一種優化的運動目標檢測與跟蹤算法?

谷東亮 徐曉剛 金 鑫

（1.海軍大連艦艇學院研究生管理大隊 大連 116018）（2.海軍大連艦艇學院航海系 大連 116018）

一種優化的運動目標檢測與跟蹤算法?

谷東亮1徐曉剛2金 鑫3

（1.海軍大連艦艇學院研究生管理大隊 大連 116018）（2.海軍大連艦艇學院航海系 大連 116018）

在攝像頭固定不動的情況下，為準確對視頻序列中運動目標的位置進行跟蹤，提出一種優化的運動目標檢測與跟蹤算法。將中值濾波處理后的待檢測圖像和背景圖像做差得到背景差分圖像，對其進行閾值分割與形態學處理提取出運動區域。確定運動目標的位置后采用基于顏色特征的粒子濾波算法對目標進行跟蹤。實驗結果表明，論文的運動目標檢測與跟蹤算法可以穩定、準確地對運動目標進行檢測和跟蹤，具有一定的魯棒性。

背景差分；運動檢測；形態學處理；粒子濾波；目標跟蹤

1 引言

運動目標檢測與跟蹤的算法一直以來都是計算機視覺領域中的核心課題，也是智能視頻監控系統中的關鍵技術［1］。它主要包含了人工智能模式識、模式識別、圖像處理等領域內的成果，不但有著非常重要的實際意義，而且對計算機視覺其他領域都有著重要的推動作用［2］。運動目標檢測就是把感興趣的運動區域和不感興趣的背景區域區分開，最常用的方法有光流法、幀間差分法、背景差分法等［3～5］。

本文主要在攝像頭固定不動的情況下進行研究，采用背景差分的方法對運動目標進行檢測。這種方法不能很好地適應光照變化明顯的環境，但是由于大多數環境相對比較穩定且其計算量小，所以得到了十分廣泛的應用［6］。運動目標跟蹤不僅可以表示出目標的運動狀態和運動軌跡，而且可以用在對運動進行行為分析、檢測突發事件等方面［7～8］。本文采用的基于顏色特征的粒子濾波算法是通過找到一組隨機的樣本點（粒子）對目標狀態的后驗概率分布進行大致地估計，并且顏色特征是目標特征中十分重要的一種特征，其對于目標的遮擋、旋轉等問題具有很好的魯棒性［9～10］。實驗結果表明，本文的目標檢測跟蹤算法可以穩定、準確地對運動目標進行檢測和跟蹤，且對較復雜的背景有很好的抑制作用。

2 基于背景差分的運動目標檢測

本文的運動目標檢測方法是通過當前時刻的圖像與預先得到的背景圖像進行相減實現運動目標檢測的［11］。定義正整數n為視頻圖像序列中的總幀數，其基本思路如下：

Step1：圖像的預處理

通過獲取連續幾幀的圖像進行灰度化處理，將這些灰度圖像相疊加，取其平均值并且進行中值濾波處理得到背景圖像。再將視頻中當前幀圖像進行同樣的中值濾波處理后得到待檢測的當前幀圖像。

Step2：差分運算

將待檢測圖像與背景圖像進行差分運算，以此得到差分圖像，該過程可用如下公式來表示。

式中：k：代表圖像序列中某一幀圖像，且k∈{1 ，2，…n-1} ；Bk(x，y)：代表第 k幀背景圖像；Fk(x，y)：代表第 k 幀原始圖像；Dk(x，y)：代表Fk(x，y)與Bk(x，y)做差后得到的差分圖像。

Step3：閾值分割

對上述得到的差分圖像Dk(x，y)進行閾值化分割。先選取一個合適的閾值T，若差分圖像Dk(x，y)中某個像素點的值大于選取的閾值T，則該像素點被歸于目標區域，若該像素點的值小于選取的閾值T，則該點屬于背景區域。閾值分割后得到前景圖像Tk(x，y)，該過程可用如下公式表示［12］。

Step4：形態學處理

由于在目標與預先得到的背景Bk(x，y)之間有灰度信息或部分顏色息相似和有噪聲干擾等情況下，得到的差分圖像Dk(x，y)通常會包含有許多孤立的小區域、孤立點和小孔洞等。本文使用5*5的圓盤形結構對前景圖像Tk(x，y)進行開運算操作，有效地平滑了運動區域的邊緣，去除了無用的孤立點和孤立的小區域。

通過以上四步可以有效地提取出運動區域，為后續的運動目標跟蹤提供了基礎。通過定位出運動目標后對運動目標進行跟蹤。

3 基于顏色特征的粒子濾波跟蹤

粒子濾波主要是以重要性采樣為基礎，通過找到一組隨機的樣本點（粒子）對目標狀態的后驗概率分布進行大致地估計。由于顏色特征是目標特征中非常重要的一種特征，且其對于目標的遮擋、旋轉等問題具有不變性，所以本文采取了基于顏色特征的粒子濾波算法對運動目標進行跟蹤，其基本思路如下：

Step1：初始化

讀取出圖像的數據，通過尋找最大運動區域的方法對運動目標進行定位，將第一幀圖像中檢測出的運動目標作為目標的模型，采用顏色概率直方圖的方法在RGB顏色空間中計算目標模型的顏色分布，運動目標區域內的顏色概率直方圖的數學表達式可用如下公式表示：

式中：?(x)表示Delta函數；q(u)表示u分量的值，并且 q={q(u)，u=1，…，m}表示目標的模型；g(xi)表示xi處像素的量化值；C表示一個常數；k(x)表示權重函數，即核函數，其定義形式如下式所示。

a：表示核函數k(x)窗的寬度；

引入k(x)這一函數的目的是賦予離目標中心較近的像素一個比較大的權值，賦予離目標中心較遠的位置一個較小的權值。

Step2：更新粒子權值：

從第二幀開始在RGB顏色空間中采用和計算目標模型相同的方法計算候選目標的顏色分布，由目標運動方程xt=Axt-1+Wt更新得到新的粒子集{i=1，2，…，N } 。為了衡量兩個區域顏色概率分布直方圖相似的程度，引入了Bhattacharyya距離的數學表達式：

式中：q ：q={q(u)，u=1，…，m}表示目標模型的顏色概率分布；p()：表示第i個粒子對應候選目標中的顏色概率分布；ρi[q，p()]：表示 Bhattacha?ryya系數，可以用其衡量第i個粒子對應的目標和候選目標之間的相似程度，可用如下公式來進行計算：

求出Bhattacharyya距離di[q，p()]后，可以用其來衡量目標模型與候選模型的相似程度。其值越大表明越相似，此時應該賦予該粒子較大的權值；否則賦予該粒子較小的權值。求出Bhattacha?ryya距離后，可用如下公式計算顏色特征的觀測似然函數：

由這一公式可以看出，觀測似然函數越大則目標模型和候選目標顏色分布的相似程度越高，即候選目標是真實目標的概率也就越高。

得出觀測似然函數后，可用如下公式計算出每個粒子的權值：

最后，用下式對得到的粒子權值進行歸一化處理，式中 ω?(ti)為歸一化后的粒子權值。

Step3：重采樣

采用下式計算有效粒子的數目Ne，如果有效粒子的數目小于預先設定的閾值則進行重采樣，否則繼續執行下一步。

Step4：估計目標狀態

依據加權平均的方法采用下式對目標的狀態進行估計，畫出目標的運動軌跡，然后繼續讀取下一幀圖像。

采用以上基于顏色的粒子濾波算法可以有效的對運動目標進行跟蹤，且具有一定的魯棒性。

4 實驗結果

4.1 運動目標檢測

本文選取視頻中的前五幀圖像來構造背景圖像。首先將前五幀圖像轉換成灰度圖像并進行中值濾波處理，求取這五幀圖像的平均值，得到背景圖像如下圖1所示。然后將從第六幀開始的每一幀圖像轉換成灰度圖像并進行中值濾波處理得到處理后的待檢測圖像如下圖2所示，圖2為視頻序列中第六幀圖像處理后的結果。將其與預先得到的背景圖像做差，得到背景差分圖像。將閾值選取為256/5對背景差分圖像進行閾值分割得到二值圖像，對二值圖像進行形態學處理提取出完整的運動目標區域如下圖3所示。

實驗結果表明，本文的背景差分算法可以有效地檢測出運動目標，并且可以較好地提取出運動區域，且對類似于海面的較復雜背景有一定的抑制作用。

4.2 運動目標跟蹤

通過找最大運動區域的方法對視頻序列中第六幀圖像中的運動目標進行定位。選取長方形作為目標模型，粒子數目N為100，粒子的初始化權值為1/N，在重采樣過程中有效粒子數目的門限值為2N/3。用長方形對跟蹤到的船只進行標記，將目標中心點用折線連接，從第二十幀開始每隔150幀截取一次跟蹤結果，其結果如下圖4～6所示。

實驗結果表明，本文采用的基于顏色特征的粒子濾波算法在旋轉、背景干擾等情況下均可以很好地對目標進行跟蹤。

5 結語

本文以一種優化的背景差分算法檢測出運動目標。通過找到最大運動區域的方法對運動目標實現定位，并在此基礎上采用基于顏色特征的粒子濾波算法對運動目標進行跟蹤。本文進行優化后的運動目標檢測與跟蹤算法在連續的320幀海面背景圖片上進行了實驗，在背景比較復雜、運動物體發生旋轉等情況下均能有效、穩定地檢測出運動目標并對運動目標進行跟蹤。實驗結果表明，該算法具有一定的魯棒性。

［1］楊維斌.基于視頻圖像的運動目標檢測與跟蹤算法研究［D］.重慶：重慶大學，2009.

［2］袁國武.智能視頻監控中的運動目標檢測和跟蹤算法研究［D］.昆明：云南大學，2012.

［3］劉潔.基于光流法的運動目標檢測和跟蹤算法研究［D］.徐州：中國礦業大學，2015.

［4］胡敬舒.基于幀間差分的運動目標檢測［D］.哈爾濱：哈爾濱工程大學，2013.

［5］張毅剛，曹陽，項學智.靜態背景差分運動目標檢測研究［J］. 電子測量與儀器學報，2010（05）：494-499.

［6］汪沖，席志紅，肖春麗.基于背景差分的運動目標檢測方法［J］. 應用科技，2009（10）：16-18，30.

［7］張貝貝.視頻運動目標跟蹤系統研究［D］.重慶：西南大學，2008.

［8］霍玲玲，楊瑩.運動目標跟蹤算法綜述［J］.電子技術與軟件工程，2016（24）：162.

［9］韓云生，劉國棟.一種自適應顏色特征的目標識別與跟蹤法［J］.江南大學學報（自然科學版），2009（02）：164-168.

［10］張軍輝.粒子濾波跟蹤算法研究［D］.開封：河南大學，2009.

［11］陳毓晶.視頻圖像序列中運動目標的檢測與跟蹤［D］.大連：大連理工大學，2009.

［12］李祥茹.基于視頻監控的特定目標識別研究［D］.南京：南京郵電大學，2012.

An Optimized Algorithm for Moving Object Detection and Tracking

GU Dongliang1XV Xiaogang2JIN Xin3
（1.Administrative Division for Postgraduates Dalian Naval Academy，Dalian 116018）（2.Department of Navigation，Dalian Naval Academy，Dalian 116018）

In order to accurately track the moving object in video sequences when the camera is fixed，this paper proposes an optimized algorithm for moving object detection and tracking.Subtract the background image from the image to be detected after the median filtering is applied to them，background difference image is obtained.By the way of carrying out threshold segmentation and morphological processing of background difference image，the moving region is extracted.After the location of moving object is de?termined，the particle filter algorithm based on color feature is used to track the object.The experimental results show that the mov?ing object detection and tracking algorithm proposed in this paper can detect and track the moving object accurately and stably，and it has a certain robustness.

background subtraction，motion detection，morphological processing，particle filter，object tracking

TP301.6

10.3969/j.issn.1672-9730.2017.11.010

Class Number TP301.6

2017年5月9日，

2017年6月28日

國家自然科學基金（編號：61471412；61273262）；遼寧省自然科學基金（編號：2015020086）；遼寧省博士啟動基金（編號：201501029）。

谷東亮，男，碩士，研究方向：交通信息工程及控制。徐曉剛，男，博士，教授，研究方向：交通信息工程及控制。金鑫，男，博士，講師，研究方向：交通信息工程及控制。