分數階微積分及相關研究是近年來科研領域的研究熱點，該項研究不《目標圖像的識別與跟蹤》內容主要包括目標識別與跟蹤技術的研究現狀和基礎理論(第1章)、衛星目標定位方法(第2～4章)、目標識別方法(第5，6章)和目標跟蹤方法(第7，8章)，介紹了相關目標衛星定位、識別和跟蹤的研究背景、挑戰性問題、解決理論、算法設計過程和應用場景分析等內容，并給出了相應的實驗結果。
計算機科學、自動化、應用數學、運籌學、工業與系統工程、通信工程領域中從事相關研究的科技工作者和工程技術人員，計算機科學、自動化、應用數學、運籌學和相關專業本科生和研究生及教師
目錄
第1章 緒論 1
1.1 目標識別與跟蹤技術簡介 1
1.1.1 國內外研究成果 1
1.1.2 國內研究機構 2
1.2 目標識別與跟蹤技術的應用 3
1.3 目標識別與跟蹤相關技術 7
1.3.1 運動目標檢測技術 8
1.3.2 運動目標識別與跟蹤技術 9
1.4 圖像稀疏表示理論 15
1.4.1 稀疏表示模型 15
1.4.2 稀疏表示的度量 16
1.4.3 稀疏表示的優化算法 16
第2章 衛星軌道參數計算 19
2.1 引言 19
2.2 衛星軌道描述 20
2.3 坐標系變換 22
2.3.1 平移變換 22
2.3.2 正交變換 23
2.3.3 直角坐標與極坐標的轉換 24
2.4 導航定位方法 25
2.4.1 軌道計算 25
2.4.2 定位計算 32
2.5 仿真 34
2.6 小結 34
第3章 衛星導航定位算法 35
3.1 引言 35
3.2 導航定位算法的改進算法 35
3.2.1 對經典導航定位算法的改進 35
3.2.2 線性化求解的導航算法改進 39
3.2.3 卡爾曼濾波的導航算法的改進 40
3.3 基于迭代的導航定位新算法 44
3.3.1 具體實施算法 44
3.3.2 算法的收斂性 46
3.3.3 仿真 46
3.3.4 迭代法的加速收斂討論 47
3.4 小結 48
第4章 基于衛星定位誤差的星座配置算法 49
4.1 引言 49
4.2 幾何精度指標 49
4.3 定位誤差的三維幾何分布 50
4.3.1 定位誤差協方差的計算 50
4.3.2 X與θ的關系 53
4.3.3 PDOP與仰角和方位角的關系 54
4.4 定位誤差及其四維幾何分布與選星 56
4.4.1 定位誤差及其GDOP 56
4.4.2 星座仰角和方位角對定位精度的影響 57
4.5 仿真和討論 58
4.5.1 仿真 58
4.5.2 一種新的選星算法 59
4.6 小結 60
第5章 基于模糊推理的目標識別算法 61
5.1 引言 61
5.2 有序加權平均算子的基本知識 62
5.3 一種區間值模糊推理 63
5.3.1 推理方法介紹 63
5.3.2 實例分析 66
5.4 模糊推理方法在紋理目標識別中的應用 67
5.5 小結 72
第6章 基于閾值的模糊目標識別算法 73
6.1 引言 73
6.2 模糊信號的閾值處理方法 76
6.2.1 閾值降噪 77
6.2.2 閾值去噪仿真 78
6.2.3 權值調整模糊處理 80
6.3 目標識別 80
6.3.1 目標特征提取 80
6.3.2 分級的自動識別方法 82
6.4 實驗及結果分析 83
6.5 小結 85
第7章 基于稀疏INMF的目標跟蹤算法 86
7.1 引言 86
7.2 非負矩陣分解相關理論 87
7.2.1 非負矩陣理論的發展 87
7.2.2 非負矩陣分解的目標函數 88
7.2.3 非負矩陣分解的優化求解方法 89
7.3 增量式非負矩陣分解理論 90
7.3.1 增量非負矩陣的目標函數 90
7.3.2 增量非負矩陣的更新規則 92
7.4 基于約束INMF的目標跟蹤算法 93
7.4.1 稀疏非負子空間外觀模型 93
7.4.2 外觀模型的優化求解策略 94
7.4.3 在線目標跟蹤算法框架 95
7.5 試驗結果分析與比較 97
7.5.1 實驗結果定性分析 98
7.5.2 實驗結果定量分析 101
7.5.3 適用性討論 102
7.6 小結 102
第8章 基于多任務學習的目標跟蹤算法 104
8.1 引言 104
8.2 多任務學習基本理論 106
8.2.1 多任務學習的典型分類 107
8.2.2 多任務學習的典型算法模型 108
8.3 稀疏原型外觀模型理論 110
8.4 基于多任務稀疏原型的視頻跟蹤算法 111
8.4.1 多任務稀疏外觀模型 111
8.4.2 基于APG方法的化求解策略 112
8.4.3 基于多任務稀疏原型的跟蹤算法框架 114
8.5 試驗結果分析與比較 115
8.5.1 實驗結果定性分析 116
8.5.2 實驗結果定量分析 121
8.5.3 適用范圍 124
8.6 小結 124
參考文獻 125
彩圖
第1章 緒論
目標識別與跟蹤技術綜合了圖像處理、人工智能、概率與過程、化和自動控制等多學科理論，每個學科的進步都會促進其向更深層次的研究和發展，具有十分重要的軍事和商業應用價值，受到各個階層研究者的廣泛關注。
1.1 目標識別與跟蹤技術簡介
目標識別與跟蹤技術的實質是通過衛星、雷達或傳感器等數據采集設備，對指定的興趣目標(如飛機、輪船、行人或監控物等)在特定場景中的運動進行連續性推斷或評估，以獲得目標的實時狀態(如位置、尺寸和速度等信息)，并對其中的有用信息進行分析和處理，以建立低層次圖像處理技術和高層次語義內容分析與理解之間的橋梁。近些年，隨著航空航天技術、計算機技術、傳感器技術以及數據處理技術的不斷進步，目標識別與定位技術在軍用、民用和智能化產品中越來越呈現出十分重要的作用，各國政府、高等院校、研究所和商業公司不斷對該技術的研究投入大量的人力和財力資源，相應的理論和應用成果也隨之不斷涌現。
1.1.1 國內外研究成果
在衛星定位系統研究方面，法國于1986年發射SPOT1(Systeme Probatoired Observation de la Terre)衛星，空間分辨率約為10m，到2012年發射的SPOT6衛星，空間分辨率能夠達到1.5m。2014年繼續發射SPOT7衛星，進一步提高了衛星獲取數據的效率和手段。同時，借助分散在世界各地的地面校驗場對衛星傳感器參數進行幾何校正，不斷提高衛星影像的定位精度；美國于20世紀70年代構建GPS(Global Positioning System)，經過幾十年的發展，GPS目前包含的星座數目已高達31顆。預計第四代GPS工作衛星將實現33顆星座分布式工作，大大提高了目標定位精度；俄羅斯的全球導航衛星系統(Global Navigation Satellite System，GLONASS)于20世紀80年代初開建，1996年達到24顆衛星，開始工作。其間經過十年多的停滯，直到2010年，GLONASS系統恢復部署，共有31顆衛星在軌運行，旨在提高目標定位精度；國內自主研發了北斗導航衛星系統(BeiDou Navigation Satellite System，BDS)，其目標是建成獨立自主、開放兼容、技術先進、穩定的覆蓋全球的定位導航系統，并計劃于2020年建設成由35顆衛星組成的定位系統。目前北斗二代系統已經發射16顆衛星，具備了區域導航定位的能力，正在逐步向覆蓋全球的定位系統推進。為了提高定位精度，我國在西安、上海、長春、昆明、烏魯木齊、南極等6個地區建立了跟蹤站，并與1個數據中心和1個分析中心組成測試評估系統。同時，在新加坡、澳大利亞等8個國家建立了實驗跟蹤站，將軌道精度由5m提高到0.5m，CEO衛星軌道精度達到2m。通信衛星、遙感衛星和測繪衛星等多類型的信息采集途徑和日益提高的衛星定位精度，使人們可以通過對衛星獲取的信息進行特征提取和分析，進而深入研究指定目標物的識別與跟蹤方法。
在目標識別與跟蹤系統研究方面，美國國防高級研究項目署(DARPA)分別于2000年和2008年資助了項目HID(Human Identioncation at a Distance)和實時流視頻監控技術研究，前者旨在開發多模式監控技術，后者旨在從視頻中快速發現人的行為并進行分析；美國的空軍研究室、海軍研究室和導彈系統研究中心等部門聯合開展試驗衛星系統研究計劃，于2003年發射首顆衛星ESS-10，其可以對低軌道上的航天器進行拍照，并對目標進行跟蹤、監視和位移保持等。2005年再次發射ESS-11衛星，它可以進行自主跟蹤、監視和交會等操作。俄羅斯研制出的空間目標監視系統和導彈預警系統，其境內主要布有名為"沃羅涅日"及"伏爾加河"的雷達監視網絡，它的空間目標監視技術在某些方面已經超過美國。2000年英國也發射了Snap-1衛星，通過安裝的視覺傳感器系統，可以到達兩公里內對其他小衛星的持續性跟蹤。中國科學院自動化研究所的模式識別國家重點實驗室研究并開發的交通監控系統VS-Star(Visual Surveillance Star)，已經在2008年的北京奧運會和2010年的上海世博會上用來輔助安防監控的"中科奧森"人臉識別和智能的視頻監控系統，并且分別在2011年和2012年發射"神州八號"和"神州九號"飛船，實現了與天宮交會對接技術，其中視覺傳感器技術的應用起到了非常關鍵的作用。另外，意大利摩德納大學(UNIMO)于2003年研發的SAKBOT系統，IBM于2004年開發的Smart系統，雷丁大學與法國INRIA等研究部門聯合在2004年研究并開發了機場智能監控系統項目AVITRACK等。
1.1.2 國內研究機構
國內外很多研究所和大學都在目標識別與跟蹤方面做出了深入的研究，并且取得了大量的研究成果。在國外，如美國的中佛羅里達大學、卡耐基梅隆大學、南加州大學、麻省理工學院，英國的牛津大學，瑞士的蘇黎世聯邦理工學院，澳大利亞的阿德萊德大學和法國的計算機科學與技術研究所等。
在國內，中國科學院自動化研究所的模式識別國家重點實驗室和微軟亞洲研究院的視覺研究組在目標跟蹤和目標識別等方面處于經驗豐富地位。其他高校也在積極開展研究，如清華大學、北京大學、浙江大學、上海交通大學、華中科技大學、西安交通大學等也在目標識別、視頻分析和理解領域進行了深入的研究。
在實際應用方面，很多國內外的公司和企業也長期致力于視頻相關技術的研發，如美國的ObjectVideo、DVTel公司、法國的Citilog公司、以色列的NiceVision公司和瑞典的IMINT公司等。在國內，杭州海康威視公司擁有經驗豐富的技術，致力于視頻處理和分析技術的研發；深圳大疆科技公司自主研發的影像采集和處理系統，雖然起步較晚但發展迅猛；深圳貝爾信公司在嵌入式系統智能行為識別方面具有較強的科研優勢；還有全球鷹、迪威視訊、大華股份等。此外，一些IT公司(如Google、微軟、IBM、百度和華為等)也在不斷研發與目標跟蹤相關的應用產品。
1.2 目標識別與跟蹤技術的應用
近年來，隨著計算機處理能力的不斷提高，存儲成本的不斷下跌，目標識別與跟蹤技術的研究進程得到了巨大的推動。然而，真正使目標識別與跟蹤技術在視覺領域中獲得廣泛關注的主要原因是其在實際中大量而又極其重要的應用。
1.智能視頻監控系統
智能視頻監控系統(Intelligent Video Surveillance，IVS)是計算機視覺領域中活躍的應用方向之一。它利用計算機視覺、圖像處理和狀態空間分析等理論，在盡可能少的人為干預條件下，對視頻序列中的目標進行提取、處理、分析和理解，以實現對特定目標的定位、識別和跟蹤，保持目標在視頻監控內的運動可見性。同時，當目標在攝像機視野消失后再出現時(可能出現在另外一個攝像機)，能夠實時調節單攝像機的角度和進行多攝像機間的通信，從而捕捉到興趣目標的運動軌跡。然后，對跟蹤結果進行分析以實現異常行為檢測、社會活動分析和可疑目標預警等操作，提高公共安全的保障能力。依據市場研究結果顯示，美國自2009年開始已經組建了包含約3000萬臺攝像機的監控網絡，投入經費從2006年的49億美元上漲到2011年的90億美元。雖然我國安防市場起步較晚，但根據《中國安防行業"十二五"發展規劃》，截止到2015年，我國的安防行業總產值已達到5000億元。
如圖1.1所示，智能視頻監控系統主要研究內容包括：低級圖像采集與處理；中級目標表征、識別和跟蹤；高級圖像理解與行為，語義識別和分析等。可以明顯看出，目標檢測、識別和跟蹤技術是該系統正常運行不可缺少的核心組成部分。在國內，中國科學院自動化研究所模式識別國家重點實驗室建立了一套針對室內外場景監控的視頻運動目標分析系統，能夠分析場景中目標運動過程中存在的多種體態形式，獲得了很好的應用效果。西北工業大學建立了一套Great Wall視頻目標綜合分析系統，能夠實現復雜系統下對特定目標的跟蹤、形態分析和行為識別等功能。此外，杭州海康威視研究院也基于高速公路環境設計出一系列異常行為檢測、違章停車和交通擁塞識別等產品，并已經成功推向市場。因此，作為智能視頻監控中的關鍵性技術，目標識別與跟蹤算法的研究具有很大的應用價值。
圖1.1智能視頻監控系統層次結構示意圖
2.智能交通系統
交通安全已經成為當今社會的一大重要問題，城市智能交通系統(Intelligent Transportation System，ITS)的目標是對城市交通進行監控和控制。該系統通過對城市中所有道路交通的流量檢測、交通狀況檢測、環境氣象檢測和運行狀況等進行信息提取，從而產生智能化控制方案，以達到控制交通流量、改善交通運行狀況、減少事故發生概率和即時響應交通緊急狀況的目的。智能交通系統正在成為緩解交通堵塞、提高交通安全及輔助交通管理等問題的有效解決工具，已受到世界各國的重視。為此，世界各國紛紛投入大量的資金和科研人員研制智能交通系統，如美國研制出的車輛檢測系統(AUTOSCOP)，法國研制開發的能夠檢測違章停車、逆行和超速等行為的TRAFICON系統，日本研制的車輛信息與通信系統(VICS)等。我國在《國家中長期科學和技術發展規劃綱要(2006-2020)》中強調了智能交通系統在國家戰略中的重要作用。清華大學研制的自動交通視覺監控系統(VISATRAM)能夠將視覺交通檢測的研究成果應用到中國公路交通的高科技研究產品中。中國臺灣交通大學電機與控制工程學系智能控制系統集成實驗室開發了獨立式實時圖像跟蹤系統，對交通視頻圖像中的車輛進行檢測和跟蹤。
智能交通領域中，由于道路本身的復雜性、光線變化、陰影、天氣因素等事件問題，造成系統虛警或漏檢。復雜場景下目標檢測、識別與跟蹤成為高級視覺識別的挑戰性難題。目標識別與跟蹤技術以在線或離線的形式在智能交通系統中起到了重要的作用，其利用智能交通網絡中安裝的大量攝像機，對車輛進行實時監控、識別和跟蹤，以自動獲得車輛的速度、流量和道路擁堵狀況等信息。同時，利用不斷積累的車輛跟蹤結果進行統計、分析和數據建模，在目標識別與跟蹤技術的幫助下，與車輛相關的位置、速度和軌跡等信息更容易被自動獲得，從而能夠達到在無人為參與的情況下對交通狀態進行實時分析。文獻研究了Quick Bird衛星數據中城市道路中的車輛隊列信息，依據單個車輛特征建立車隊模型，通過匹配算法對車輛隊列識別，在邊緣提取和寬度函數分析的基礎上，實現單個車輛檢測。文獻在道路提取的基礎上，利用顏色模型提出車輛識別方法，并利用窗口搜索識別單個車輛，在車輛識別的基礎上，提取車輛密度等交通流參數，以輔助智能交通系統。文獻針對高分辨率遙感圖像中的小型目標，利用視覺注意機制實現目標檢測，結合背景抑制、Mean Shift分割、目標特征提取等算法，有效實現運動目標的穩定跟蹤。
文獻研究了支持向量機(SVM)模型在車流量預測領域的應用。文獻深度學習了將模型應用到車流量預測領域，大大提高了預測的精準度。
3.移動機器人導航
移動機器人是一種典型的自主式機器系統，具有很高的智能化水平，是機器人學、動力學、自動控制、電子技術、計算機技術和人工智能等多學科交叉的產物，是目前國內外學術研究的活躍領域。智能導航系統主要是利用攝像機和其他傳感器設備對周圍環境和興趣目標進行實時檢測和跟蹤，基于對視頻處理結果的理解與分析，引導機器人或車輛執行特殊的作業或任務。美國國家航空航天局(NASA)研制的"勇氣號"和"機遇號"火星探測車，通過導航攝像機實現路徑規劃并引導儀器設備進行精細檢測。德國凱撒斯勞滕工業大學和比利時皇家軍事學院聯合研制移動機器人RAVON，通過車體前方頂部兩個攝像機組成立體視覺系統，承擔遠程場景目標的觀測、路徑規劃和導航任務，并利用多臺工控機完成實時導航。我國哈爾濱工業
