基于圖像處理的運動目標跟蹤算法研究

張萌 黃珍

摘 要：本文應用高斯混合背景模型，通過運動目標檢測算法根據背景動態自適應調整匹配目標顏色特征，對監控場景中出現的背景運動分開等問題進行建模與運動目標檢測跟蹤處理，提高目標關聯算法的實時性和準確率。

關鍵詞：多攝像機；無重疊視野域；目標跟蹤；目標匹配

近年來，圖像處理技術及各種傳感器技術的快速發展，智能監控在我國大多數城市社區、大型公共場所及重要設施獲得了廣泛應用。本文提出了一種新的目標關聯算法，實現沒有重疊的視界，具有較強的實用性。

1 研究基礎

1.1運動目標檢測方法

運動目標檢測方法主要有幀差法、背景差分法和光流法。

幀差法的基本思想是相鄰的兩個或多個視頻圖像幀做減法。幀差法原理簡單，易于編程，一般將其應用于具有靜態背景的監控環境中。幀差法前景圖像如果出現了明顯的空洞和斷裂，將對目標的檢測和后續的分類識別工作將會帶來困難。

背景差分法的基本思想是對當前幀圖像和參考背景圖像進行微分運算，然后設置一定的閾值來檢測運動目標。簡單的兩幀差分法容易在目標內產生空洞現象，幀間差分會產生明顯的背景輪廓。

光流法是一種基于光流特征的目標檢測方法，不利于高速運動目標圖像信息的實時處理。光流法對圖像中的每個像素轉換為靜態背景，再用傳統的目標檢測方法進行檢測，有效地解決了相同顏色干擾的問題。光流法對于突然停止運動的目標很難檢測出來。

1.2目標跟蹤技術

在改進基礎上改善TLD（Tracking Learning Detection）目標跟蹤方法，可實現在復雜環境下對地面目標的長時間跟蹤。通過利用相似度函數計算目標模板與候選區域的相似性，將學習的結果作為下一幀的分類器，可以設計高效的多通道視頻目標跟蹤系統。

1.3多攝像機目標跟蹤技術

（1）目標匹配

目標匹配是相機目標跟蹤的關鍵技術，依靠全局特征在某些情況下可能無法完成對目標的準確識別，必須使用智能運動目標跟蹤算法，才可以實現不重疊攝像機連續匹配的目標跟蹤。

（2）拓撲關系估計

自動攝像機之間的拓撲關系是視頻監控和跟蹤的重要內容之一。在視頻監控系統中，監督學習和監控系統一般適用于小的，只有少量的訓練目標。無監督學習方法是對獲得的拓撲關系的自動監控，更適合于更大的多攝像頭視頻監控系統。通過無監督與監督學習，對攝像機的拓樸關系進行自動估計。

（3）數據關聯方法

為了得到一個更精確的跟蹤效果，非重疊的相機連續跟蹤算法較多，需要對攝像機拓撲與目標表達模型匹配算法整合。需要在分析目標匹配算法與攝像機拓撲后，進行點特征和區域特征的融合，將目標運動形狀和相機等信息數據的拓撲關系協同，從而實現在整個監測區域連續跟蹤目標。

2 基于背景差法的雙向匹配多目標跟蹤算法

2.1背景差法運動檢測

（1）背景模型初始化

該算法在背景模型建立時，只使用第一個信息框。在初始化過程中，使用第一幀圖像作為背景模型，對下一幀中的目標位置進行預測，在第一幀中為每個像素建立高斯模型，對圖像進行不同尺度的高斯模糊。建模過程如下：設I1（X.Y）為第一幀圖像上（X.Y）處的像素點，當像素為移動目標時，為像素點建立一個新的單高斯模型，以取代原像素中權重最小的單高斯模型。

（2）模型學習匹配

假設已經為背景圖像的每一個像素建立K個高斯模型。首先提取目標區域的特點，確定區域特征。當目標顏色塊符合顏色特征時，可以利用色塊之間的空間位置來改進整體模型的匹配。

（3）背景模型的更新

對于實際的場景，背景是一個實時動態變化，所以移動物體檢測時需要更新背景模型。背景模型容易受到噪聲和前景誤差識別等外部因素的干擾。

2.2基于顏色分布熵的目標匹配方法

（1）HSV顏色空間的量化

圖像中有數千種顏色，可以通過顏色直接檢測和分割對象。HSV（Hue，Saturation， Value）空間模型更適合于人的視覺感知及其亮度和色度特征。兩個HSV顏色的相似性取決于它們的HSV顏色空間距離。

（2）基于顏色分布熵的特征提取

顏色背景模型是通過回顧圖像中每個像素的像素值進行建模。將目標HSV顏色空間與RGB顏色空間相匹配，清晰地展示圖像中顏色的構成分布。在原有顏色特征的基礎上，增加圖像空間結構信息，使每個像素根據其空間分布提供目標顏色特征信息。

（3）基于顏色特征的表現模型

如何在相機上找到目標形狀，是解決目標跟蹤的一個重要問題。如果場景中存在多個攝像頭，攝像機需要提取不同顏色特征下的目標。

3 系統總體設計及模擬實現

3.1系統應用場景

在實際應用場景中，需要在多目標跟蹤系統中建立多通道視頻平臺。本文采用三個固定角度的鏡頭，通過相機1-3，場景中的目標運動被描述為多個目標。

3.2系統實現功能

（1）圖像采集

本文采用的運動目標檢測算法與其他三種算法相比能更好地檢測目標，目標的檢測的前景相對完整，背景干擾較少。本文設計了OpenCV（Open Source Computer Vision Library）多攝像機目標跟蹤系統，利用OpenCV的顏色轉換函數將其轉換為RGB色彩空間，便于后續移動目標的檢測和跟蹤。

（2）目標跟蹤

移動目標跟蹤可以實現連續視頻圖像幀檢測，對視頻圖像序列中運動目標實現跟蹤。合理地設置相機的位置，直到兩個模型之間的距離函數最小為止。

3.3系統總體設計實現方案

（1）系統總體結構

基于以上系統應用場景，本文在目標跟蹤算法的基礎上加入特征點的判斷機制，采用正負樣本集組成訓練集合進行監督訓練。在每一幀圖像中進行不同尺度的窗口掃描來確認目標的位置，樣本數量隨著目標狀態的變化不斷更新，保證了特征匹配的隨機性和完整性。

（2）系統硬件選型

圖像信號質量將影響整個系統，攝像機是系統的最前端裝置。本文選擇索尼CCD相機，支持最大分辨率712 x 582，紅外夜視和支持。圖像采集卡完成圖像采集與數字化，本文選擇DH - VT142采集卡。

（3）系統設計方案

系統硬件平臺由相機、傳輸線路、圖像采集卡、中心服務器共同構成。圖像采集卡需要負責多通道圖像信號處理和分析。系統的軟件平臺主要由中心服務器實現，服務器使用 Linux 操作系統作為 Open CV 庫運行的軟件環境，增加目標的相應的攝像機ID和目標信息。如果一個相機在系統中存在感興趣的目標，可以用鼠標選擇目標，然后攝像機初始化，并記錄目標數據表示格式。由于在戶外使用模擬攝像頭，需要考慮風或固定搖搖晃晃的屏幕抖動等因素。

3.4系統實現驗證

（1）圖像采集

多通道視頻目標跟蹤系統是一個連接攝像頭的圖像采集系統。將攝像機采集到的圖像直接送給中心服務器進行處理。用戶可以設置視頻區域來實時采集參數，可以選擇目標，將對識別到的目標進行實時跟蹤。

（2）目標跟蹤實現

本文在固定場景中驗證了系統設計的可行性。平臺也能夠勝任后期的實時圖像處理要求。在三個運動目標的跟蹤過程中，通過中心服務器上的程序進行目標識別與跟蹤。結果顯示，跟蹤算法對運動目標跟蹤效果良好，無論使用一個攝像機跟蹤還是三個攝像頭連續跟蹤，系統依然可以穩定地定位到目標。

4 研究結論

移動目標自動跟蹤檢測和識別，以及基于計算機視覺和運動行為分析的智能視頻監控應用越來越廣泛。本文的研究成果應用于實際場景中，可以減少了閉路電視攝像頭的數量，節省成本，因此在監測領域有著巨大的市場前景。

參考文獻：

[1]左軍毅，梁彥，潘泉，趙春暉，張洪才.基于多個顏色分布模型的Camshaft跟蹤算法[J].自動化學報.2015（07）