的质心，并作为观测值z(k)来修正预测值得到x(k)的最优估计 然后将 在下一帧预测值 中的质心\n位置作为下一帧CamShift算法的输入。这样在每一帧中，利用Kalman滤波对目标质心位置进行估计，提高跟踪效果。\n[0082] 若判定为假，即所述目标被遮挡，当出现遮挡时，所述Kalman滤波器停止工作，采用基于最小二乘估计的方法进行轨迹预测，同时对每一预测位置采用CamShift算法搜索。\n[0083] 当出现遮挡时，Kalman滤波器停止工作，跟踪转化为基于最小二乘估计的方法进行轨迹预测，同时在每一预测位置附近搜索目标是否出现，若判定准则判断目标仍处于被遮挡状态，则继续作轨迹预测，若为非遮挡状态，则恢复CamShift和Kalman滤波器跟踪，并用新的观测值更新Kalman滤波器状态。\n[0084] 对于时间序列{x1,x2,x3...xn},i＝1,2...n,{xn}为预测的目标值，{xn-1,xn-2，xn-3...xn-m}为已知相关量，用最小二乘法进行直线拟合，即求出一条直线使{xn-1,xn-2，xn-3...xn-m}的误差平方和最小。对发生遮挡前m帧目标位置{xn-1,xn-2,xn-3...xn-m}进行最小二乘拟合，可得到目标位置的线性回归模型。\n[0085] 由此可建立未来第一步的预测为 未来第二步的预测为\n并以此类推来完成遮挡时对目标位置的预测。\n[0086] 在本实施例的视频图像中目标跟踪方法，CamShift算法流程如下：\n[0087] （1）将视频图像从RGB色彩空间转化为HSV空间；\n[0088] （2）定义目标在跟踪起始帧的初始区域，计算该区域H分量的直方图；\n[0089] （3）计算该直方图在每一帧的概率分布图像，即灰度分布匹配程度，得到每一帧的反向投影图，并将反向投影图所有点的像素值缩放至[0,255]范围内；\n[0090] （4）在每一帧反向投影图上用Camshift算法进行搜索，找到与初始目标直方图分布最为匹配的区域，该区域即为目标跟踪位置；\n[0091] （5）以当前帧搜索到的目标位置作为下一帧Camshift算法搜索的起点。\n[0092] 第五步，判断跟踪是否结束，若判定为真，即跟踪未结束，获取视频跟踪的当前帧，并转至第二步；若判定为假，即跟踪结束，则方法停止。\n[0093] 进一步地，本发明的方法可以基于Visual Studio2008及OpenCV2.0实现本方法的仿真体系。\n[0094] 以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。