监狱智能化安全防范技术：基于多模数据融合的目标跟踪与识别

利用高清摄像头和各类传感器设备采集的人-物-环境数据具有多样性、时变性的特点，从中提取稳定的目标特征进行融合，并建立具有多模数据自适应性的目标状态模型和表观模型，确保对感兴趣目标进行连续实时跟踪与识别。

目前，国内外的目标跟踪的研究主要集中在对视频数据的分析上。实施基于视频数据的目标跟踪，相关的算法需要分析连续的视频帧并输出目标的运动轨迹。现存的算法有多种，各有优劣。算法的核心主要集中在两个方面：目标的表征和定位、数据过滤和数据关联，主要分为基于运动分析的方法和基于图像匹配的方法。

帧间差分法和光流分割法是基于运动分析的主要方法。帧间差分法是对相邻帧做相减运算后，对结果图像做阙值并分割，提取运动目标。光流分割法是通过目标和背景之间的不同速度来检测运动的目标。基于光流估计的方法都是基于以下假设：灰度分布的变化完全是由目标或背景的运动引起的，即目标和背景的灰度不随时间变化。光流的逐次逼近计算模型通过唯一预补偿方法减少了时域微分估计的不准确性。(www.xing528.com)

基于图像匹配的方法可以识别待定目标以及确定运动目标的相对位置，正确截获概率和定位精度是图像匹配的主要性能指标。该方法可以分为三种：区域匹配、特征匹配、模型匹配以及频率域的匹配。区域匹配的方法是将目标图像与实时图像在所有可能的位置上进行叠加，然后计算相似性，取具有最大相似度的一块作为目标的位置。特征匹配即在提取特征后对特征属性适量作为相关度计算，相关系数的峰值即为匹配的位置。模型匹配，由于目标在运动中会有旋转、大小的变化、固定的模板已经不能满足准确匹配的要求，因此出现了变形模型，分为自由式变形模型以及参数变形模型。频率域匹配是将视频图像变换到频率域，然后根据变换的系数的幅值或相位来检测目标的运动。傅里叶变换是常用的频率分析方法。其中利用变换系数幅值的方法是根据在空间域的卷积等于在频率域相乘这个Fourier 变换性质，将图像中的模板相关转换到频率域实现的。

上述方法各有优缺点，帧差分法简单、速度快，但不能适应动态背景的。光流分割法具有较强的抗干扰性，但不能有效的区分目标运动造成的背景遮拦、显现以及孔径问题。区域匹配能够获得较高的定位精度，但计算量大，难以获得实时性的要求。模型匹配跟踪精度高，适用于机动目标各种运动变化，抗干扰能力强，但是计算复杂。频率域匹配法计算速度快、容易消去噪声、实时性好，将目标提取以及目标识别放在小波变换中进行，具有较高的分析能力且运算速度快。