近年來，隨著網(wǎng)絡和數(shù)字廣播傳輸信道的增加，在海量信息中實現(xiàn)視頻內(nèi)容的分析與檢索是計算機視覺領域的研究熱點。在視頻圖像處理中圖像序列運動目標跟蹤技術得了到廣泛的研究和應用，尤其在視頻監(jiān)控、視頻編碼、智能機器、圖像恢復等領域都具有廣泛的應用前景。許多研究者對運動目標跟蹤問題進行了深入研究，提出了基于目標特征的跟蹤、基于模型匹配的跟蹤以及基于目標輪廓的跟蹤等方法[1]。目標特征的跟蹤技術需要解決復雜場景下多特征跟蹤算法的適應性問題及實現(xiàn)有效特征的提取的連續(xù)性，基于模型匹配需要準確建立視頻前后幀之間運動對象的對應匹配關系，同時對跟蹤分割的精度有較高的要求[2]。對于這兩種目標跟蹤方法，基于輪廓的方法可單純利用人物輪廓實現(xiàn)視頻中人物領域的抽取與追蹤，簡化其余特征計算數(shù)量及匹配難度，可實現(xiàn)視頻中多人物的連續(xù)跟蹤[3]。

    基于輪廓模型的目標跟蹤算法中參數(shù)活動輪廓模型和非參數(shù)活動輪廓模型是圖像處理中最具代表的算法[4]。參數(shù)化輪廓使用離散的點表示目標的輪廓，采用目標的邊緣作為跟蹤的特征,該方法計算效率高,實現(xiàn)手段靈活,但難以克服跟蹤過程中輪廓線拓撲結構改變的情況,不利于高維拓展和多目標跟蹤[5]。非參數(shù)輪廓模型通常將輪廓表示為區(qū)域的邊界，其優(yōu)點是對輪廓的拓撲形狀的改變?nèi)菀卓刂?，但是計算相對復雜[6]，并且現(xiàn)存算法大多是以攝像頭固定、背景圖像無變動、背景相對簡單為前提條件，較難應用于動態(tài)實時監(jiān)控系統(tǒng)[7]。
    本文提出基于人物頭部輪廓的形變輪廓模型追蹤視頻圖像中人物領域，研究基于形變輪廓模型算法，實現(xiàn)攝像頭轉(zhuǎn)動或背景變動，且在背景較復雜的情況下，實現(xiàn)視頻圖像中移動人物的檢測與追蹤。
1 輪廓特征提取
    檢測的對象圖像背景復雜時，圖像分割后具有較高的邊緣特征，為降低移動輪廓模型線分割的難度，采用分水嶺算法、中值濾波及顏色相近區(qū)域統(tǒng)合作為圖像分割的前期處理。
    本文在視頻圖像中人臉檢測研究的基礎上展開進一步研究，故在視頻圖像第一幀的人物頭部處設定控制點后,基于B-Spline函數(shù)生成頭部輪廓模型，利用人物頭部輪廓信息建立人物領域輪廓概要模型，基于高斯函數(shù)的卷積運算生成人物領域的對象模板[8]。即基于人臉檢測的結果設定控制點，生成人物領域輪廓概要模型，完成視頻圖像中人物領域的抽取。

    本論提出了在背景相對復雜的人物領域檢測算法，拓寬了檢測系統(tǒng)的使用范圍，提高了檢測系統(tǒng)在實際應用中的可靠性。提出基于高斯函數(shù)處理輪廓概要模型生成具有魯棒性的對象模板，使得人物領域判斷具有高度柔韌性?；贑ondensation預測及分析人物頭部輪廓模型的位移和擴散，提出基于當前處理結果更新人物輪廓模型，進一步提高了檢測精度。
參考文獻
[1] 羅嘉, 韋志輝. 基于幾何活動輪廓模型的目標跟蹤與快 速運動估計[J]. 中國圖像圖形學報, 2009,14(7): 1361-1368.
[2] MAKOTO M, MASAHIDE Y, KATSUHIKO S. Extraction of  human face and transformable region by facial expression  based on extended labeled graph matching[J]. Electronics  and Communications in Japan, 2013,87(10):35-43.
[3] 高頌,李富棟. 圖像邊緣提取的區(qū)域聯(lián)合分割與主動輪廓模型[J]. 激光與紅外, 2013,43(1):94-97.
[4] 喬磊, 李存華, 仲兆滿,等. 基于規(guī)則的人物信息抽取算法的研究[J]. 南京師范大學學報（自然科學版）, 2012,35(4):134-139.
[5] 潘改, 高立群, 趙爽. 基于局部熵的主動輪廓模型[J].中國圖象圖形學報, 2013,18(1):78-85.
[6] 顧裕豐,劉國棟.一種復雜場景下的運動目標跟蹤算法[J].電子技術應用[J]. 2012,38(1):122-124, 127.
[7] 朱洪錦，范洪輝，陳興瑞，等. 基于局部自我相關函數(shù)光線照明變化下的人臉檢測[J]. 山東大學學報:工學版,2012,42(5):36-40.
[8] 李昌盛，王亞娟，黃啟俊，等. 基于FPGA的人臉檢測系統(tǒng)設計[J]. 電子技術應用, 2011,37(10):13-16.