算法|目前，在视觉跟踪领域，常用的运动目标检测算法有帧差法和光流法等传感器

文章图片

文章图片

文章图片

【算法|目前，在视觉跟踪领域，常用的运动目标检测算法有帧差法和光流法等】在视觉跟踪中，这一过程是指确定图像序列中运动目标的存在，并描述目标的特征。目前，在视觉跟踪领域，常用的运动目标检测算法有背景减法、帧差法、光流法和混合高斯模型等。在众多的目标检测算法中，背景减法是最常用的一种。其基本思想是将背景图像与当前图像比较得到的差值图像减去运动目标。采用帧差法，通过比较连续帧中的两幅图像来分离运动目标。

光流可以在没有先验信息的情况下检测运动目标。但由于其计算时间复杂度较高，不适合实时跟踪。混合高斯模型旨在用K个高斯分布的集合为每个像素建模。然后通过对输入的历史图像进行累积，计算出每个像素作为背景的可能性。与基于图像的检测不同，非视觉跟踪中的目标检测要简单得多。当接收到的信号强度超过预定义的阈值时，声传感器就会对目标的检测进行指责。确实，还有许多其他复杂的算法可以精确地探测目标。

更多相关信息可以在其他文章中找到。视觉跟踪中的位置确定过程是指在每一帧中对目标区域进行定位。正确检测到目标后，需要确定相邻帧之间的对应关系，也称为目标匹配。在较小的采样间隔内，连续帧图像中同一目标的中心位置和大小变化较小，以此来完成目标匹配。而在非视觉跟踪中，目标的位置是由探测传感器的位置和这些传感器到目标的距离决定的。主动传感器很容易获得距离信息。

然而，被动传感器仅获取方位信息也可以通过不同非共线传感器的三个方位来确定目标的位置，这相当于利用三边运算从三个节点的距离信息来计算位置。位置确定算法可分为基于距离的和无距离的两种。基于距离的定位算法通过获取的RSSI、TOA等测量值来确定传感器到目标的距离，然后使用三边法、三角法或多迭代法来估计目标的位置。无距离定位算法是在没有距离和方位信息的情况下，根据跟踪网络的连通性来估计目标的位置。

但是，定位的精度是由传感传感器的数量来保证的，这意味着该算法对传感器网络是有限制的。常用的无距离定位算法有质心或加权质心算法、距离矢量跳、近似三角内点测试(APIT)和凸规划算法。在时间序列上连续定位也可以实现跟踪任务，根据几个采样瞬间的位置可以得到相应的速度和加速度。然而，目标的状态总是随时间变化的，测量数据受到噪声的严重破坏，导致连续定位跟踪性能较差。

因此，大多数跟踪算法都采用滤波技术作为状态估计和降低噪声干扰的技术。定位算法通常用于获取目标的初始状态。用于跟踪水下目标的仪器可分为声成像传感器、TASAs和uwns 。在前者的基础上，可以通过图像或视频序列来确定目标的运动状态和其他特征，而后者只能通过声回波信号来实现运动跟踪。本节介绍了基于不同仪器的算法。

比较了这些算法基于不同仪器的跟踪精度、复杂度、成本，以及相应的跟踪仪器的优缺点。随着视觉分析和水下成像技术的发展，利用声成像传感器获取的视频或图像序列实现水下目标跟踪成为可能。成像传感器由于探测范围小、能见度低，与其他声学传感器相比，在水下环境中并不具有吸引力。然而，基于视觉数据的跟踪也可以是一种替代方法，特别是在近距离跟踪中。人们已经采取了许多方法来克服基于成像传感器的跟踪的局限性。