淺析智能視頻監控中目標檢測與跟蹤技術

姚江

摘 ?要：隨著科學技術的發展，人工智能也逐漸應用到各領域中。其中，智能視頻監控技術對于安防來說意義重大。運動目標檢測與跟蹤是智能視頻監控中一個重要研究方向，應用價值非常大。運動目標檢測與跟蹤指的是在運動場景中的檢測，即監控設備隨著檢測目標的運動而做出相應的位置變化，從而使得獲取的目標特征更加明顯，目標檢測與跟蹤的結果更為準確。基于此，本文首先介紹了VSAM系統，然后闡明了一個運動目標檢測的方法——幀間差分法，對智能視頻監控中目標檢測與跟蹤技術的發展有重要意義。

關鍵詞：智能視頻監控;目標檢測;VSAM系統;幀間差分法

1.引言

近年來隨著數字化、智能化和網絡化的發展趨勢不斷增強，視頻監控技術越來越發達[1]。全球經濟和科學技術的飛速發展為智能視頻監控技術的發展提供了有力保障[2]。智能視頻監控技術已經成為國內外專家學者競相研究的熱點課題，大大推動了其在軍事、交通、安防等領域的應用[3]。運動目標檢測和跟蹤技術是智能視頻監控的核心，其算法質量直接決定了檢測結果的準確性與穩定性。

2. VSAM系統

1997至1999年間，美國研制出了VSAM系統，該系統的推出為視頻監控提供了極大便利。美國多個研究中心與著名大學在美國當局的支持下開發了這一自動視頻理解技術，希望能夠將其廣泛應用于戰爭等危險場合的監控。VSAM系統在研制時使用了三維建模技術，并將地理信息輸入其中，所以一旦檢測跟蹤到目標的位置，操控人員就能在地理信息界面上進行相應操作。該系統運用了大量多類型的傳感器，如紅外微波報警探測器和溫度探測器等，能夠在多種環境條件下全方位準確晝夜監控。另外，該系統還設置了人性化的操作界面方便操控人員進行標記與觀察，使得智能監控與人工操作合理結合，大幅度提高檢測準確性。該系統還能用于機載航空監控，自動對準鎖定地面目標實施實時監控，且不需要人工頻繁操作，節省了大量人力資源。通過架設在高處旋轉云臺的多個攝像機，能夠多角度全方位的進行視頻監控。系統運作過程中，首先對背景圖像進行有規律地初始化，然后根據特征區域法，對監控視頻做處理，將實際攝錄的視頻與對應區域的背景進行匹配，再減除背景以檢測運動目標。由于檢測結果的準確性直接由算法決定，而傳統的卡爾曼濾波只能解決單峰問題，所以VSAM系統在研制時拓展了卡爾曼濾波思想，更新了目標模板相關匹配的算法，從而實現了精準檢測跟蹤。

3. 幀間差分法

智能視頻監控得以發展依靠于運動目標的檢測，運動目標檢測是智能視頻監控能夠定位、識別并跟蹤目標的前提。運動目標檢測的基本方法包括以下幾個：光流法、背景差分法以及幀間差分法。其中幀間差分法是用來檢測運動目標的最常用的一類算法。所謂幀間差分法，顧名思義就是根據兩幀圖像之間的差異進行判斷。具體操作時，對一個區域的前后兩幀圖像進行對應像素點的灰度值減差，基于環境亮度基本不變的前提，如果相減后得到的灰度值差異很小，則說明該區域在相應時間是靜止的;反之，倘若結果差異很大，則說明在那段時間該區域有物體運動。然后標記好灰度值變化較大的區域，根據其找出運動目標的具體位置，對其進行跟蹤。

幀間差分法雖能識別出運動目標的位置，但是在精準度和實效性方面還有所不足，所以在實際應用中還需要采取輔助方法來實現目標的識別匹配。由于智能視頻監控中攝像機是隨著目標運動而有相應的位置變化的，所以前后兩幀圖像會發生平移。雖然這兩幀圖像的背景幾乎沒什么不一樣，但是因為有平移存在，所以還是會對結果產生影響。由于實際背景圖是三維圖像，而監控視頻中反映出的是二維圖像，所以不能將平移視作絕對平移，因而也就沒辦法計算平移量。但是歸根結底，誤差的產生來源于攝像機的運動，雖然我們沒辦法計算平移量，卻可以根據攝像機的運動參數來粗略估計每一像素點的平移量。若要精準檢測，必須要先消除背景運動帶來的影響，也就是要對每幀圖像作運動補償。

運用圖像塊匹配法，可以消除背景運動的影響，從而直接確定運動目標在監控視頻圖像中的具體位置。圖像塊匹配法就是把一幀圖像分為一定數量的小塊來和另一幀圖像進行匹配來提高視頻監控系統的健壯性。比如說，可以把一幀 1024×1024的圖像分為 12×12 的塊，然后再對前一幀圖像進行匹配。常用最小絕對差、最小均方誤差以及歸一化互相關函數等準則進行匹配。因為最小均方誤差以及歸一化互相關函數計算比較復雜，所以在實際運算中并不常用，多采用最小絕對差匹配準則。在最小絕對差基礎上又出現了求和絕對誤差準則，這一準則是對最小絕對差的改良，去除了并不必要的除法步驟，計算更簡單方便。

綜合圖像塊匹配法的幀間差分法思路簡單清晰。先把后一幀圖像分為12×12 的小塊，利用每一小塊進行匹配。基于優化假設，計算出求和絕對差最小的小塊，將它作為背景圖像在對應方向上的移動距離，從而對該幀圖像做出運動補償。消除了背景運動影響后的圖像就能夠直接拿來作幀間差分，這樣就能更為準確地檢測出運動目標。而針對于沒有背景運動的情況，則能夠直接通過幀間差分法確定。檢測出運動目標后，還能夠實現運動目標的識別與自動跟蹤。運用內外波門法進行跟蹤，先通過外波門確定大致區域，再由內波門進行進一步的識別與鎖定。

還可以通過Harris角點檢測算法進行背景運動補償。首先對前后兩幀圖像提取特征點，然后再大致對每一特征點進行簡單匹配，接著再利用RANSAC魯棒估計算法篩選提取的特征點，最后通過這些篩選完的特征點運動矢量集合估算整體的運動矢量，最終完成背景圖運動補償。運用累積幀差法，可以對汽車、坦克、卡車等獨立運動進行檢測，然后利用數字圖像形態學操作，去除檢測結果的噪聲從而獲取目標的大致區域，接著利用幾何活動輪廓的水平集方法，對獲取到的目標輪廓進行獲取，最終利用相關方法實現運動目標的識別與跟蹤。

4.結語

傳統的監控技術監控方法單一，很難捕捉到運動目標的相關信息，且需耗費大量人力資源對監控視頻進行篩查，不僅工作繁瑣，效率也非常低。而智能視頻監控技術能夠應用到多種場合，對運動目標進行全方位的監控與實時跟蹤，不僅節省了大量人力物力，且檢測結果也準確可靠。現有的監控設備在實際應用中有諸多限制，但是如果配備上相應的智能系統，就能廣泛應用到各個領域。隨著未來人工智能的進一步發展與應用，智能視頻監控技術會得到進一步推廣，其對運動目標的檢測與跟蹤也會得到更多應用。

參考文獻

[1] ?唐慧娟，李軍民. 智能視頻監控中的運動目標檢測研究[J]. 科技創新與應用，2016（12）：41-41.

[2] ?練琳. 基于幀差法與圖像塊匹配方法的運動目標檢測與跟蹤[J]. 科技致富向導，2011（27）：56-56.

[3] ?劉瑩，張久東，周衛紅. Harris角點檢測算法的優化研究[J]. 云南民族大學學報自然科學版，2011，20（2）：136-138.