本發(fā)明涉及圖像處理技術領域，具體而言，涉及一種運動圖像跟蹤方法及裝置。

背景技術：

運動圖像跟蹤主要是通過圖像處理技術在圖像中搜索運動目標的位置，通過對目標的檢測定位而實現(xiàn)跟蹤的技術，在實際中有著非常廣泛的應用前景，包括安全監(jiān)控、軍事應用、醫(yī)療診斷、智能導航、人機交互等。

目前，現(xiàn)有技術在運動圖像進行跟蹤時，常會由于光照不夠、亮度不均衡等導致運動圖像明暗交替，目標與背景不清楚等問題，對運動目標的精準識別與跟蹤造成重大影響。同時，在通過目標識別得到的運動目標圖像信息對運動目標進行跟蹤時，容易出現(xiàn)目標模型與候選模型不匹配，導致出現(xiàn)跟蹤失敗的問題。

技術實現(xiàn)要素：

有鑒于此，本發(fā)明實施例的目的在于提供一種運動圖像跟蹤方法及裝置以改善上述問題。

本發(fā)明實施例提供的一種運動圖像跟蹤方法包括：

對運動圖像進行均衡照度處理；

通過幀間差分法對運動圖像中每幀圖像進行運動目標的識別；

通過Bhattacharyya參數(shù)對相鄰兩幀圖像上的運動目標進行相似度分析，得到運動目標的運動軌跡。

優(yōu)選地，對運動圖像進行均衡照度處理的步驟包括：

根據(jù)光照照度和對比度對運動圖像中的每幀圖像進行歸類，獲得低照度低對比度圖像和高照度低對比度圖像；

對得到的低照度低對比度圖像進行圖像均衡處理，對高照度低對比度圖像進行像素點灰度值范圍拉伸處理；

根據(jù)運動圖像中所有圖像的平均灰度值，運動圖像中的多幀圖像進行照度均衡處理，以使運動圖像中的相鄰幀圖像照度均衡。

優(yōu)選地，通過幀間差分法對運動圖像中每幀圖像進行運動目標的識別的步驟包括：

通過背景圖像與運動圖像中每幀圖像進行差分識別，得到每幀圖像上的完整目標；

對所有相鄰幀圖像進行差分識別，得到所有相鄰幀圖像上的目標變化量；

取完整目標與目標變化量的公共部分，得到每幀圖像上的目標變化部分圖像；

對每幀圖像上的目標變化部分圖像進行形態(tài)學處理得到每幀圖像上的運動目標。

優(yōu)選地，通過Bhattacharyya參數(shù)對相鄰兩幀圖像上的運動目標進行相似度分析，得到運動目標的運動軌跡的步驟包括：

建立運動目標的特征概率函數(shù)表達運動目標模型；

建立候選區(qū)域的特征概率函數(shù)表達候選區(qū)域模型；

通過Bhattacharyya函數(shù)建立運動目標模型與候選區(qū)域模型的相似度函數(shù)，得到運動目標與候選區(qū)域的相似度；

設定度量參數(shù)，約束運動目標模型與候選區(qū)域模型相差的范圍；

當運動目標模型與候選區(qū)域模型相差的范圍小于設定的閾值時將前一幀圖像上的目標坐標移動到目前圖像所處的坐標。

優(yōu)選地，在得到運動目標的運動軌跡后，所述方法還包括：

通過TLD跟蹤算法對運動目標進行多尺度跟蹤。

本發(fā)明實施例提供的一種運動圖像跟蹤裝置包括：

照度處理模塊，用于對運動圖像進行均衡照度處理；

運動目標識別模塊，用于通過幀間差分法對運動圖像中每幀圖像進行運動目標的識別

運動軌跡獲取模塊，用于通過Bhattacharyya參數(shù)對相鄰兩幀圖像上的運動目標進行相似度分析，得到運動目標的運動軌跡。

優(yōu)選地，所述照度處理模塊還用于：

根據(jù)光照照度和對比度對運動圖像中的每幀圖像進行歸類，獲得低照度低對比度圖像和高照度低對比度圖像；

對得到的低照度低對比度圖像進行圖像均衡處理，對高照度低對比度圖像進行像素點灰度值范圍拉伸處理；

根據(jù)運動圖像中所有圖像的平均灰度值，運動圖像中的多幀圖像進行照度均衡處理，以使運動圖像中的相鄰幀圖像照度均衡。

優(yōu)選地，運動目標識別模塊還用于：

通過背景圖像與運動圖像中每幀圖像進行差分識別，得到每幀圖像上的完整目標；

對所有相鄰幀圖像進行差分識別，得到所有相鄰幀圖像上的目標變化量；

取完整目標與目標變化量的公共部分，得到每幀圖像上的目標變化部分圖像；

對每幀圖像上的目標變化部分圖像進行形態(tài)學處理得到每幀圖像上的運動目標。

優(yōu)選地，所述運動軌跡獲取模塊還用于：

建立運動目標的特征概率函數(shù)表達運動目標模型；

建立候選區(qū)域的特征概率函數(shù)表達候選區(qū)域模型；

通過Bhattacharyya函數(shù)建立運動目標模型與候選區(qū)域模型的相似度函數(shù)，得到運動目標與候選區(qū)域的相似度；

設定度量參數(shù)，約束運動目標模型與候選區(qū)域模型相差的范圍；

當運動目標模型與候選區(qū)域模型相差的范圍小于設定的閾值時將前一幀圖像上的目標坐標移動到目前圖像所處的坐標。

優(yōu)選地，運動圖像跟蹤裝置還包括多尺度跟蹤模塊，所述多尺度跟蹤模塊用于通過TLD跟蹤算法對運動目標進行多尺度跟蹤。

對于現(xiàn)有技術，本發(fā)明提供的運動圖像跟蹤方法及裝置具有如下的有益效果：

本發(fā)明提供的運動圖像跟蹤方法及裝置通過將運動圖像中對比度不高的圖像照度進行歸類，得到低照度低對比度圖像和高照度低對比度圖像，然后針對性地對圖像進行增強或灰度值拉伸處理，矯正照度，最后考慮到相鄰視頻幀之間的關聯(lián)性，進行一定照度彌補，最終達到運動圖像序列照度均衡以確保運動目標的精準識別與跟蹤。同時，通過幀間差分法識別出運動目標，并通過Bhattacharyya參數(shù)對相鄰兩幀圖像上的運動目標進行相似度分析能夠準確的實現(xiàn)對運動目標的跟蹤，避免跟蹤目標丟失的情況發(fā)生。

為使本發(fā)明的上述目的、特征和優(yōu)點能更明顯易懂，下文特舉較佳實施例，并配合所附附圖，作詳細說明如下。

附圖說明

為了更清楚地說明本發(fā)明實施例的技術方案，下面將對實施例中所需要使用的附圖作簡單地介紹，應當理解，以下附圖僅示出了本發(fā)明的某些實施例，因此不應被看作是對范圍的限定，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他相關的附圖。

圖1為本發(fā)明較佳實施例提供的圖像處理終端與圖像獲取設備進行交互的示意圖。

圖2為本發(fā)明較佳實施例提供的圖像處理終端的方框示意圖。

圖3本發(fā)明較佳實施例提供的運動圖像跟蹤方法的流程圖。

圖4是本發(fā)明較佳實施例提供的運動圖像跟蹤裝置的功能模塊示意圖。

主要元件符號說明

圖像處理終端100，圖像獲取設備200，網(wǎng)絡300，運動圖像跟蹤裝置110，存儲器120，存儲控制器130，處理器140，外設接口150，輸入輸出單元160，音頻單元170，顯示單元180，照度處理模塊111，運動目標識別模塊113，運動軌跡獲取模塊115，多尺度跟蹤模塊117。

具體實施方式

下面將結合本發(fā)明實施例中附圖，對本發(fā)明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例。通常在此處附圖中描述和示出的本發(fā)明實施例的組件可以以各種不同的配置來布置和設計。因此，以下對在附圖中提供的本發(fā)明的實施例的詳細描述并非旨在限制要求保護的本發(fā)明的范圍，而是僅僅表示本發(fā)明的選定實施例?；诒景l(fā)明的實施例，本領域技術人員在沒有做出創(chuàng)造性勞動的前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

應注意到：相似的標號和字母在下面的附圖中表示類似項，因此，一旦某一項在一個附圖中被定義，則在隨后的附圖中不需要對其進行進一步定義和解釋。同時，在本發(fā)明的描述中，術語“第一”、“第二”等僅用于區(qū)分描述，而不能理解為指示或暗示相對重要性。

如圖1所示，是本發(fā)明較佳實施例提供的圖像處理終端100與圖像獲取設備200進行交互的示意圖。所述圖像處理終端100通過網(wǎng)絡300或直接與圖像獲取設備200進行通信連接，以進行數(shù)據(jù)交互。所述圖像處理終端100可以是網(wǎng)絡服務器、數(shù)據(jù)庫服務器、個人電腦等。所述圖像獲取設備200可以是視覺傳感器和攝像機等。

如圖2所示，是所述圖像處理終端100的方框示意圖。所述圖像處理終端100包括運動圖像跟蹤裝置110、存儲器120、存儲控制器130、處理器140、外設接口150、輸入輸出單元160、音頻單元170、顯示單元180。

所述存儲器120、存儲控制器130、處理器140、外設接口150、輸入輸出單元160、音頻單元170、顯示單元180各元件相互之間直接或間接地電性連接，以實現(xiàn)數(shù)據(jù)的傳輸或交互。例如，這些元件相互之間可通過一條或多條通訊總線或信號線實現(xiàn)電性連接。所述運動圖像跟蹤裝置110包括至少一個可以軟件或固件(firmware)的形式存儲于所述存儲器120中或固化在所述運動圖像跟蹤裝置110的終端設備的操作系統(tǒng)(operating system，OS)中的軟件功能模塊。所述處理器140用于執(zhí)行存儲器120中存儲的可執(zhí)行模塊，例如所述運動圖像跟蹤裝置110包括的軟件功能模塊或計算機程序。

其中，存儲器120可以是，但不限于，隨機存取存儲器(Random Access Memory，RAM)，只讀存儲器(Read Only Memory，ROM)，可編程只讀存儲器(Programmable Read-Only Memory，PROM)，可擦除只讀存儲器(Erasable Programmable Read-Only Memory，EPROM)，電可擦除只讀存儲器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。其中，存儲器120用于存儲程序，所述處理器140在接收到執(zhí)行指令后，執(zhí)行所述程序，前述本發(fā)明實施例任一實施例揭示的流過程定義的圖像處理終端100所執(zhí)行的方法可以應用于處理器140中，或者由處理器140實現(xiàn)。

處理器140可能是一種集成電路芯片，具有信號的處理能力。上述的處理器可以是通用處理器，包括中央處理器(Central Processing Unit，簡稱CPU)、網(wǎng)絡處理器(Network Processor，簡稱NP)等；還可以是數(shù)字信號處理器(DSP)、專用集成電路(ASIC)、現(xiàn)成可編程門陣列(FPGA)或者其他可編程邏輯器件、分立門或者晶體管邏輯器件、分立硬件組件?？梢詫崿F(xiàn)或者執(zhí)行本發(fā)明實施例中的公開的各方法、步驟及邏輯框圖。通用處理器可以是微處理器或者該處理器也可以是任何常規(guī)的處理器等。

所述外設接口150將各種輸入/輸入裝置耦合至處理器以及存儲器120。在一些實施例中，外設接口150，處理器140以及存儲控制器130可以在單個芯片中實現(xiàn)。在其他一些實例中，他們可以分別由獨立的芯片實現(xiàn)。

輸入輸出單元160用于提供給用戶輸入數(shù)據(jù)實現(xiàn)用戶與所述服圖像處理終端100的交互。所述輸入輸出單元160可以是，但不限于，鼠標和鍵盤等。

音頻單元170向用戶提供音頻接口，其可包括一個或多個麥克風、一個或者多個揚聲器以及音頻電路。

顯示單元180在所述圖像處理終端100與用戶之間提供一個交互界面(例如用戶操作界面)或用于顯示圖像數(shù)據(jù)給用戶參考。在本實施例中，所述顯示單元180可以是液晶顯示器或觸控顯示器。若為觸控顯示器，其可為支持單點和多點觸控操作的電容式觸控屏或電阻式觸控屏等。支持單點和多點觸控操作是指觸控顯示器能感應到來自該觸控顯示器上一個或多個位置處同時產生的觸控操作，并將該感應到的觸控操作交由處理器進行計算和處理。

請參閱圖3，是本發(fā)明較佳實施例提供的應用于圖2所示的運動圖像跟蹤裝置的運動圖像跟蹤方法的流程圖。下面將對圖3所示的具體流程進行詳細闡述。

步驟S101，對運動圖像進行均衡照度處理。

當圖像處理終端獲得圖像獲取設備上傳的運動圖像時，將圖像按照光照照度進行歸類，分為光照照度過高(即過度曝光)的圖像與光照照度過低(即曝光不足)的圖像，運用相應的照度調整方法對運動圖像做出改進?？紤]到視頻中前后幀有一定的連貫性，最后運用幀差的方法將均衡之后的圖像做出最后的調整。

具體的，求每幀圖像上像素點的平均灰度值當平均灰度大于預先設定的界限值R時，則說明該幀圖像屬于光照度過高的圖像即高照度圖像，否則該幀圖像為光照度過低的圖像即低照度圖像。

根據(jù)對比度高低，從高照度圖像中選取出高照度低對比度圖像，從低照度圖像中國選取出低照度低對比度圖像，其中，低對比度的標準可以預先設定。

對于低照度低對比度圖像，根據(jù)灰度值可分為高頻區(qū)和低頻區(qū)，針對高頻區(qū)和低頻區(qū)賦予各自不同的權重，并分別相應處理以實現(xiàn)光照均衡。對于高照度低對比度圖像，圖像較為明亮，像素點的平均灰度值在一個較大值的區(qū)塊，區(qū)分不大即不易被肉眼分清，此時通過像素點的灰度值范圍拉伸變化處理，拉伸變化處理函數(shù)公式為β'＝high/max(f)ⁿ*f(x,y)，其中high是處理之后圖片中最大的灰度值，為255；max(f)是圖片中像素點的最大灰度值；n是冪函數(shù)次數(shù)；f(x,y)是圖像灰度值。

運動圖像經由此函數(shù)均衡處理以后，圖像中平均照度較高(即平均灰度值較大)、對比度較小的區(qū)域像素分布范圍被擴大，圖片顯示較為清晰。

針對運動目標圖像而言，在考慮單幀圖像內容之外仍得考慮相鄰幀之間的關聯(lián)性，因此對整體視頻圖像進行均衡照度。

具體的，視頻連續(xù)的幾幀圖像相減作差運算，如果不存在運動目標則會得到灰度值為0的純黑圖像，否則會獲得發(fā)生改變的運動目標部分。由于其計算復雜度比較低，常用于實時的目標識別。視頻中前后圖片的關聯(lián)性比較大，相鄰幀圖像相似度公式為是所有視頻幀圖片平均值灰度值，I_i與I_j是前后兩張相異圖片。R值一定程度上反映了兩張圖片的相似度，R值越小，則圖片相差越明顯。若前后相鄰幀圖片之間的相似度越大，則表明兩張圖片越接近，照度尚有一定關聯(lián)性。鑒于此，本實施例提出了一種基于相鄰幀間差法的照度彌補方法，照度彌補公式為：其中，I_i+1′＝I_i+1′+θ(diff)。

式中RM用來界定兩張圖片的相似度，取值范圍是[0.85，1.0]。若相似度比較高那么在照度均衡之后繼續(xù)針對局部區(qū)域做照度補償運算。相鄰幀差算法能夠將運動改變的區(qū)塊照度設為非零值，然而沒有改變的區(qū)域照度變化值為零。從運算結果可以得知，若變化部分圖片照度由高變低，則θ(diff)值小于零，由公式I_i+1′＝I_i+1′+θ(diff)可以調整；相反，若變化部分圖片照度由低變高，則θ(diff)值大于零，同樣由公式I_i+1′＝I_i+1′+θ(diff)可以得到調整。

步驟S102，通過幀間差分法對運動圖像中每幀圖像進行運動目標的識別。

在對運動圖像進行均衡照度處理后，首先，選取選擇背景圖像B_k(x,y)，背景圖像B_k(x,y)不包括前景目標，僅有背景區(qū)域的圖像，背景圖像B_k(x,y)為標準圖像數(shù)據(jù)集中提供的。

為方便描述，本實施例中，以運動圖像中的連續(xù)2幀圖像進行說明，該連續(xù)2幀圖像分別計為當前幀圖像P_k(x,y)和前一幀圖像P_k-1(x,y)。

將當前幀圖像P_k(x,y)與背景圖像B_k(x,y)作差(差分運算)得到當前幀圖像P_k(x,y)上的完整目標FD(x,y)。將前幀圖像P_k(x,y)與前一幀圖像P_k-1(x,y)作差，得到當前幀圖像P_k(x,y)與前一幀圖像P_k-1(x,y)的目標變化量FG(x,y)。取完整目標FD(x,y)與目標變化量FG(x,y)的公共部分，即得到當前幀圖像P_k(x,y)上的目標變化部分圖像。

對每幀圖像上的目標變化部分圖像進行形態(tài)學處理得到每幀圖像上的運動目標，從而提取出每幀圖像上運動目標的邊緣和輪廓特征。

步驟S103，通過Bhattacharyya參數(shù)對相鄰兩幀圖像上的運動目標進行相似度分析，得到運動目標的運動軌跡。

提取出每幀圖像上運動目標的邊緣和輪廓特征后，通過運動目標的全部特征概率值來表達運動目標模型。具體的，建立運動目標的特征概率函數(shù)其中x₀為運動目標的中心坐標，運動目標的特征值u為正整數(shù)，K(x)為核函數(shù)的輪廓函數(shù)，越接近運動目標中心的點數(shù)賦予越大的權值，δ(x)是Delta函數(shù)，δ[b(x_i)-u]的功能是判定目標部分像素點xⁱ的色彩值是否能對應第u個bin，若屬于第u個bin，δ(x)值為1，否則為0，C為規(guī)范化常量，用于使

同時，建立候選區(qū)域(圖像上采樣一些圖像片，這些區(qū)域可能包含運動目標。稱為候選區(qū)域)的特征概率函數(shù)表達候選區(qū)域模型，該函數(shù)為其中y為候選區(qū)域的中心坐標，候選模型的特征值u為正整數(shù)。

然后，通過Bhattacharyya參數(shù)衡量相似度表達近似水平，參數(shù)公式為表示運動目標與候選區(qū)域的相似度。

當滿足小于預設的參數(shù)θ時，表示目標信息與候選區(qū)域的相似度相差較大，重新開始執(zhí)行上述建立目標信息的特征概率函數(shù)的步驟，即調用差分法在當前幀中搜尋運動目標，直到找到當前幀中的運動目標。

使最大化，將當前幀圖像上的運動目標的中心定義為前一幀圖像上運動目標的中心坐標y₀，搜尋匹配最佳的目標坐標為y₁。將相似度函數(shù)在泰勒展開，得到函數(shù)其中令最大相似度函數(shù)的結果，能得到mean-shift矢量y₁-y₀，如果得到||y₁-y₀||<ε，則終止迭代，運動目標的中心坐標均由y₀移動到新的坐標y₁，移動函數(shù)為其中，g(x)＝-k′(x)。

基于上述方法，目標部分由開始坐標變換至現(xiàn)在目標所處坐標，從而達到了跟蹤效果。

步驟S104，通過TLD跟蹤算法對運動目標進行多尺度跟蹤。

進一步的，本發(fā)明實施例還提出了一種基于單目標長時間跟蹤算法(Tracking-Learning-Detection，TLD)的多尺度跟蹤方法，所提方法包含3個部分：改進的mean-shift跟蹤部分，P-N學習部分和改進的決策樹識別部分。在擬定的方法框架內，mean-shift跟蹤方法是作為一個短期的跟蹤器，然后將搜集到的所有目標候選模型存入到目標特點數(shù)據(jù)庫中以供P-N學習法參考。在必要時，決策樹探測目標實時地糾正跟蹤路徑。

方法具體實現(xiàn)步驟包括：

手動方法框選初始運動目標。

改進MS跟蹤器得到運動目標模型同時進行跟蹤。

P-N學習部分將分析學習目標特征庫中的目標特征。

P-N部分將特征數(shù)據(jù)傳給跟蹤器與識別器。

MS跟蹤器更新運動目標模型。

改進的決策樹檢測模塊分析模型特征并進行實時目標檢測。

檢測模塊將運動目標模型與候選模型相匹配。

本發(fā)明提供的運動圖像跟蹤方法具有如下有益效果：

(1)提出一種基于改進空域變換與直方規(guī)定化相結合的圖像光照均衡方法。將待處理的對比度不高的圖像照度進行歸類，劃分為低照度圖像與高照度圖像，然后針對性地使用改進的圖像增強或均衡等處理方法進行增強或均衡，矯正照度，最后考慮到相鄰視頻幀之間的關聯(lián)性，進行一定照度彌補，最終達到運動圖像序列照度均衡。

(2)提出一種能夠更新背景的目標識別方法。包括兩個過程：背景學習部分與目標識別部分。前者根據(jù)目標識別系統(tǒng)識別的結果按照背景、目標進行分類學習；后者把背景學習系統(tǒng)的輸出結果作為本系統(tǒng)的輸入一部分，另外的輸入是當前幀圖像，采用背景差分法和幀間差分法，根據(jù)背景像素點灰度值與坐標均能保持一致這一特點，將相鄰若干幀作差從而獲取目標，即對圖像序列做時域高通濾波，最終實現(xiàn)對當前幀圖像中目標的識別與分離。

(3)提出一種基于相鄰幀間差分與mean-shift的自適應目標跟蹤方法。用以顏色信息為特征識別的mean-shift跟蹤方法作為主要跟蹤框架，采用目標識別得到的運動目標圖像信息作為跟蹤方法的目標模板，當MS方法不收斂時，可以認為其目標模型與候選模型不匹配，導致跟蹤出現(xiàn)失敗。此時，運用幀間差分在上一幀中目標所在的區(qū)域按照一定的規(guī)則擴大的一定范圍內快速搜索目標。

(4)提出一種基于TLD的多尺度跟蹤方法。基于TLD框架，引入MS方法作為短期跟蹤模塊，并將之前所有候選目標模型存入目標庫中供P-N學習法參考目標特征，同時，決策樹實時識別當前幀運動目標，發(fā)生誤跟現(xiàn)象時能及時矯正跟蹤模塊。

綜上，本發(fā)明提出了的運動圖像跟蹤方法，理論系統(tǒng)完備，創(chuàng)新性突出。本發(fā)明應用在運動圖像處理領域，可以處理不同場景和運動尺度的圖像，排除背景信息干擾，運動噪聲等問題，提高運動目標識別與跟蹤結果的準確性和實時性。

請參閱圖4，是本發(fā)明較佳實施例提供的圖2所示的運動圖像跟蹤裝置110的功能模塊示意圖。所述運動圖像跟蹤裝置110包括照度處理模塊111、運動目標識別模塊113和運動軌跡獲取模塊115。

其中，照度處理模塊111用于對運動圖像進行均衡照度處理，運動目標識別模塊113用于通過幀間差分法對運動圖像中每幀圖像進行運動目標的識別，運動軌跡獲取模塊115用于通過Bhattacharyya參數(shù)對相鄰兩幀圖像上的運動目標進行相似度分析，得到運動目標的運動軌跡。

具體的，所述照度處理模塊111用于：根據(jù)光照照度和對比度對運動圖像中的每幀圖像進行歸類，獲得低照度低對比度圖像和高照度低對比度圖像；對得到的低照度低對比度圖像進行圖像均衡處理，對高照度低對比度圖像進行像素點灰度值范圍拉伸處理；以及根據(jù)運動圖像中所有圖像的平均灰度值，對運動圖像進行照度均衡處理，以使運動圖像中的相鄰幀圖像照度均衡。

所述運動目標識別模塊113用于通過背景圖像與運動圖像中每幀圖像進行差分識別，得到每幀圖像上的完整目標；對所有相鄰幀圖像進行差分識別，得到所有相鄰幀圖像上的目標變化量；取完整目標與目標變化量的公共部分，得到每幀圖像上的目標變化部分圖像；以及對每幀圖像上的目標變化部分圖像進行形態(tài)學處理得到每幀圖像上的運動目標。

所述運動軌跡獲取模塊115用于建立運動目標的特征概率函數(shù)表達運動目標模型；建立候選區(qū)域的特征概率函數(shù)表達候選區(qū)域模型；通過Bhattacharyya函數(shù)建立運動目標模型與候選區(qū)域模型的相似度函數(shù)，得到運動目標與候選區(qū)域的相似度；設定度量參數(shù)，約束運動目標模型與候選區(qū)域模型相差的范圍；以及當運動目標模型與候選區(qū)域模型相差的范圍小于設定的閾值時將前一幀圖像上的目標坐標移動到目前圖像所處的坐標。

進一步的，運動圖像跟蹤裝置110還包括有多尺度跟蹤模塊117，所述多尺度跟蹤模塊117用于通過TLD跟蹤算法對運動目標進行多尺度跟蹤。

在本申請所提供的幾個實施例中，應該理解到，所揭露的裝置和方法，也可以通過其它的方式實現(xiàn)。以上所描述的裝置實施例僅僅是示意性的，例如，附圖中的流程圖和框圖顯示了根據(jù)本發(fā)明的多個實施例的裝置、方法和計算機程序產品的可能實現(xiàn)的體系架構、功能和操作。在這點上，流程圖或框圖中的每個方框可以代表一個模塊、程序段或代碼的一部分，所述模塊、程序段或代碼的一部分包含一個或多個用于實現(xiàn)規(guī)定的邏輯功能的可執(zhí)行指令。也應當注意，在有些作為替換的實現(xiàn)方式中，方框中所標注的功能也可以以不同于附圖中所標注的順序發(fā)生。例如，兩個連續(xù)的方框實際上可以基本并行地執(zhí)行，它們有時也可以按相反的順序執(zhí)行，這依所涉及的功能而定。也要注意的是，框圖和/或流程圖中的每個方框、以及框圖和/或流程圖中的方框的組合，可以用執(zhí)行規(guī)定的功能或動作的專用的基于硬件的系統(tǒng)來實現(xiàn)，或者可以用專用硬件與計算機指令的組合來實現(xiàn)。

另外，在本發(fā)明各個實施例中的各功能模塊可以集成在一起形成一個獨立的部分，也可以是各個模塊單獨存在，也可以兩個或兩個以上模塊集成形成一個獨立的部分。

所述功能如果以軟件功能模塊的形式實現(xiàn)并作為獨立的產品銷售或使用時，可以存儲在一個計算機可讀取存儲介質中。基于這樣的理解，本發(fā)明的技術方案本質上或者說對現(xiàn)有技術做出貢獻的部分或者該技術方案的部分可以以軟件產品的形式體現(xiàn)出來，該計算機軟件產品存儲在一個存儲介質中，包括若干指令用以使得一臺計算機設備(可以是個人計算機，服務器，或者網(wǎng)絡設備等)執(zhí)行本發(fā)明各個實施例所述方法的全部或部分步驟。而前述的存儲介質包括：U盤、移動硬盤、只讀存儲器(ROM，Read-Only Memory)、隨機存取存儲器(RAM，Random Access Memory)、磁碟或者光盤等各種可以存儲程序代碼的介質。需要說明的是，在本文中，諸如第一和第二等之類的關系術語僅僅用來將一個實體或者操作與另一個實體或操作區(qū)分開來，而不一定要求或者暗示這些實體或操作之間存在任何這種實際的關系或者順序。而且，術語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者設備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者設備所固有的要素。在沒有更多限制的情況下，由語句“包括一個……”限定的要素，并不排除在包括所述要素的過程、方法、物品或者設備中還存在另外的相同要素。

以上所述僅為本發(fā)明的優(yōu)選實施例而已，并不用于限制本發(fā)明，對于本領域的技術人員來說，本發(fā)明可以有各種更改和變化。凡在本發(fā)明的精神和原則之內，所作的任何修改、等同替換、改進等，均應包含在本發(fā)明的保護范圍之內。應注意到：相似的標號和字母在下面的附圖中表示類似項，因此，一旦某一項在一個附圖中被定義，則在隨后的附圖中不需要對其進行進一步定義和解釋。

以上所述，僅為本發(fā)明的具體實施方式，但本發(fā)明的保護范圍并不局限于此，任何熟悉本技術領域的技術人員在本發(fā)明揭露的技術范圍內，可輕易想到變化或替換，都應涵蓋在本發(fā)明的保護范圍之內。因此，本發(fā)明的保護范圍應所述以權利要求的保護范圍為準。