監控視頻中運動目標的自動檢測、跟蹤和提取

盛家川　楊巍　海巖

摘 要：為了能夠從監控視頻中快速準確地分析運動目標，文章提出了一種新的運動目標自動檢測、跟蹤和提取方法。首先通過混合高斯模型背景差分法獲得運動目標初始二值輪廓。然后結合Kalman濾波和Blob匹配法跟蹤物體的運動軌跡，并用矩形框架標記圖像序列中的運動目標。最后傳遞矩形參數，采用迭代算法實現最優化分割，對運動目標進行準確提取。實驗結果表明，該方法具有較高的魯棒性和準確性。

關鍵詞：目標檢測；混合高斯模型；卡爾曼濾波；GrabCut

中圖分類號：TP277；TP391.41 文獻標識碼：A 文章編號：1006-8937（2015）12-0071-02

隨著人工智能和信息技術的發展，運動目標的檢測、跟蹤和提取在軍事、工業、智能交通和科學研究等諸多領域得到了廣泛的應用，檢測、跟蹤和提取研究逐漸由單目標轉為多目標。

目前，國內外學者在運動目標的檢測、跟蹤和提取的研究領域進行了比較深入的研究，提出了很多有效的算法。[1-2]但在實際應用中，由于自然環境復雜，目標機動性高，在研究運動目標檢測、跟蹤和提取技術時的干擾因素多，容易導致檢測不準確，跟蹤效率不高且信息提取不完整。在對檢測、跟蹤和提取技術的研究現狀和存在的問題進行深入分析的基礎上，本文以混合高斯建模和卡爾曼濾波器為切入點，提出了一種新的運動目標自動檢測、跟蹤和提取算法改進。

1 運動目標自動檢測、跟蹤和提取

基于，混合高斯模型，本文使用背景差分法檢測運動前景，在得到目標初始輪廓的基礎上，采用Kalman濾波器與Blob分析法相結合的方法，實現運動目標的跟蹤。目標跟蹤獲得矩形框架以此為參數進行傳遞，通過運動目標自動提取算法分離視頻幀的前景，獲得運動目標的完整圖像。

1.1 初始輪廓檢測

首先通過混合高斯模型得到背景圖像B，用前景圖像I減去背景圖像B，得出差分圖像Id，將圖像Id轉為灰度圖像進行中值濾波，然后利用歸一化的閾值對圖像進行二值處理。得到二值圖像后，對其進行形態學的處理，填補空洞，膨脹與腐蝕，開運算和閉運算，最后得到目標的初始輪廓。

為了驗證算法的有效性，在實驗中采用實際的監控視頻序列進行運動目標檢測，其中用來拍攝的攝像機是靜止的。運動檢測結果如圖1所示，圖1（a）是從監控視頻中提取的一幀圖像，圖1（b）是該幀圖像二值化后的輪廓檢測結果圖。

1.2 基于Kalman濾波器和Blob匹配法的目標跟蹤

本文將Kalman濾波器和Blob匹配法相結合，共同完成運動目標跟蹤，具體算法如下。

①在混合高斯法得到的初始輪廓基礎上，尋找各連通的前景區域，每個區域標記為一個Blob。計算每個Blob的形心位置、輪廓大小以及空間矩特征，將這些Blob編號與其特征一起存儲在一個序列中。同時，本文對每一個Blob塊標記矩形框架，保證剛好覆蓋連通區域，并隨著運動目標的移動不斷更新。

②根據當前幀之前目標形心位置的運動狀況，用Kalman濾波器算法預估各Blob在下一幀將出現的位置。根據從當前幀中測量到的Blob的形心位置和長寬，利用Kalman濾波器對當前幀中Blob的位置進行估計，然后利用該估計值對Blob在下一幀中的位置做出預測。因為相鄰兩幀之間的時間間隔很小，所以假設Blob以一個恒定的速度移動，則該系統是線性動態系統。根據Kalman濾波器等式：

Xt=AXt-1+Wt（1）

Yt=BXt-1+Vt（2）

其中，A是傳遞矩陣，B是測量矩陣，Xt和Xt-1是t時刻和t-1時刻Blob的狀態向量。定義X=（x，y，w，h，dx，dy，dw，dh）T，這里（x，y）是Blob的形心坐標，（w，h）是Blob的大小，而dx，dy，dw，dh分別對應x，y，w，h的速度。同時，定義對Blob標記的矩形框架rect=（x，y，w，h），（x，y）為矩形框架中心坐標，（w，h）為矩形框架的寬度和高度。Wt，Vt是符合高斯分布的N（0，Rt）隨機變量，Yt是測量方程。

③在預估位置附近根據Blob的輪廓形狀、大小、空間矩特征，尋找匹配的Blob。若找到匹配的Blob則將它標記為同一個編號，否則給一個新的編號，更新Blob存儲序列和矩形標記框架。運動目標跟蹤結果如圖2所示。

圖2（a）和圖2（b）實驗視頻是一段交通監控圖像，每一輛行駛通過的汽車被視為一個新的目標進行跟蹤，并標注序號。當多輛汽車同時駛過，就會同時被跟蹤，并且通過序號可以知道出現的先后順序，黃色標記矩形為運動目標提取傳遞參數。

當實驗視頻中出現噪音點，如圖2（c）所示，視頻中前景人物在花壇前面行走，背景中有路人走過（紅色方框內），樹葉也在隨風輕輕擺動，由于運動范圍不大，本文算法忽略不計，只對前景人物進行目標跟蹤，可見算法具有魯棒性。

1.3 運動目標自動提取

在GrabCut算法[3]的基礎上，提出運動目標自動提取算法。通過基于Kalman濾波器和Blob匹配法的運動目標跟蹤算法，視頻中的運動目標在每一幀視頻圖像上獲得標記的矩形框架rect=（x，y，w，h），矩形框架中心位置（x，y），寬和高為（w，h），即為運動目標自動提取算法的參數傳遞。有了矩形框架輸入，本文算法就可以用混合高斯模型初始化每個像素的初始值，然后執行最優化分割，算法流程如下：

①給視頻圖像上標記的矩形框架rect=（x，y，w，h）內的每一個像素點賦GMM初值：

④重復步驟①至③，直至收斂。

算法收斂后就可以得到運動目標的提取結果。多個運動目標提取結果如圖3所示，圖3（a）是對單個運動目標的提取，圖3（b）是對多個運動目標的提取。

2 結 語

本文針對靜止攝像機戶外視頻監控系統，提出一種新的運動目標自動檢測、跟蹤和提取方法。首先采用混合高斯模型背景差分法完成運動目標的粗檢測，然后將Blob匹配法和Kalman濾波器相結合共同完成運動目標跟蹤，最后采用GrabCut迭代算法實現最優化分割，檢測得到準確的運動目標輪廓。在室外和正常光照條件下，該方法具有良好的魯棒性和準確性。

參考文獻：

[1] Nazre B，Rama R，Detection and Inpainting of Facial Wrinkles using Texture Orientation Fields and Markov Random Field Modeling[J].IEEE Transactions on Image Processing，2014，（9）.

[2] 陳遠，謝昭，吳克偉.面向部件遮擋補償的車輛檢測模型[J].中國圖象圖形學報，2014，（12）.

[3] 周良芬，何建農.基于GrabCut改進的圖像分割算法[J].計算機應用，2013，（1）.

[4] 劉偉峰，楊愛蘭.基于BIC準則和Gibbs采樣的有限混合模型無監督學習算法[J].電子學報，2011，（3A）.