基于差分图象的多运动目标的检测与跟踪
运动目标检测与跟踪
背景差方法
背景差分法假定背景是静止不 变的,因此背景不随帧数而变。
相减
二值化
后处理
结果
背景估计法
• 背景估计法适用于背景静止情况下的视频分割，其主要基 于以下两个假设：
假设1：在背景静止的情况下，若外界光照条件不变，且在不考虑噪 声的情况下，视频序列图像中的背景保持不变。 假设2：在目标可视的情况下，目标与背景的灰度之间存在着一定的 对比度。 • 根据假设1，在静态场景的条件下视频序列图像中不包含目标的完整 背景在每一帧都相同，由于运动目标会遮挡住一部分背景，所以每一 帧中的背景并不等于完整背景，关键技术就是根据一定的准则从连续 k帧图像中估计出该视频序列图像的完整背景。
根据假设2，运动目标与背景之间的灰度存在着一定的对比度，因此 在不考虑噪声的情况下，在差分图像中属于背景区域的像素的灰度值 为零，从而检测出了运动目标。
运动目标检测方法存在的实际应 用上的困难
1
运动阴影的 干扰
2
动态背景的 影响
3
场景光照的 变化
运动阴影的干扰
• 原因：由于阴影和目标都与背景的差别很大，并 且二者常有着相同的运动，阴影常被错划为运动 目标。
Contents
1
现状和应用
2
目标检测的相关技术
3
目标跟踪的常用方法
4
结语
现状
• 运动目标检测与跟踪是在基于动态图像分析的基 础上结合图像模式识别和图像跟踪方法对图像序 列中的目标进行检测—识别—跟踪的过程，它是 图像处理与计算机视觉领域中的一个非常活跃的 分支，在最近二十几年间，随着计算机技术、 CLSI技术与高分辨率传感技术，图像处理技术的 迅速更新，它在国名经济和军事领域的许多方面 有着广泛的应用。
《智能监控系统中运动目标的检测与跟踪》范文
《智能监控系统中运动目标的检测与跟踪》篇一一、引言随着科技的不断进步，智能监控系统在安全、交通、医疗等领域得到了广泛应用。
其中，运动目标的检测与跟踪是智能监控系统中的关键技术之一。
本文旨在深入探讨智能监控系统中运动目标的检测与跟踪方法及其应用。
二、运动目标检测技术1. 背景与意义运动目标检测是智能监控系统的基础，其目的是从视频序列中提取出感兴趣的运动目标。
该技术对于后续的目标跟踪、行为分析、目标识别等具有重要意义。
2. 常用方法（1）基于帧间差分法：通过比较视频序列中相邻两帧的差异，检测出运动目标。
该方法简单有效，但易受光照变化、噪声等因素影响。
（2）基于背景减除法：利用背景模型与当前帧进行差分，从而提取出运动目标。
该方法对动态背景具有较好的适应性，但需要预先建立准确的背景模型。
（3）基于深度学习方法：利用深度学习技术对视频进行目标检测，如基于卷积神经网络的目标检测算法。
该方法具有较高的检测精度和鲁棒性。
三、运动目标跟踪技术1. 背景与意义运动目标跟踪是在检测出运动目标的基础上，对其在连续帧中的位置进行估计和预测。
该技术对于提高监控系统的实时性和准确性具有重要意义。
2. 常用方法（1）基于滤波的方法：如卡尔曼滤波、粒子滤波等，通过建立目标运动模型，对目标位置进行预测和更新。
（2）基于特征匹配的方法：利用目标的形状、颜色等特征，在连续帧中进行匹配，从而实现目标跟踪。
（3）基于深度学习的方法：利用深度学习技术对目标进行识别和跟踪，如基于孪生神经网络的目标跟踪算法。
该方法具有较高的跟踪精度和鲁棒性。
四、智能监控系统中运动目标检测与跟踪的应用1. 安全监控领域：通过智能监控系统对公共场所、住宅小区等进行实时监控，及时发现异常情况，提高安全性能。
2. 交通管理领域：通过智能监控系统对交通流量、车辆行为等进行实时监测和分析，为交通管理和规划提供支持。
3. 医疗领域：在医疗领域中，智能监控系统可以用于病人监护、手术辅助等方面，提高医疗质量和效率。
基于计算机视觉的运动目标检测与追踪研究
基于计算机视觉的运动目标检测与追踪研究摘要：随着计算机视觉和人工智能的快速发展，基于计算机视觉的运动目标检测和追踪成为了当前研究的热点。
本文将介绍运动目标检测和追踪的概念，并详细探讨了一些常见的方法和技术，如基于深度学习的目标检测算法和多目标追踪。
最后，本文还对未来的研究方向进行了展望。
1. 引言随着计算机视觉和人工智能技术的进步，运动目标检测和追踪在许多领域中都具有重要应用。
例如，在视频监控和智能交通系统中，准确地检测和追踪运动目标可以提供更安全和高效的服务。
因此，研究如何利用计算机视觉的方法来实现运动目标检测和追踪变得尤为重要。
2. 运动目标检测运动目标检测是指通过计算机视觉技术识别图像或视频中的运动目标。
传统的方法主要基于图像处理和特征提取技术，如背景减除、边缘检测和目标轮廓提取。
然而，这些方法往往对光照变化和背景复杂的场景效果不佳。
近年来，基于深度学习的目标检测算法如Faster R-CNN、YOLO和SSD等取得了显著的进展。
这些算法能够自动学习目标的特征，从而在复杂场景下表现出更好的性能。
3. 运动目标追踪运动目标追踪是指跟踪运动目标在连续帧中的位置和运动状态。
与运动目标检测相比，追踪更具挑战性，因为目标在不同帧之间可能会发生形变、遮挡或运动模式的变化。
针对这些问题，研究者提出了各种追踪算法，如基于相关滤波器的方法、粒子滤波和深度学习方法等。
其中，多目标追踪是一种更复杂的问题，需要同时追踪多个运动目标。
针对多目标追踪，常见的方法有多目标跟踪器的设计和融合方法等。
4. 挑战和解决方案运动目标检测和追踪中存在一些挑战，例如复杂背景、目标形变、光照变化和目标遮挡等。
为了解决这些问题，研究者提出了一系列解决方案。
例如，对于复杂背景，可以采用自适应背景建模和深度学习方法来提高检测和追踪的准确性。
对于目标形变和光照变化，可以使用形变估计和颜色模型来进行调整。
另外，目标遮挡问题可以使用多目标追踪和深度学习等方法来解决。
一种改进的基于背景差分的运动目标检测方法
ｄｆｅ ｅ ｃ ｔ ｏ ｏ ｂｅ ｔｄ ｔｃｉｎ ｉ ｒｎ ｅｍｅｈ ｄ ｆｒｏ ｊｃ ｅｅ ｔｏ ．Ａｔｔ ｅｓ ｍｅｔｍｅｔ ｅｂ ｃ ｇ ｏ ｎ ｐ ａｉｇ ａｇ ｒｔ ｍ ｓｎ ｉｒ ｒｈｃ ｌｂ ｔｅ ｏｕ ｉｎｔ ｅ ｆ ｈ ａ ｉ ｈ ａ ｋ ｒ ｕ ｄ ｕ ｄ ｔ ｌｏ ｉ ｎ ｈ ｕ ｉｇ ｈｅ ａｃ ｉａ ｅｔ ｒｓ ｌ ｔ ｈ ｏ
“
ｓ ａ ” ｎ ｈ ａ ｇ — ｃ ｌ ｈ ｎ ｅ ｎ ｉ ｕ ｎ ｔｏ ｏ ｄ ｔ ｎ ， ｎ ｌ ｍｅ ｒ ａ ｄ ｔ ｅｌ ｒ ｅ ｓ ａｅｃ ａ ｇ ｓ ｉ ｌ ｍｉ ａ ｉｎ ｃ ｎ ｉ ｏ ｓ Ｆｉ ａ ｌ ｌ ｉ ｙ，ｔ ｅｐ ｐ ｒｐ ｏ ｏ ｅ ｉ ｌ ｌ ｏ ｉｈ ｔ ｏ ｖ ｈ ｒ ｂ ｅ ｈ ａ ｅ ｒ ｐ ｓ ｄ ａｓｍｐ ｅａ ｇ ｒｔ ｍ Ｏ ｓ ｌ ｅｔ ｅ ｐ ｏ ｌｍ
运 动 目标 检测就 是从整 幅场景 图像 中把感 兴趣 的 运 动 目标 检测 出来 。 是后续 的各种 高级 处理 ， 目标 它 如 跟踪、 目标分类 及行为 分析 的基石 ， 也是 视频监 控系统
动 等影 响较大并 且不能 很好地 解决 “ 拖影 ” 和背 景 区域
大 面积 变化等 问题 。 对 以上 问题 ， 针 本文 在对 图像 前期 和后 期 进行 处理 的基础 上对 背 景差 分 法 的关 键部 分 ：
ｐ ｘ ｌ ｎ ｅ ｓｔ ｌ ｓ ｉ ｃ ｔ ｎ ａ ｄ ｔ ｅ ｓｎ ｌ ｕ ｓａ ｄ ｌ ａ ｅ ａ ｋ ｒ ｕ ｄ ｒ ｃ ｎ ｔ ｕ ｔ ｎ ａ ｇ ｒｔ ｍ ，Ｔｈ ｎ ｕ ｅ ｈ ａ ｋ ｒ ｕ ｄ ｉ ｅ ｔ ｎ ｉ ｃａ ｓｆ ａ ｉ ｎ ｈ ｉ ｇ ｅ Ｇａ ｓ ｉｎ ｍｏ ｅ ｓ ｄ ｂ ｃ ｇ ｏ ｎ ｅ ｏ ｓ ｒ ｃ ｉ ｌｏ ｉｈ ｉ ｙ ｉ ｏ ｂ ｏ ｅ ｓｄ ｔ ｅｂ ｃ ｇ ｏ ｎ
帧间差分法运动目标检测过程及原理
帧间差分法运动目标检测过程及原理
帧间差分法是一种常用的视频图像处理技术，用于运动目标检测和跟踪。
其原理是对连续帧之间的像素值差异进行计算和分析，从而确定哪些像素发生了变化，即表示目标运动。
帧间差分法主要包括以下几个步骤：
1. 预处理：将连续帧进行灰度处理，将彩色图像转化为灰度图像，减少计算量。
2. 帧差计算：计算相邻两帧之间的差异，并对差值进行二值化处理。
这里可以使用简单的相减法，即将后一帧减去前一帧对应像素的灰度值。
3. 二值化处理：将帧差图像进行二值化处理，将差异值大于阈值的像素设置为前景（表示目标运动），小于阈值的像素设置为背景。
4. 运动目标提取：对二值化后的图像进行图像处理方法的应用，如连通区域分析、形态学运算等，提取出连续的前景区域，即运动目标。
5. 运动目标跟踪：对提取到的运动目标进行跟踪，可以使用相关滤波器、卡尔曼滤波器等跟踪算法。
帧间差分法的原理是基于目标运动引起的图像像素值变化。
当物体在连续帧之间发生移动时，其在图像上的位置会发生变化，导致像素值的差异。
利用这一差异性，可以通过计算帧差图像来检测目标运动。
帧间差分法的优点是计算简单，实时性较好，适合用于实时视频监控等应用场景。
但同时也存在一些缺点，比如对光照变化和背景干扰比较敏感，对目标与背景颜色相似的情况可能存在误判。
为了提高运动目标检测的准确性和稳定性，可以结合其他方法进行优化，比如背景建模、光流法等。
还可以采用自适应阈值、多帧差分等方法来改进帧间差分法的性能。
运动目标检测方法
运动目标检测方法
运动目标检测是计算机视觉领域中的一个重要任务，旨在识别图像或视频中的运动目标并将其从背景中分割出来。
以下是几种常见的运动目标检测方法：
1. 基于背景差分的方法：该方法通过建立静态背景模型并通过计算当前帧与背景之间的差异来检测运动目标。
常见的背景差分算法有帧差法、高斯混合模型（GMM）法等。
2. 基于光流的方法：光流是描述图像中像素运动方向和速度的一种方法。
基于光流的运动目标检测方法通过计算两个相邻帧之间的光流场，并根据光流的一致性来检测运动目标。
常见的光流算法有Lucas-Kanade算法、Horn-Schunck 算法等。
3. 基于运动轨迹的方法：该方法通过跟踪目标的运动轨迹来检测运动目标。
常见的运动目标跟踪算法有卡尔曼滤波算法、粒子滤波算法等。
4. 基于深度学习的方法：近年来，深度学习技术在计算机视觉领域取得了显著的进展。
基于深度学习的运动目标检测方法通过使用深度学习模型，如卷积神经网络（CNN）或循环神经网络（RNN），来学习图像或视频中的运动目标特征，并进行目标检测。
5. 基于多目标跟踪的方法：运动目标检测通常是多目标跟踪的前置任务。
基于
多目标跟踪的方法可以通过结合目标检测和目标跟踪的技术，实现对连续帧中的多个目标进行准确的检测。
这些方法各有特点和适用领域，选择适合任务需求的方法能够提高运动目标检测的效果。
运动目标的图像识别与跟踪研究
运动目标的图像识别与跟踪研究一、本文概述随着计算机视觉技术的快速发展，运动目标的图像识别与跟踪已成为当前研究的热点之一。
该技术广泛应用于视频监控、智能交通、人机交互、机器人导航等多个领域，对于提高系统的智能化水平和自动化程度具有重要意义。
本文旨在深入研究运动目标的图像识别与跟踪技术，分析其基本原理、方法和技术难点，探讨当前的研究现状和发展趋势，以期为实现更精准、高效的运动目标识别与跟踪提供理论支持和实践指导。
本文首先介绍了运动目标图像识别与跟踪的基本概念和研究背景，阐述了其在各个领域的应用价值和现实意义。
接着，对运动目标图像识别与跟踪的基本原理进行了详细阐述，包括图像预处理、特征提取、目标匹配与跟踪等关键步骤，并对各种方法进行了比较和评价。
在此基础上，本文重点分析了当前运动目标图像识别与跟踪技术的研究现状，探讨了各种方法的优缺点和适用范围，指出了存在的问题和挑战。
本文展望了运动目标图像识别与跟踪技术的发展趋势，探讨了未来可能的研究方向和应用前景。
通过本文的研究，旨在为读者提供一个全面、深入的运动目标图像识别与跟踪技术概览，为相关领域的研究人员和实践者提供有益的参考和启示。
本文也希望能够促进运动目标图像识别与跟踪技术的进一步发展和应用，推动计算机视觉领域的技术创新和产业发展。
二、运动目标图像识别运动目标图像识别是计算机视觉领域中的一项重要任务，它涉及到从连续的图像序列中准确、快速地检测和识别出动态变化的目标。
在运动目标图像识别中，我们主要面临两大挑战：一是如何在复杂的背景中有效地提取出运动目标，二是如何准确地描述和识别这些运动目标。
运动目标的提取是运动目标图像识别的关键步骤。
这通常通过背景建模和运动检测来实现。
背景建模是指通过建立背景模型来区分背景和前景（即运动目标）。
一种常见的背景建模方法是使用高斯混合模型（GMM），它可以自适应地学习和更新背景模型。
运动检测则是指通过比较当前帧与背景模型的差异来检测出运动目标。
基于背景差分法的运动目标检测
本科生毕业论文题目：基于背景差分法的运动目标检测院系：专业：学生姓名：学号：指导教师：（职称）二〇一一年四月摘要视频监控在现代社会的安保系统中发挥了非常重要的作用。
由于现代社会的复杂性，传统的那种由专门人员值守电视监控屏幕的视频监控系统已经无法满足现代社会安保的要求，于是智能视频监控技术应运而生。
智能监控技术是基于计算机视觉的具有高度智能的自动化监控技术，其核心内容包括运动检测、目标分类、目标跟踪、行为识别四个方面。
本文针对运动目标检测这一方面进行探究。
本文采用的检测方法为背景差分法，即从视频图像序列中将当前帧的图像与预先设定的背景图像做差分，则可得到运动目标的位置和大小等信息。
之后对差分图像进行阈值化和形态学处理等操作，并判断此运动物体的大小。
如果超过规定的范围，则认为出现了异常情况，将此运动目标加上红色矩形框显示出来，做出报警。
背景差分法计算复杂度适中，简单实用，易于实现。
在本文的试验中，对视频中运动目标的检测取得了良好的效果，实验结果令人满意。
关键词：智能监控；运动检测；行为识别；背景差分AbstractVideo surveillance in modern society plays a very important role in the security system. As the complexity of modern society, traditional video surveillance system which need specialized workers pay much attention on the television monitor screen has been unable to meet the security requirements of modern society, so intelligent video surveillance technology came into being. Intelligent monitoring technology based on computer vision is highly intelligent automated monitoring technology, and its core content, including motion detection, object classification, object tracking, behavior recognition four aspects.In this paper, I intend to explore the area of moving target detection. Detection methods used in this paper is background subtraction, make difference from the current frame video sequence of images and the pre-set background image , then we can get the information of the moving target location and size. After thresholding and morphological processing operations on differential image, determine the size of the moving object. If it excess the prescribed range, think that the anomaly occurred, mark this moving target with a red rectangle and make alarm.Background subtraction has moderate computational complexity, and is simple, practical, easy to implement. In this experiment, the moving object in video detection achieved good results, experimental results are satisfactory.Keywords: Intelligent Monitoring；Motion Detection;Behavior Identity; Background Subtraction目录摘要 (I)ABSTRACT (II)第一章前言 (1)1.1课题的研究背景及其意义 (1)1.2智能视频监控技术及其应用 (2)1.3国内外研究现状 (3)1.4论文的主要内容和组织结构 (4)第二章运动目标检测中的图像预处理技术 (5)2.1彩色和灰度图像转换 (5)2.2图像的去噪处理 (6)2.2.1频域去噪方法 (6)2.2.2时域去噪方法 (6)2.2.3空间域去噪方法 (7)2.3图像的阈值化处理 (9)2.4本章小结 (10)第三章运动目标检测的方法与分析 ................................................................................................ - 11 -3.1光流法 (11)3.2时域差分法 (12)3.3背景差分法 (13)3.4本章小结 (14)第四章实验结果分析及改进 ............................................................................................................ - 15 -4.1实验环境介绍 (15)4.2运动目标识别的流程 (17)4.3实验过程及结果分析 (18)4.2.1图像的预处理................................................................................................... - 18 -4.2.2运动目标的提取............................................................................................... - 20 -4.2.3运动目标的识别............................................................................................... - 24 -4.4本章总结 (26)第五章总结及展望............................................................................................................................ - 27 -参考文献..................................................................................................................................................... - 28 -致谢.................................................................................................................................... 错误!未定义书签。
《2024年基于OPENCV的运动目标检测与跟踪技术研究》范文
《基于OPENCV的运动目标检测与跟踪技术研究》篇一一、引言随着计算机视觉技术的飞速发展，运动目标检测与跟踪技术已经成为计算机视觉领域研究的热点。
该技术广泛应用于智能监控、交通流量管理、人机交互等众多领域。
OpenCV作为一个强大的计算机视觉库，为运动目标检测与跟踪提供了有效的工具。
本文旨在研究基于OpenCV的运动目标检测与跟踪技术，探讨其原理、方法及实际应用。
二、运动目标检测技术研究1. 背景及原理运动目标检测是计算机视觉中的一项基本任务，其目的是从视频序列中提取出运动的目标。
OpenCV提供了多种运动目标检测方法，如背景减除法、光流法、帧间差分法等。
其中，背景减除法是一种常用的方法，其原理是将当前帧与背景模型进行比较，从而检测出运动目标。
2. 关键技术与方法（1）背景建模：背景建模是运动目标检测的关键步骤。
OpenCV提供了多种背景建模方法，如单高斯模型、混合高斯模型等。
其中，混合高斯模型能够更好地适应背景的动态变化。
（2）阈值设定：设定合适的阈值是运动目标检测的重要环节。
阈值过低可能导致误检，阈值过高则可能导致漏检。
OpenCV通过统计像素值分布，自动设定阈值，从而提高检测的准确性。
3. 实验与分析本文通过实验对比了不同背景建模方法和阈值设定对运动目标检测效果的影响。
实验结果表明，混合高斯模型结合合适的阈值设定能够获得较好的检测效果。
此外，本文还对不同场景下的运动目标检测进行了实验，验证了该方法的稳定性和泛化能力。
三、运动目标跟踪技术研究1. 背景及原理运动目标跟踪是指在视频序列中，对检测到的运动目标进行持续跟踪。
OpenCV提供了多种跟踪方法，如光流法、Meanshift 算法、KCF算法等。
这些方法各有优缺点，适用于不同的场景和需求。
2. 关键技术与方法（1）特征提取：特征提取是运动目标跟踪的关键步骤。
OpenCV可以通过提取目标的颜色、形状、纹理等特征，实现稳定的目标跟踪。
此外，还可以采用深度学习等方法，提取更高级的特征，提高跟踪的准确性。
帧间差分法运动目标检测过程及原理
帧间差分法运动目标检测过程及原理帧间差分法运动目标检测，是一种常用的视频目标检测方法。
它通过比较视频序列中相邻帧之间的差异，来识别出视频中的运动目标。
这种方法具有简单、快速、实时性强的特点，因此在视频监控、智能交通、安防监控等领域得到了广泛的应用。
下面将介绍帧间差分法运动目标检测的原理和实现过程。
一、原理帧间差分法的原理是通过比较视频序列中相邻帧的像素值差异来识别出视频中的运动目标。
一般来说，视频中的运动目标在相邻帧之间会引起像素值的变化，而静止的背景则保持相对稳定的像素值。
我们可以通过计算相邻帧之间的像素值差异来找出视频中的运动目标。
具体来说，对于视频序列中的每一帧图片，我们可以将其表示为一个像素矩阵。
假设当前帧为I(x, y, t)，而前一帧为I(x, y, t-1)，那么我们可以通过以下公式计算出两帧之间的像素差异：D(x, y, t) = |I(x, y, t) - I(x, y, t-1)|D(x, y, t)表示像素点(x, y)在时间t上的差分值。
通过计算所有像素点的差分值，我们就可以得到一张差分图像。
在这张差分图像中，像素值较大的地方表示有较大的像素差异，而像素值较小的地方则表示像素差异较小。
通过阈值处理和连通域分析，我们就可以找出视频中的运动目标。
二、实现过程帧间差分法运动目标检测的实现过程可以分为以下几个步骤：1. 读取视频我们需要从视频文件中读取视频序列，并将每一帧的图片进行提取，以便后续的处理。
2. 计算帧间差分对于视频序列中的每一帧图片，我们需要计算其与前一帧之间的差分图像。
这可以通过上文提到的差分公式来实现。
3. 阈值处理得到差分图像之后，我们可以对其进行阈值处理。
通过设定一个合适的阈值，将差分图像中较大的像素差异点标记为前景点，而将较小的像素差异点标记为背景点。
4. 连通域分析通过连通域分析，我们可以将前景点连接成一个个连通区域，从而得到视频中的运动目标。
5. 目标跟踪我们还可以对检测出的运动目标进行跟踪，以便进行后续的分析和处理。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
1
运动目标的检测算法和实验
在应用视觉系统中 , 检测运动目标常用差分图
。
[ 6]
已有的算法包括基于模板匹配的算法[ 9] 、 基于 镶嵌图的算法 , 基于主动轮廓线的算法
[ 4, 8]
等, 多
象的方法, 一般有两种情况 :
收稿日期 : 1998 -09 -11; 收到修改稿日期 : 1998 -10 -20
运动目标的检测过程如图 1 所示 , 其结果由运 动目标的外接矩形表示。图 2 给出了一组在固定背 景情况下的检测实验图片, 图片大小是 128 128。
图1
多运动目标的检测算法流程
图2
运动目标检测
间间隔内跟踪目标的运动轨迹是平滑的 , 即它的运
2
运动目标跟踪的算法和实验
运动目标的跟踪是确定同一物体在不同帧中位
第 4 卷( A 版) 1999 年 6 月
第6期
中国图象图形学报 Journal of Image and Graphics
Vol. 4( A) , No. 6 June 1999
基于差分图象的多运动目标的检测与跟踪
王 栓 艾海舟 何克忠
100084) ( 清华大学计算机科学与技术系 , 北京 ( 清华大学智能技术与系统国家重点实验室 , 北京 100084)
摘
要
运动目标的检测与跟踪在许多领域有着广泛的应用 , 它是应用视觉 研究的焦点 之一。文中介 绍了一种 基于
差分图象的运动目标检测算法 , 检测结果是符号化了 的图象 , 其中运动目 标由其外接 矩形表示 , 然后根 据连续性 约束 假设 , 实现了运动目标的跟踪。实验表明这种检 测和跟 踪方法 是快速有 效的 , 与现 有其它 方法相 比它能更 好地处 理 跟踪目标之间的重叠以及目标的暂时消失等情况。 关键词 差分图象 运动检测 目标跟踪
s p C , M, S = w dp d C , M, S + w Sp C , M, S d
其中 w d 和 w s 分别为平滑匹配概率和大小匹配概率 的权重。 ( 3) 找出匹配概率最大者。在 R 的所有物体中 找出 p C , M, S 最大者 F, 如果 p C , M, S 大于阈值且 F 未 与其它运动序列匹配过 , 那么可将 F 加入 S 中, 否 则跟踪目标可能出现重叠、 暂时消失或者运动出视 场的现象。 下面对以上三步作详细说明 : ( 1) 确定候选区域, 就是根据 N 的运动参量 , 在 C 中确定一个椭圆形的区域, 如图 3 所示。图中点 P 1 是 L 帧中 N 的位置 , 点 P 3 是根据 N 的运动参量
0
引
言
数是对目标模 型的直接匹配, 实际 上是对静态 ( 目 标 ) 图象的处理分析, 显然计算量大, 难以实时应用。 另外还有一些针对点目标的跟踪算法 , 如 R. Mehro [ 7] tra 对图象序列中的兴趣点进行匹配以确定运动轨 迹的算法: 依据运动轨迹尽可能光滑、 位移尽可能小 的假设在相邻帧中对点进行匹配。该方法的缺点是 不能处理点的重叠 ( 即使一个点被多个运动轨迹所 匹配) 以及点的暂时消失等情况。实际上 , 这是许多 现有的跟踪方法的共同问题。另外需指出的是, 把 目标作为点来处理过于简单化。我们的工作介于他 们之间, 主要研究了在固定摄像头的情况下对视场 内的目标进行跟踪的问题 , 首先将运动区域用外接 矩形表示( 相当于符号化) , 然后考虑对这些矩形序 列进行匹配跟踪, 所实现的系统能够处理跟踪目标 之间短暂( 秒的数量级 ) 重叠或者目标暂时消失情况 下的跟踪问题 , 而且具有准实时性。所谓目标的暂 时消失是指在序列的若干帧中某些跟踪目标由于种 种原因没有被检测出来 , 但它实际上并没有运动出 视场的情况。所用的核心方法是基于运动预测的最 近邻法。
的匹配概率小于阈值且根据 S 运动参量预测的位 置在视场之外, 判断暂时消失的依据是 F 的匹配概 率小于阈值但预测位置在视场之内, 但对于连续两 帧都消失的跟踪目标作出界处理。 在实验中, 我们 用玩具车作为 被跟踪的 物体, 图 4是运动序列中的 3 帧图象。 无论是用固定背景的方法还是用相继图象差的 方法检测出的运动物体 , 都是对应于一系列的矩形 框 , 即图象已经被符号化了 , 图 5 给出了两辆车的运 动序列的矩形框, 及其匹配跟踪的结果, 跟踪的结果 通过每次只回放一个运动序列的方式显示出来。从 图中可以看出运动序列 1 和 2 在第 4、 5 帧发生重 叠 , 即它们被同一个矩形框所代表。 图 6 是三辆车在视场中运动的情况, 在图 6( b) 中所示的第 1 个运动序列由于开始几帧存在噪音干 扰致使检测出的前几帧存在丢帧的现象 , 但随后整 个匹配趋于正常。在图 6( c) 所示的第 2 个运动序列 中 , 小车在第 4 帧暂时消失, 而在第 6 和第 7 帧和第
运动目标的检测与跟踪是应用视觉研究领域的 一个重要课题。在现实生活中 , 大量的有意义的视 觉信息包含在运动之中, 甚至有些动物的眼睛经过 进化, 只能看见运动的物体。尽管人类视觉既能看 见运动又能看见静止的物体, 但是在许多场合 , 比如 说交通流量的监测、 重要场所的保安、 航空和军用飞 行器的制导、 汽车的自动驾驶或辅助驾驶等, 我们往 往对运动的物体更感兴趣。因此研究只对运动目标 敏感的检测与跟踪系统是很有意义的。此外, 运动 目标的研究对象是图象序列, 而对图象序列的研究 一般要比对单帧图象作静态分析容易。 一般而言, 运动检测与跟踪研究的难点在于: ( 1) 运动物体的正确检测与分割; ( 2) 物体之间的遮挡与重叠; ( 3) 初始运动参量的确定。 关于运动目标的检测与跟踪研究大致可分为两 类: ( 1) 摄像头随着运动目标移动, 始终保持目标 在图象的中心附近 ; ( 2) 摄像 头固 定, 只对 视场 内 的目 标进 行 跟 踪
第6期
王
栓等: 基于差分图象的多运动目标的检测与跟踪
473
据它以前的运动参量预测出它在当前帧中的位置越 精确。鉴于此, 我们用当前帧 R 中物体的实际位置 与预测位置的偏差程度来确定平滑匹配概率 Pd C , M, S = 1 - dC , M, S / D d C , M, S = ad h + bd v D = max ( d C, X , S ) X R 其中 d h , dv 的含义见图 4, 它们分别表示物体相对 于预测位置在运动方向上的偏差以及垂直于运动方 向上的偏差 , 由于这两个方向上的偏差对运动连续 性的影响不一样 , 因此有必要对它们乘上不同的系 数, a 、 b 是加权系数。 大小匹配概率 大小匹配概率主要由运动目标 N 和待匹配物体的外接矩形的宽和高决定。 ( 3) 找出匹配概率最大者 F 。在这里我们要求 如果发生重叠, 那么 F 外接矩形的大小应该大于 N 外接矩形的大小 , 且在发生重叠的情况下, 不对物体 的运动参量进行更新。而判断是否出界的依据是 F
472
中国图象图形学报
第 4 卷( A 版)
如果当前帧中有未与任何运动序列匹配的物体 , 并 且它不是其它物体的碎片, 那么为它初始化一个新 的运动序列。 ( 3) 结束。 2. 1 确定跟踪目标的运动参量 假设当前帧 C 中物体 M 已被确定属于某运动 序列 , 该运动序列中最后一个物体是第 L 帧中的 N , 那么 M 的速度 VC , M 和加速度 aC , M 定义为 : VC, M = ( P C , M - PL, N ) / t aC , M = ( VC , M - VL , N ) / t 其中 PX , Y 表示第 X 帧中 Y 物体的位置 , t 为 C 和 L 之间的时间间隔。 由于运动参量在跟踪过程中起十分重 要的作 用, 使得初始运动参量的估计特别重要。我们假设 新出现的目标在此后最初的几帧中不连续发生重叠 和消失。这个要求是合理的 , 符合实际情况。对于 新出现的目标, 在随后最初的几帧中找匹配时 , 因为 无法估计运动参数, 我们暂时不考虑其运动参数, 直 接根据它与待匹配物体在空间上的近邻性以及大小 差异的程度, 在整个帧中找最佳匹配, 若匹配程度超 过一选定阈值, 则该匹配作为新运动序列的候选且 该帧作为新目标出现的另 1 帧图象 , 直到找到新目 标出现的 3 帧图象时, 再根据如下的匹配平滑性度 量进行重新匹配具体确定新目标的最初跟踪序列。 设新目标出现的 3 帧图象是 f t- 2 , f t- 1, f t , 假设在 f t- 1 中与新目标匹配的物体是 M, 在 f t 中与新目标匹配 的物体是 N, 那么它的匹配平滑性度量定义为:
t PM , N = 1X
的运动物体 M, 计算它们与 S 相匹配的概率 p C, M, S 。 p C, M, S 定义为两个因素的加权和 , 这两个因素分别 是: 根据与预测位置接近程度而得出的平滑匹 配概率 p C, M, S 。 根据它们的相对大小而得出的大小匹配概率 pS C, M, S 。 于是 p C , M, S 可表示为
第6期
王
栓等: 基于差分图象的多运动目标的检测与跟踪 间的滞后性。
471
( 1) 当前图象与固定背景图象之间的差分; ( 2) 当前连续两幅图象 ( 时间间隔 t ) 之间的 差分。 第 1 种情况即固定背景法检测物体的优点是位 置精确、 速度快, 因为它只需获取当前的一幅图象。 不足之处是受环境光线变化的影响 , 在非受控环境 下需要加入背景图象更新机制 , 且不适用于摄像头 运动或者背景灰度变化很大的情况。 第 2 种情况即相继图象差分法的优点是它只对 运动物体敏感, 实际上它只检测相对运动的物体, 而 且因 2 幅图象的时间间隔较短 , 差分图象受光线变 化影响小 , 检测有效而稳定; 缺点是检测出的物体的 位置不精确, 其外接矩形在运动方向上被拉伸 , 这实 际上是由相对运动与物体位置 并非完全一致 引起 的。相对运动受物体本身的运动速度及相继图象之 间的时间间隔影响。C. Vieren [ 4] 提出了一种获取运 动物体精确位置的方法, 但该方法需要连续 3 帧图 象, 并要计算梯度图象, 算法的计算量大且有一帧时