# Digital Imaging and Image Processing

**Repository Path**: yuefsheng/digital-imaging-and-image-processing

## Basic Information

- **Project Name**: Digital Imaging and Image Processing
- **Description**: 用于2026年春季《Digital Imaging and Image Processing》课程作业提交
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-05-28
- **Last Updated**: 2026-06-04

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 2026春<Digital Imaging and Image Processing>课程综合实践

本项目完成了综合实践的四个目标跟踪任务。整体方法基于传统图像处理与相关匹配，不使用 AI、深度学习或神经网络；主要采用多模板匹配、归一化互相关、局部搜索、背景干扰抑制、Kalman/轨迹预测、遮挡容错、画面锁边与重捕获等策略，实现不同场景下的动态目标跟踪。

完整的正式报告见提交的pdf文件。

## 目录结构

```text
digital_pic/
├── task01_emoji_tracker/              # task01：动画表情目标跟踪
├── task02_DJ_drone_track_bikeman/     # task02：无人机航拍骑车人跟踪
├── task03_DJ_drone_track_car/         # task03：无人机航拍车辆跟踪
└── task04_groundbase_track_UAV/       # task04：地面光学站无人机跟踪
```

## Task01：动画表情目标跟踪

任务目标是在动画表情视频中持续定位表情目标。代码使用多模板相关匹配与模板裁剪策略，减少白色背景对匹配的干扰，并通过平滑处理降低目标框抖动。

```text
task01_emoji_tracker/
├── main.py                         # 主程序，生成跟踪结果视频
├── correlation.py                  # NCC相关匹配与搜索函数
├── evaluate.py                     # 跟踪结果评估脚本
├── data/                           # 输入视频与表情模板
└── output/                         # 输出视频、末帧图与量化指标
```

主要输出包括 `output/result_tracked.mp4` 和 `output/tracking_metrics.json`。

## Task02：无人机航拍骑车人跟踪

任务目标是在航拍视频中跟踪道路上的骑车人。代码结合 FFT 加速 NCC、暗目标评分、轨迹先验和 Kalman 滤波，增强小目标在复杂道路背景中的可检测性，并在目标离开画面后停止误检。

```text
task02_DJ_drone_track_bikeman/
├── main.py                         # 主程序，完成骑车人跟踪与指标输出
├── template_01.png ... template_05.png
├── 大疆无人机航拍骑车人.mp4          # 输入视频
├── 大疆无人机航拍骑车人目标.png       # 目标提示图
├── tracked_result.mp4              # 输出跟踪视频
├── tracked_result.csv              # 逐帧跟踪结果
├── tracking_metrics.json           # 量化指标
└── outputs/                        # 关键帧可视化结果
```

## Task03：无人机航拍车辆跟踪

任务目标是跟踪无人机航拍画面中的车辆，重点解决车辆过桥后尺度、外观和背景干扰变化导致的丢失问题。最终版本以 `main01.py` 为主，结合蓝框模板锚点、轨迹先验、相关匹配和 Kalman 滤波，使车辆在过桥前后保持连续跟踪。

```text
task03_DJ_drone_track_car/
├── main01.py                       # 最终优化主程序
├── main.py                         # 早期版本/对照程序
├── template_01.png ... template_10.png
├── ref_frame_*.png                 # 参考帧
├── 大疆无人机航拍视频.mp4            # 输入视频
├── 大疆无人机航拍视频目标.png         # 目标提示图
├── tracked_result01.mp4            # 最终输出视频
├── tracked_result01.csv            # 逐帧跟踪结果
├── tracking_metrics.json           # 量化指标
├── _debug/                         # 调试图像，保留用于复查
└── _debug_main01/                  # 最终版本调试图像，保留用于复查
```

## Task04：地面光学站无人机跟踪

任务目标是在长序列地面光学站视频中跟踪远距离无人机。该任务难度最高，目标小、背景复杂且存在飞出画面与重新进入画面的情况。代码通过运动候选提取、多模板 NCC、形状门控、树梢干扰抑制、边缘锁定与重捕获实现稳定跟踪。

```text
task04_groundbase_track_UAV/
├── track_uav.py                    # 主程序
├── requirements.txt                # 依赖说明
├── 地面光学站跟踪无人机.avi          # 输入视频
└── output/
    ├── tracked_uav.mp4             # 输出跟踪视频
    ├── tracking_points.csv         # 逐帧框、中心点与状态
    ├── tracking_metrics.json       # 量化指标
    └── preview/final_keyframes.jpg # 关键帧预览图
```

## 运行说明

建议在课程实践环境 `D:\ANACONDA\envs\pic` 中运行。各任务进入对应目录后执行主程序即可，例如：

```bash
python main.py
python main01.py
python track_uav.py
```

不同任务的输入、输出文件已保留在对应目录中，可直接查看输出视频、CSV 和 JSON 指标文件。

## 结果说明

四个任务均已生成可视化跟踪结果和量化统计。正式方法设计、系统实现、实验分析和可视化结果请以提交的课程综合实践 PDF 报告为准。