基于低通滤波的高机动视频目标跟踪本科毕业设计（论文）题目：（中文）基于低通滤波的高机动性视频目标跟踪（英文）Enhanced Lowpass Filter Based VidePredictive Tracking for Target withHigh Mobility摘要【摘要】在现代检测领域中，预测目标是一种很普遍的现象。
在预测目标移动状态过程中，应用滤波法是常用的技术手段。
在众多预测技术当中，人们常常使用卡尔曼滤波器来跟踪目标在运动情况下的轨迹。
然而，卡尔曼滤波仍存在一些缺点：用来预测轨迹时尚缺乏精确度，为了解决这个问题，文中推荐另一种传统滤波——低通滤波。
设计低通滤波的方法就是掺入带惯性的一阶泰勒级数，在文中使用过程中还要考虑目标所在的运动状态。
基于这种情况，则需要在级数中加入线性项和惯性项算法，这两种算法分别代表高机性和非高机性两种状况。
当预测目标状态时，要考虑目标高机动性（目标速度在瞬间发生变化）和非高机动性，当目标高速移动时，低通滤波检测速度的变化，检测到所给定的目标高机动变化根据运动情况则要重新配置低通滤波来实现预测跟踪。
为了证明低通滤波的实用性，在预测中融入卡尔曼滤波共同对目标检测跟踪，实验表明在预测轨迹跟踪质量中，所建议的低通滤波对预测轨迹具有很好的效果比卡尔曼滤波更加有预测能力，从而证明了它的可行性。
所以，在视频跟踪应用范围内，把低通滤波作为预测跟踪器是很好的选择。
【关键词】视频跟踪；低通滤波；跟踪质量；卡尔曼滤波；高机动性Enhanced Lowpass Filter Based Video Predictive Tracking for Target with High Mobility Abstract【ABSTRACT】In the field of modern detection , prediction target is a very common phenomenon. Predict the state of the process target mobile application filtering method is commonly used techniques . Kalman filter is one of GM , which is mainly used in predicting the movement of the target track . However , Kalman filtering are still some disadvantages: lack of precision for predicting the trajectory of the fashion , in order to solve this problem , another conventional paper filter recommended - low-pass filtering. Low-pass filter designed method is incorporated with a first order Taylor series of inertia , in the article by using filter which should also be considered when the target is moving. Based on this situation , you need to add linear and inertia algorithms in series , these two algorithms represent two high status which is a high mobility and non- mobility When the predicted target state , to consider changes in the target high mobility high mobility ( target speed change occurs at the moment ) and non- high maneuverability , when the target is moving at high speed , low-pass filtering to detect changes in the speed detected by a given target will have to be reconfigured according to the movement of the low pass filter to achieve the forecast track . To prove the usefulness of the low-pass filtering , Kalman filter integrated into the joint in the forecast for target detection and tracking , trajectory tracking experiments show that the quality of the prediction , the proposed low-pass filter to predict the trajectory has a good effect Kalman filtering more predictive ability , thus proving its feasibility . So, in the video tracking applications , the low-pass filter as a predictor tracker is a good choice .【Key words】:Video predictive tracking; Lowpass filter; Trackingquality; Kalman filter; High mobility；目录1.1绪论 (1)1.1.1课题的背景及意义 (1)1.1.2课题研究的意义和目的 (1)1.1.3Matlab简介 (1)1.1.4论文的主要内容 (1)2高机动性目标识别与跟踪 (2)2.1.1低通滤波原理 (1)2.1.3低通滤波设计算法 (1)2.1.4图像的处理 (2)2.1.5目标运动的分析 (2)2.1.6低通滤波的预测跟踪 (1)3低通滤波与卡尔曼滤波的比较 (3)3.1卡尔曼滤波的预测跟踪 (3)3.1.1卡尔曼滤波的简介 (3)3.1.2卡尔曼滤波预测原理 (3)3.1.3卡尔曼滤波预测跟踪 (3)3.1.4低通滤波与卡尔曼滤波比较 (3)4结论 (4)4.1实验的流程图 (4)4.2程序运行的结果 (4)4.3最终分析与结论 (4)5总结与展望 (5)参考文献 (7)致谢 (8)附录 (8)1绪论1.1.1课题的背景及意义在十几年来,科学技术快速发展中，计算机对数据分析和存储数据的功能得到很大提升，分析运算成本大幅降低，给视频对象的跟踪技术创造了良好条件。
因此，一些研究者开始专注于相关视频跟踪方面的研究。
人们日益认识到视频跟踪技术已成为科学技术研究和实际应用中不可缺少的技术之一。
在计算机视觉研究中引起众多研究者的极大兴趣技术之一的就是视频跟踪技术，由于人们对跟踪技术不倦的探索，其主要原因在于两个方面：在一方面，计算和存储成本显著下降，视频速率或使所述的视频图像序列采集和存储速率成为可能；在另一方面，视频跟踪技术具有非常广阔的市场前景，这也是研究者对其探索的主要动力。
除了在智能视频监视系统，视频跟踪技术还有一个非常重要的应用，即人与计算机互相交流，物体运动地分析，对运动目标地识别，对不同移动目标地分类，机器人视觉导航，图像压缩，流量检测和虚拟现实，并且视频跟踪技术在其他方面也有重要的应用；总之，研究目标运动情况并对其预测跟踪的技术对现实应用发挥了巨大作用【7】文中所用到的滤波器是众多可以处理信号装置中之一，滤波器应用范围十分广泛，其主要作用在于现代化电子设备以及不同控制系统，滤波器的质量优劣影响着产品的品质。
自从1960年以来，随着技术地发展，设备不断地更新换代，集成技术大面积的推广，滤波器的品质有了很大的提升。
如今的滤波器向功率损耗少处理数据稳定对计算机内存空间占用率小，产品价格更加低廉等方向发展。
到了若干年后，滤波器的性能已经大大地优化，不同应用型的滤波器被广泛地开发出来，高效率性能的滤波器被人们用于各种产品研发。
但是，在技术不断升级的时代，人们对滤波器的研究还在开发当中。
滤波器可分为经典和数字两大类，文中所研究的滤波器是经典型低通滤波器。
1.1.2课题研究的意义和目的由于复杂的视频跟踪背景图像对检测有着很大的影响，造成人们对运动检测变得十分困难。
人们为了更加了解目标对象跟踪相关知识，使用不同的方法对目标进行跟踪并提出了一些见解。
因此，本文的目的的是利用低通滤波来预测跟踪目标的运动状态。
低通滤波器可预测跟踪目标运动状态非高机性和高机性。
当用有效的跟踪方法通过所述滤波处理控制并重新配置流动性高的移动目标。
检验给定视频序列的跟踪情况，从而达到预测跟踪的目的。
视频目标跟踪已用于计算机视频系统中，并且大量跟踪算法应用于视频跟踪中。
两种最典型的跟踪算法是有关数据方面的驱动（从基底向上延伸）和有关模型方面驱动（从最高处向下延伸）。
前者为典型的均值漂移方法，后者可由卡曼尔滤波来证实，在下一个视频帧里，准确预测目标移动轨迹是节约寻找目标时间和在搜索窗口内匹配预测目标所不可缺少的一步。
然而，以内核数据驱动的跟踪策略为基础的如meanshift并不具有预测能力。
相比之下，在许多跟踪实现中，卡尔曼滤波作为预测器，这是因为卡尔曼预测以实现最终优化状态估计的事实，其被称为“先验状态估计”，在校正过程中被称为“后验状态估计”。
然而，在这文中所关心的是：由kalman所提供的预测精确性还达不到技术的期望。
为了改善预测的精确度，在视频预测跟踪目标中，有一种新的方法：设计LPF并将其运用到对高机目标运动进行跟踪。
与卡尔曼滤波相比，低通滤波能够显著地改善整体的预测精确度，但是目标突然改变运动方向时，低通滤波的预测能力不如卡尔曼滤波。
在本文中，LPF是专为预测视频运动而设计的。
作为视频预测跟踪，卡尔曼滤波器和低通滤波器是投入到相同实验室所生成的视频中来预测给定的目标来的运动轨迹。
测试后显示：所推荐的低通滤波器比卡尔曼滤波器的预测跟踪效果更加准确，因此低通滤波器可以作为预测跟踪的另一种选择。