第二章 移動物體偵測與自動追蹤系統基礎理論摘要
2.2 自動追蹤系統
2.2.
自動追蹤系統
在監視系統中另一個重要部分，即為自動追蹤系統，追蹤的目的是利用移動物體偵 測到的目標物體，在連續的視訊影像中持續地找到目標物移動後的位置，因此我們需要 尋找與目標物吻合的候選影像，藉由目標物所含有的相關資訊量，計算觀察的候選影像 與參考物體之間的相似度是否夠高，相似度最高即可判別與目標物吻合，以下介紹幾種 追蹤的方法。
I. 區域為基礎的追蹤(region-based tracking)：區域追蹤主要是用影像中有變動的 區域為基礎，得到此區域的方法，例如用上一節所提到的背景相減法、連續影像相 減法得到移動物體的區域，再根據此區域內部參數來進行追蹤[9]。
II. 主動輪廓為基礎的追蹤(active-contour-based tracking)：輪廓追蹤是將移動物體
用輪廓線(contour)來表示，如影像邊緣、形狀等，再利用之後影像的輪廓線更新資 訊來追蹤物體[11]，在[12]將之應用於車輛的追蹤上，可得到良好的追蹤效果。
III. 特徵點的追蹤(feature-based tracking)：特徵點追蹤是先分析影像中物體的成分 特徵，將其群集到較高階的特徵，再比對之後的影像的特徵資訊，追蹤目標物。利 用到的特徵可能有質量中心、面積、色彩[13]等。
IV. 模型為基礎的追蹤(model-based tracking)：模型追蹤首先會建立起物體的模型 結構，再利用此模型進行比對追蹤，它需要較多的模型參數，才能精確地取得移動 物體[15]。
S. Gupte[9]藉由背景相減法得到連續影像i 與影像i+1的移動物體區域，利用空間匹 配的方法(spatial matching method)追蹤移動物體，因此需建立影像 i 與影像i+1的移動物 體區域之間的關係圖(association graph)，在此利用雙分圖(bipartite graph)(圖 2.1)，圖中 每一個點代表一個區域， P 分部(partition)內的點代表前一張連續影像內的區域，而C分 部的點代表下一張連續影像內的區域，分部間的邊E (edge)連結起ij P 與i C 間的關係，給j 予每一個邊E 一個權重ij w：
) (
)
(Eij A Pi Cj
w = ∩ (2.5)
E 的權重即是ij P 區域與i C 區域之間重疊的面積， j
圖 2.1：雙分圖[9]
追蹤的問題即為尋求最大權重圖(maximal weight graph)；此方法需對整張影像做處理，
以求得到每個時間點的移動物體區域，運算量取決於整張影像的大小，運算量較高，不 易做到即時性追蹤。
M. Kass[10]提出了主動輪廓法(Active contour)，主要目的是在於找出物體區域的輪 廓線，一開始以一初始輪廓朝物體區域做輪廓演化以將物體分割出來，輪廓演化是藉由 最小化能量函數(energy function)來達成，當能量最小處所形成的輪廓即為所求，以此輪 廓的位置為起始位置，尋找下一時間影像的目標物的輪廓線，以達到追蹤的效果；輪廓 追蹤的的缺點在於其效果很容易受到初始位置的影響，需要一個較準確的初始輪廓，且 物體在高速運動時，能量函數無法明確地定義出物體的輪廓線。
A. Chachich[14]利用強度正規色彩長條圖(histograms of intensity normalized color)，
使用強度正規色彩公式得到色彩向量(r,g)：
I.A. Karaulova[15]使用階層式人形模型來追蹤移動的人形。在分析整個人形的架構 後，在最高階層中包含整個人形的資訊，較低階層則包含更細部的資訊，將人形分為幾 個分部描述可能的姿勢，當進行追蹤時，利用較低階層的分部資訊來增加準確性，利用 此種追蹤模式，可以準確地追蹤到目標物，但所使用的模型參數繁多，因而增加了系統 的複雜性，也相對提高運算量。
圖 2.2：階層式人形模型[15]
由移動物體偵測系統，我們得到了移動物體的區域，目的為有效持續地追蹤此區域 內的物體，考慮到即時性的追蹤應用，我們無法對整張影像做空間匹配，也無法使用建 立模型參數來追蹤之，這會使得運算量大增，因此運算量高的追蹤方法我們不與採用，
為了能夠應用於可形變的物體，我們觀察到對於可形變的物體，在連續的影像中，其色 彩的變化差異不大，因此我們採用以色彩為其特徵，使用移動物體的色彩資訊來追蹤 之，在此利用平均位移(mean shift)演算法來進行移動物之追蹤，利用平均位移法運算快 速計算出相似度最高的候選影像，進行追蹤的動作，其方法的細節及理論會在第四章中 再詳細的介紹。