·354 智能系统学报 第5卷 以达到跟踪运动目标的目的.颜色直方图在跟踪运 可以得到图像的核函数直方图为 动目标上的有点如下：特征稳定、抗部分遮挡、计算 方法简单、计算量小；该方法的缺点是当背景颜色的 元=宫(11)-. 分布同目标颜色分布比较相似时，容易将背景错误 b=1,2,…,m 的认为是所要跟踪的运动目标，特别是当被跟踪目 式中：96为分量b的像素概率值，96}=1,2，…，m为目 标尺寸较小时，使用本方法很难根据颜色直方图来 标模型，B(x:)是x:处像素的量化值，h为核函数的 判断目标所在的准确位置，文献[8]提出的跟踪算 法是一种基于目标轮廓的跟踪算法：利用光流法来 窗宽，根据式。=1可以得到常数c: 跟踪目标轮廓.但是这种新颖的方法计算复杂度高， 精确度却不高，而且抗干扰性差，易受噪声影响，这 e=/公(11. 种跟踪算法的实际价值有待进一步的提升.文献 假设{x12“是候选目标图像区域各个像 [9]中提到的算法是一种基于核的均值转移算法， 素位置归一化后的集合[.则候选目标模型可以用 这种算法计算复杂度小精度高，通过不断地计算均 核函数直方图表示为 值平移向量，可以迭代更新搜索位置，直到收敛于最 优匹配点，它的缺点是收到收敛局限性的制约，该算 成=6宫(1片1)8()-b1, 法只有在预测位置与目标的真实位置相差较小时， b=1,2,…,m. 才能达到较好的效果。 式中： 在体育视频中，运动目标的移动速度较快，而且 ea=1/∑(1y,I2) 运动速度和运动对象的大小经常发生较大的变化， h 所以准确预测运动目标的位置是比较困难的，很多 式中：C的值由一个给定的内核和不同的h决定， 算法在体育视频跟踪中都很难取得较好的效果.本 因此可以得到，核函数窗宽h决定了候选目标区域 文给出的算法则较好的解决了上述问题.首先，根据 的尺度大小，即候选图像区域中感兴趣的区域ROI 背景加权直方图选择跟踪目标与背景图像的差别最 (region of interest). 显著的部分作为跟踪特征，以减少背景信息对跟踪 但是，上述的目标模型表示方法在背景较为复 效果的影响；其次，针对Mean Shif近算法需要对图像 杂时跟踪的效果不好.背景信息在目标跟踪中起着 进行穷举匹配的问题，利用Kalman滤波对目标的状 重要的作用。目标和背景信息的相关性，会导致目标 态进行有效预测，减少了匹配运算次数，改善了快速 定位的不准确.同时，还会造成目标表征的困难.选 运动目标的跟踪效果，提高了跟踪算法的稳健性；最 择目标模型和候选模型的显著不同部分作为特征可 后运用基于核的Mean Shift算法对运动目标进行跟 以很好地解决以上问题. 踪，同时进行目标模板的实时更新，实现了对体育视 用6，a-(式中：宫d。=1)表示特征空间中 频中运动员的稳定实时的跟踪.目前，本算法已经在 背景的离散模型，用这个模型表示目标周围3倍于 对多个实际速滑比赛视频的处理中得到了有效的检 验，具有良好的效果 目标区域的图像.用权值{。=min(8,1)6=2, 背景加权 定义对目标模型和候选目标模型的变换.该变换减 轻了低权值的特征在目标模型中的应用.以下为新 目标模型的选择很大程度上制约着目标跟踪算 的目标模型定义： 法的效果.从目前的研究阶段可以总结出，比较常用 的目标模型有2类：一类是基于目标的轮廓特征，一 =月1'A)B(）-. 类是基于目标的颜色特征.基于目标的轮廓特征的 式中： 优点是精度较高；缺点是计算复杂、抗干扰性较差； 而基于颜色特征的跟踪算法的优点是鲁棒性强，有 c=V店(17产I)B)-61. 较强的抗噪性和抗遮挡性.因此，本文选取第2种目 同理，新的候选目标模型为 标模型进行目标跟踪 设目标图像{x;},i=1,2…,n由n个像素点组 =6月(17分产1)a()-. 成，图像中心点的坐标为y,每个点的灰度为m级. 式中：