基于OpenCV的运动目标检测与跟踪毕业设计
基于OpenCV的运动目标检测与跟踪
基于OpenCV的运动目标检测与跟踪基于OpenCV的运动目标检测与跟踪摘要：运动目标检测与跟踪在计算机视觉和图像处理领域中具有重要的应用价值。
它可以应用于视频监控、自动驾驶、行人识别等多个领域。
本文将介绍如何使用OpenCV库实现运动目标的检测与跟踪，并通过实例演示其应用。
其中包括运动物体检测、运动轨迹跟踪和背景建模等关键技术。
通过对运动目标的检测和跟踪，可以提供实时的监控和追踪能力，为各种应用场景提供技术支持。
1. 引言运动目标检测与跟踪是计算机视觉领域的一个重要研究方向，它的核心任务是从图像序列中提取有意义的运动目标，并对其进行跟踪和分析。
运动目标检测与跟踪在实际应用中有着广泛的需求和应用场景。
例如，在视频监控系统中，可以通过运动目标的检测和跟踪来提供实时的监控和报警能力。
在自动驾驶系统中，可以通过识别和跟踪其他车辆和行人来实现智能的行车决策。
因此，研究和实现高效准确的运动目标检测与跟踪技术对于提升计算机视觉系统的性能和可靠性具有重要意义。
2. 基于OpenCV的运动目标检测与跟踪方法2.1 运动物体检测运动物体检测是运动目标检测与跟踪的第一步，其目标是从图像序列中分离出具有运动的物体。
在OpenCV中，可以使用背景差分法实现运动物体的检测。
背景差分法基于假设每一帧图像中静止部分为背景，通过对当前帧图像与历史帧图像之间的差异进行比较，提取出具有运动的前景物体。
这种方法简单有效，在实际应用中具有广泛的应用场景。
2.2 运动轨迹跟踪运动轨迹跟踪是对运动目标进行持续追踪的技术，其目标是实时获取目标物体在图像序列中的位置和运动情况。
在OpenCV中，可以使用卡尔曼滤波器实现运动轨迹的跟踪。
卡尔曼滤波器是一种能够根据过去的位置和速度信息来预测当前物体位置的滤波器。
通过不断更新目标物体的位置和速度信息，可以实现准确的运动轨迹跟踪。
2.3 背景建模背景建模是用于建立背景模型的方法，用于对比和识别运动目标。
基于opencV的动态背景下运动目标检测及跟踪(修改版)
基于openCV的动态背景下的运动目标检测摘要：介绍在动态背景下对视频图像序列进行运动目标的检测，主要包括三个步骤，分别是运动估计，运动补偿和目标检测。
在运动估计中采用的主要是基于特征点匹配算法。
这种算法与传统的块匹配算法最大的好处在于它的数据量少，计算简单迅速而且图像的匹配可靠性更高。
最后用计算机视觉类库openCV进行实现。
关键词：运动目标检测；openCV；特征点匹配Moving Object Detection in theDynamic Background Based on openCVAbstract：Introducing a moving object detection algorithm of the dynamic background in the video image sequence，which includes three steps. They are motion estimation, motion compensation and object detection. At the motion estimation, we take an algorithm based onthe feature points matching. The advantages of this algorithm is that it needs fewer data and indicates faster calculating speed compared to the block matching algorithm. What’s more, the matching of the video image sequence is more reliable. Then used openCV realized the algorithm.Keywords: moving object detection; openCV; feature points matching引言在生活中摄像头可以说随处可见，我们经常需要对视频中的运动目标进行相关操作，这就设涉及到了对运动目标的检测及跟踪。
基于OpenCV的视频运动目标检测与跟踪
基于OpenCV的视频运动目标检测与跟踪袁宝红;张德祥;张玲君【摘要】In order to solve the moving target detecting and tracking in video sequence,the algorithm tracking follow detecting is proposed.First,it updated background model using the averaging background method,and detected the moving target.Then the size of the moving target was acquired by projection method.Finally,it tracked the moving target using the MeanShift tracking algorithm.During the object tracking,it programmed by the OpenCV to achieve the moving target detecting and tracking.The experiments show that the algorithm not only realize the detecting and tracking of the moving target exactly,but also reduce the amount of calculation and improve the tracking efficiency.%针对视频文件中运动目标检测与跟踪这一问题,提出一种先检测后跟踪的方法.首先利用平均背景法完成对背景模型的更新,从而检测出运动目标,在此基础上利用投影法来投影出运动目标的大小,最后再利用MeanShift算法对运动目标进行跟踪.在跟踪过程中,通过OpenCV编写程序实现对运动目标的检测与跟踪.实验验证,该方法在实现运动目标的精确检测与跟踪的基础上,减少了运算量,提高了跟踪的速度.【期刊名称】《计算机系统应用》【年(卷),期】2013(022)005【总页数】4页(P90-93)【关键词】目标检测;跟踪;平均背景法;MeanShift【作者】袁宝红;张德祥;张玲君【作者单位】安徽大学电气工程与自动化学院,合肥230601;安徽大学电气工程与自动化学院,合肥230601;安徽大学计算智能与信号处理教育部重点实验室,合肥230601;安徽大学电气工程与自动化学院,合肥230601【正文语种】中文1 引言视频中的目标检测与跟踪是指计算机代替人眼进行对外界物体运动的感知和理解分析, 从而利用这样的只能系统为人类生活工作提供便利. 目前, 运动目标检测与跟踪在医学研究、交通监视、客流量统计、天文观测等领域有着非常重要的实用价值, 有着广阔的发展前景. 因为它不但可以提供目标的运动轨迹,也为场景中运动目标的运动分析、场景分析提供了可靠的数据来源. 针对视频中的运动目标跟踪, 国内外学者进行了大量的研究提出了许多有效的方法:Comaniciu等提出基于核的目标跟踪[1], 通过核函数的处理, 引入了 BH系数来实现对目标的跟踪; Stauffer等提出了自适应高斯模型[2], 通过匹配目标的位置、大小、形状和颜色等特性, 建立运动目标与前景目标间对应关系来实现跟踪.针对一般视频, 本文先检测出运动目标, 利用投影提取运动目标的信息, 然后采用基于颜色特征建立模型, 计算目标模型与候选模型间的相似度, 通过求相似函数最大值得到关于目标的 MeanShift 向量, 由MeanShift 算法的收敛性, 不断迭代计算MeanShift向量, 在当前帧中, 最终目标会收敛到目标的真实位置, 从而达到跟踪的目的.2 目标检测运动目标的检测就是对包含运动信息的视频序列运用适当的技术进行处理, 把与背景存在相对运动的前景区分开的过程. 它是计算机视觉信息提取中的一个重要问题, 也是更高层次视频分析, 如基于对象的视频编码、目标跟踪、运动分析基础. 目前, 运动目标检测主要有三种方法: 背景差分法[3]、帧间差分法和光流法. 在实时监控系统中背景差分法仍是运动目标检测的最常用方法, 但是存在不足, 有的学者提出结合对称差分法和背景减法[4]. 本章在背景差分法的基础上, 提出平均背景法[5]更新背景的概念.2.1 背景差分法每一帧图像可以分为背景区域和运动区域. 背景差分法[6]是利用当前帧图像与背景图像的差分来检测运动区域, 其基本原理如图1所示:图1 背景差分法原理图设当前帧图像为,(yxf)k,背景帧图像为,(yxB)k,则它们的差分图像为:对得到的Dk进行二值化, 当差分图像中像素大于或等于给定的阈值时, 则认为该像素点是前景像素,反之, 则认为该像素是背景像素点.该方法在背景较为稳定的情况下, 能够较完整地提取目标点, 检测效果好. 但对于背景变化的场景,例如光照、背景的抖动、背景中新物体的加入等情况比较敏感, 检测结果的准确性会降低.2.2 平均背景法平均背景法是一种学习背景场景和分割前景目标的方法. 传统的背景差分法所采集到的背景图像随着时间的推移, 会对光照和外部条件造成的场景变化比较敏感, 会出现许多伪运动目标点, 影响到检测的效果. 一种折中的解决办法是采用平均背景法. 它通过计算每个像素的平均值和标准差作为它的背景模型,我们用平均值和标准差来描述每一个像素的变化. 当一个像素值大于平均值与平均差所设定的阈值时, 我们就认为是前景. 例如在同一个视频中, 一个前景目标经过摄像机的前面, 这时的像素值超过该阈值, 于是就区分出来.2.3 平均背景法在OpenCV中的实现平均背景法分为3个步骤:(1)计算平均像素值积累背景图像和每一帧图像差值的绝对值, 通常需要 30～1000帧的图像. 计算累计图像的平均像素值和平均像素方差, 为转化背景的统计模型提供数据.平均像素值公式是:其中,为连续两帧图像, n为图像的总帧数. 在OpenCV中用函数cvAcc()实现积累图像. 像素的平均方差观测公式为:在OpenCV中用函数cvAbsDiff()计算每帧图像之间的绝对差图像.(2)建立背景统计模型一旦积累到足够多帧的图像之后, 就将其转化为一个背景统计模型, 即计算每一个像素的均值和方差观测. 在建立背景统计模型时, 设置一个高阈值和一个低阈值, 实验中我们分别取值为7和6, 使得对于每一帧图像的绝对差大于平均值 7倍的像素和绝对差小于平均值 6倍的像素都被认为是前景. 在 OpenCV中用cvInRange()实现将图像分割成前景区域和背景区域.(3)判断当背景统计模型建立后, 后续帧进入前景判断模块, 就可以检测出运动目标.3 目标跟踪目标跟踪就是在连续的图像序列中对某一或几个感兴趣的运动目标进行不间断跟踪与定位. 运动目标跟踪一直是计算机视觉领域中重要的研究课题, 他在许多领域都有广泛的应用. 如: 工业过程控制、医学研究、视频监控、军事目标跟踪等. 在不同的应用领域都要求能对运动目标进行准确快速的跟踪. 本章利用平均背景法提取出运动目标, 在此基础上利用投影法来投影出运动目标的位置和大小, 然后再对运动目标建立目标模型. 具体方法就是计算目标特征空间中每个特征值的概率, 可以选择颜色和纹理等, 本文选择颜色建立起目标模型; 然后在后续帧图像可能存在目标区域再计算特征空间每个特征值, 这样就建立了候选目标模型. 利用Bhattacharyya相似函数[7](简称 BH系数)度量初始帧目标模型和当前帧候选模型的相似性, 通过求相似函数最大值得到关于目标的MeanShift 向量, 这个向量即是目标从初始位置向正确位置移动的向量, 由MeanShift算法的收敛性, 不断迭代计算MeanShift向量, 在当前帧中, 最终目标会收敛到目标的真实位置, 从而达到跟踪的目的[8].3.1 目标模型的建立设为目标所在区域归一化的n个像素点集, 目标区域以 0为中心. 函数 )(xk 是一个各向同性的具有单调递减的凸函数, 它的值为各点加权后的值. 由于外层的像素值很容易被遮挡或受背景影响,所以通过加权方法增强了密度估计的稳定性[9]. 该方法通过引入一个加权因子来降低目标模型中背景像素的影响, 从而提高目标跟踪的精度以及局部遮挡情况下目标跟踪的效果. 离中心越远, 权值越小. 特征值的目标模型中出现的概率可以表示为:其中, h是跟踪窗口半径(或称核函数带宽).是一个标准化的常量系数, 使得函数用于判断目标区域中像素 ix的颜色值 )(ixb 是否属于第u个单元的颜色索引值, 等于为1, 否则为0.3.2 候选模型的建立运动目标在第二帧以及以后的每帧中可能包含目标的区域称为候选目标, 中心为y.候选目标区域中像素点表示则特征值在候选目标模型中出现的概率可以表示为:其中 hC 为归一化因子, 使则:3.3 相似性度量相似函数在目标模型和候选模型之间定义了一个距离值, 用来衡量两者之间的相似程度. 为了在不同的目标间进行比较, 这个距离应该是一个度量空间. 这种函数有很多, 比如: Bhattacharyya函数, Fisher linear discriminant[10], Kullback 散度及直方图交集等. 在MeanShift 算法中, 引入了 BH 系数来衡量目标模板和候选目标区域对应的直方图之间的相似程度, 即:其中q为目标模板, p为候选目标模板,在0-1之间, 值越大, 表示两个模板越相似. 在理想情况下, 候选目标模型和目标模型相似程度可以达到 100%. 但是在实际的应用场景中, 是不可能达到的. 为了使],[qpρ最大, 将当前帧的目标中心先定位为前一帧中目标中心的位置, 从这一点开始寻找最优匹配的目标.4 目标检测与跟踪实现与分析视频中运动目标的检测和跟踪是智能视觉系统的重要研究课题, 是各种后续高级处理的基础. 为了验证目标跟踪的跟踪效果, 将分别在视频文件中对运动的汽车进行跟踪实验, 算法是在 VC++环境下并且借助于OpenCV函数库实现的. 图2分别是对汽车视频的 190、220、250帧中的目标进行检测, 并且进行跟踪. 图3是对另一小车跟踪的40,50,60, 70帧. 实验说明, 进行的目标跟踪算法能准确的检测出运动物体,并能够实时跟踪运动物体.5 结论在目标跟踪过程中, 利用目标的颜色特征进行的跟踪, 在某些情况下很难实现. 为此,本文中提出平均背景法先把运动目标从背景中区分出来, 并把目标的颜色特征融合到目标模型中, 最终利用 MeanShift实现目标跟踪. 遮挡是目标跟踪中的常见现象, 遮挡表现为目标信息的逐渐丢失, 而目标跟踪算法的关键就是搜索到足够多的目标信息, 判定目标所在位置,所以遮挡给目标跟踪的可靠性带来了很大困难, 可能导致跟踪的不稳定, 甚至丢失目标. 如何有效的处理遮挡也很重要. 通过实验证明本文方法在小的遮挡下也能进行跟踪, 但是如果大部分的遮挡或者完全遮挡下就很难进行跟踪, 所以这部分的研究还要继续.图2 小车的检测与跟踪图3 小车的跟踪参考文献【相关文献】1 Dorin C,Visvanathan R,Peter M.Kernel-based object tracking.IEEE Transactions on Pattern Analysis and Ma chine Intelligence,2003,25(5):564−577.2 Stauffer C,Grimson WEL.Leaning patterns of activity using real time tracking.IEEE Transactions on Pattern Analysis and Machine Intelligence,2000,22(8):747−757.3 Piccardi M.Background subtraction techniques:a review.IEEE International Conference on Systems,Man and Cybernetics,2004,4:3099−3104.4 王圣男,郁梅,蒋刚毅.智能交通系统中基于视频图像处理的车辆检测与跟踪方法综述.计算机应用研究,2005(9):9−14.5 叶锋,范曼曼,郑子华.一种改进的基于平均背景模型的运动目标检测算法,福建师范大学学报,2011,27(4):44−49.6 于成忠,朱骏,袁晓辉.基于背景差法的运动目标检测.东南大学学报,2005,35:159−161.7 Aherne F,Thacker N,Rockett P.The Bhatacharyya metric as an absolute similarity measure for frequency coded data.Kybernetika,1988,34(4):363−368.8 Fukanaga K,Hostetler LD.The estimation of the gradient of a density function,withapplications in pattern r ecognition.IEEE Trans Information Theory,1975,21(1):32−40.9 戴庆成.冯晓毅,刘娟.团块与Mean-Shift结合的局部遮挡目标跟踪.计算机工程与应用,2011,47(18):183−185.10 Chengjun Liu,Happy W.Gabor feature based classification using the enhanced fisher linear discriminant model for face recognition.IEEE Trans.ImageProcessing,2002,11(4):467−476.。
基于OpenCV的运动目标检测与跟踪算法的研究
基于OpenCV的运动目标检测与跟踪算法的探究摘要：随着计算机视觉技术的提升，运动目标检测与跟踪成为了热门探究领域之一。
本文基于OpenCV库，对运动目标检测与跟踪算法进行了探究。
起首，介绍了OpenCV库及其在计算机视觉领域的广泛应用。
接着，分析了运动目标检测与跟踪的基本观点和相关技术。
随后，详尽介绍了OpenCV中常用的运动目标检测算法，包括背景减除法、帧差法和光流预估法，并对它们的原理进行了深度探讨。
最后，给出了运动目标跟踪算法在OpenCV中的实现方法，并通过试验结果验证了算法的有效性与稳定性。
1. 引言随着计算机视觉技术的不息进步，运动目标检测与跟踪成为了计算机视觉领域的重要探究方向之一。
运动目标检测与跟踪技术可以应用于许多领域，如智能监控、自动驾驶、智能机器人等，具有宽广的应用前景。
OpenCV作为一个开源的计算机视觉库，在图像处理与分析中有着广泛的应用，为开发者提供了丰富的函数库和工具，便利了运动目标检测与跟踪算法的实现。
2. OpenCV库的介绍OpenCV（Open Source Computer Vision Library）是一个开源的计算机视觉库，最早由Intel公司开发并在BSD许可下发布。
它提供了丰富的函数库和工具，包含了多种计算机视觉算法和工具，可用于处理、分析和识别图像与视频。
OpenCV是跨平台的，支持多种操作系统，如Windows、Linux等。
它的主要特点包括：易于使用、高性能、灵活性、扩展性强等。
3. 运动目标检测与跟踪的基本观点和相关技术3.1 运动目标检测的基本观点运动目标检测是指在图像或视频序列中检测出具有某种运动特征的目标。
运动目标检测的基本观点包括：目标模型、背景模型和运动检测方法等。
目标模型是指对目标的外形、外观、运动特征等进行建模的过程。
背景模型是指对于每一帧图像的背景进行建模的过程。
运动检测方法是指依据目标模型和背景模型来裁定图像中是否存在运动目标的方法。
基于OpenCv的运动目标追踪与检测
• 156•随着信息科技的快速发展，视频监控等相关行业也逐渐成熟起来，作为一个独立的产业体系，视频资料不论种类还是数量都与日俱增。
但不正当的操作手段也使得视频资料鱼龙混杂，那么，如何在海量的视频资料中提取到符合要求的数据信息，是目前亟待解决的重要问题，因此基于海量视频资料信号为基础的目标追踪与检测应运而生。
本文主要基于OpenCV 并利用mean shift 算法来实现对视频中出现的多运动目标进行单目标追踪检测，实验表明该算法有较好的追踪效果。
科技革命以来，随着各类技术的不断更新发展，电子监控等相关领域也在越来越多的范围内使用。
如何及时有效的在视频中寻找出有用信息便显得尤为重要，于是对有用的特定目标的检测与跟踪的相关研究也就应运而生，并且成为了视觉领域的一大热点。
现在，一般的智能系统基本上都包括对特定有用目标的检测和跟踪，还有识别以及行为分析等功能。
运动目标检测，其锁定的是我们需要注意的区域，更是后续其他处理的基础，跟踪与识别作为图像高级语义处理的环节为后面行为分析提供依据。
基于C++的视觉库OpenCv 是可以在多系统进行操作的开源软件。
它容纳了计算机视觉的领域众多函数，包括工业产品、医学图像、安全保卫领域、交互操作、相机校正、双目视觉以及机器人学。
本文主要利用OpenCV 库来实现对视频中出现的多运动目标进行单目标追踪。
运动目标检测是指在摄像头监控界限内有活动的目标时，采用图像分割，将背景图像中的目标的运动区域提取出来。
视频分析的基础是移动目标的检测，因为与视频分析算法有关的图像处理都是以目标区域的像素点为基础来进行处理。
目标检测的结果直接影响视觉监控系统的整体性能。
科学技术突飞猛进，日新月异，运动目标的检测种类繁多，与日剧增。
运动目标的跟踪，简单说，就是在图像中对感兴趣的目标进行定位并且使用可视化的方式进行标记，一般来说，都是通过数学的方式，对目标的信息加以表示，然后整个图像中找到与建立的数学表达最为相似的待选区域在图像中具体位置的过程。
基于OpenCv目标跟踪系统的实现
基于OpenCV的运动目标跟踪系统的实现徐俊斌SA11009039摘要：运动目标跟踪在军事制导、视觉导航、机器人、智能交通、公共安全等领域有着广泛的应用.例如在车辆违章抓拍系统中,车辆的跟踪就是必不可少的.在入侵检测中,人、动物、车辆等大型运动目标的检测与跟踪也是整个系统运行的关键所在.因此在计算机视觉领域中目标跟踪是一个很重要的分支。
传统的的运动目标检测主要有三种方法：背景图像差分法，时态差分法和光流法。
然而这几种算法均不能很好地解决目标存在旋转或部分遮挡等复杂情况下的跟踪难题。
本文基于OpenCV设计出改进的运动目标检测与跟踪算法---CAMSHIFT算法来实现运动目标的跟踪，并在VC++编译环境下，利用USB摄像头作为视频采集器，通过观察实验结果可以看出，本文的运动目标检测算法能够正确地检测出视频图像中的运动目标，而且在检测性能上优于传统的检测算法。
关键词：目标跟踪；OpenCV；CAMSHIFT算法；VC++0 引言目标跟踪是计算机视觉的一个重要分支，日益广泛应用于科学技术、国防安全、航空、医药卫生以及国民经济等领域。
实现目标跟踪的关键在于完整地分割目标、合理提取特征和准确地识别目标，同时，要考虑算法实现的时间，以保证实时性。
当视频图像中被跟踪目标发生姿态变化，存在旋转或部分遮挡时，简单的灰度模板或者Hausdorff距离匹配一般很难达到实时跟踪目标的要求，出现误匹配或者跟踪丢失的情况，而且跟踪效果较低。
Gary R.Bradski提出的CAMSHIFT(Continuously Adaptive Mean Shift)算法是以颜色直方图为目标模式的目标跟踪算法，可以有效地解决目标变形和部分遮挡的问题，而且运算效率很高。
该文首先详细介绍CAMSHIFT算法，并结合Intel公司开发的开源OpenCV 计算机视觉库，实现了运动目标跟踪，并验证了CAMSHIFT算法的有效性以及展现OpenCV计算视觉库的灵活性和优越性。
基于opencv的运动物体跟踪实验报告
基于opencv的运动物体跟踪一、实验目的1.通过实验了解opencv运动物体跟踪的数据结构、函数以及基本框架；2.通过实验提高对于图像的认识；3.通过实验了解光流法、背景差分法、Camshift等主流视频跟踪算法；4.通过实验将理论和实践联系起来，提升对于理论知识的认识；二、实验要求1.调用基于intel 的开源视觉库opencv，实现视频或者摄像头的监控；2.编程实现对进入视觉范围内的运动物体实施监测与跟踪；3.统计出进入视觉范围内的物体个数，速度等；4.针对实际的监控效果，实现对算法的改进，完成复杂背景下物体跟踪问题三、实验环境PC机一台（VC++）、摄像头一个四、实验内容1.opencv相关信息：opencv是hite严开源计算机视觉库。
它由一系列c函数和少量c++类构成，实现了图像处理和计算机视觉方面的很多通用算法。
其重要重要特性包括:拥有包括300多个C函数的跨平台的中、高层API。
它不依赖于其它的外部库——尽管也可以使用某些外部库。
openCv的优势在于:（1）纯c代码，源代码开放；（2）丰富的函数功能，强大的图像和矩阵运算能力；（3）平台无关性；（4）程序运行的实时性；（5）方便灵活的用户接口；（6）交互性及强大的扩展功能；（7）可嵌入性。
可见，作为一个基本的图像处理、计算机视觉和模式识别的开源项目OpenCv可以直接应用于很多领域，作为二次开发的理想工具。
2.图像噪声的处理方面图像信号在产生、传输和记录过程中，经常会受到各种噪声的干扰，一般来说，现实中的图像都是带噪图像。
通常在图像处理工作中，在边缘检测、图像分割、特征提取、模式识别等高层次处理之前，选用适当的方法尽量地去除噪声干扰是一个非常重要的预处理步骤。
依据噪声产生的原因，将经常影响图像质量的噪声源分为三类:阻性元器件内部产生的高斯噪声;光电转换过程中的泊松噪声(椒盐噪声);感光过程中产生的颗粒噪声。
噪声的均值表明了图像中噪声的总体强度。
基于OpenCV的运动目标检测与跟踪
基于OpenCV的运动目标检测与跟踪【摘要】OpenCV是一个基于（开源）发行的跨平台计算机视觉库，实现了图像处理和计算机视觉方面的很多通用算法。
本文主要简述了基于OPENCV开源代码库的运动目标的检测与跟踪的原理及算法实现。
在VC++6。
0编译环境下，用C++语言编写，利用USB摄像头作为视频采集器，实现了对可疑目标的持续跟踪。
【关键词】OPENCV 运动目标检测跟踪背景差分 CamShift算法Abstract：OpenCV is based on （open) issued a cross—platform computer vision library that implements many common algorithms of image processing and computer vision。
This paper outlines the principles and algorithms of OpenCV—based moving target detection and tracking。
Compiled under VC + +6。
0 environment， using C + + language,using USB camera as a video capture device， to achieve a continuous tracking of suspicious targets。
Keywords：OPENCV；Moving target；detection；tracking；Background difference； CamShift algorithm一、项目背景以往的监控系统要监视各厅室的所有角落，需要在多方位安装监控摄像头，随着防盗系统向着网络远程化、智能化和自动化方向的发展，设计一种室内监控摄像头自动跟踪目标的控制系统势在必行，可以通过分析摄像头所传输的图像信息，锁定可疑目标，然后带动步动电机转向,将可疑目标控制在摄像头范围内。
- 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)。
随着计算机技术的高速发展，运动物体的检测和跟踪在图像处理、计算机视觉、模式识别、人工智能、多媒体技术等领域越来越受到人们的关注。运动跟踪和检测的应用广泛，在智能监控和人机交互中，如：银行、交通、超市等场合常常使用运动跟踪分析技术，通过定位物体并对其行为进行分析，一旦发现物体有异常行为，监控系统就发出警报，提醒人们注意并即时的处理，改善了人工监督注意力分散、反应时间较慢、人力资源浪费等问题。运动目标的跟踪在虚拟现实、工业控制、军事设备、医学研究、视频监控、交通流量观测监控等很多领域也有重要的实用价值。特别在军事上，先进的武器导航、军事侦察和监控中都成功运用了自动跟踪技术。而跟踪的难点在于如何快速而准确的在每一帧图像中实现目标定位。正因如此，对运动目标的跟踪和检测的研究很有价值。
Keywords:moving target detection;frame difference method;video frame;OpenCV
1
如何更好地、更准确地理解视觉信息已经成为当前科学研究的一个重要课题。而计算机视觉就是通过计算机代替人眼及大脑对外界环境进行感知、分析和理解。随着计算机技术的不断发展和计算机性能的逐渐提高，计算机视觉成为了一个崭新且发展迅速的热门领域，并成为计算机科学的重要研究领域之一。计算机视觉技术已经在许多领域得到广泛应用，可以这么说，需要人类视觉的场地方几乎都可以借助于计算机视觉。许多人类视觉无法触及的场合，如危险场景监测、微观物体精确定量、不可见物体感知等，计算机视觉更突显其优越性。
基于VC的运动图像跟踪领域的一个重要分支与基础，在工业、医疗保健、航空航天、军事等各个领域具有广泛的应用前景，一直受到广泛的关注，并成为计算机视觉领域的一个研究热点。但是由于运动目标检测问题本身的复杂性，运动目标的检测与跟踪依然面临着诸多挑战。本文在现有研究成果的基础上，对静态场景下的运动目标检测跟踪进行了深入的讨论。
This article first basic method of moving target detection-frame difference method and background subtraction method conducted in-depth study and discussion, and then, by means of OpenCV technology, Visual C 6.0 programming environment developed a moving target detection and tracking system. The system and the collection of the associated video sequence after pretreatment, the video image of the moving target sequence comparison reliably detected. Through systematic test results and data can be concluded: Based on OpenCV design moving target detection and tracking system has good real-time, be able to properly carry out real-time moving target detection and tracking.
1.2
数字图像处理技术是20世纪60年代随着计算机技术和VLS（I Very Large Scale Integration）的发展而产生、发展和不断成熟起来的一个新兴技术领域，它在理论上和实际应用中都取得了巨大的成就。
20世纪20年代,图像处理技术首次应用于改善伦敦和纽约之间海底电缆发送的图片质量。到20世纪50年代,计算机发展到一定的水平后,数字图像处理才真正引起人们的兴趣。1964年美国喷气推进实验室通过计算机对“徘徊者七号”太空船发回的大批月球照片进行处理,获得了巨大成功。20世纪60年代末,数字图像处理初步具备了比较完整的体系,形成了一门新兴的学科。20世纪70年代,数字图像处理技术得到迅猛的发展,理论和方法进一步完善,应用范围更加广泛。在这一时期,图像处理主要和模式识别及图像理解系统的研究相联系,如文字识别、医学图像处理、遥感图像的处理等。20世纪70年代后期到现在,各个应用领域对数字图像处理提出越来越高的要求,促进了这门学科向更高要求的方向发展。特别是在景物理解和计算机视觉(即机器视觉)方面,图像处理已由二维处理发展到三维理解或解释。进入21世纪后，随着计算机技术的迅猛发展和相关理论的不断完善，数字图像处理技术在许多应用领域受到广泛重视并取得了重大的开拓性成就。属于这些领域的有航空航天、生物医学工程、工业检测、机器人视觉、公安司法、军事制导、文化艺术等。该技术成为一门引人注目、前景远大的新型学科。
本文首先对运动目标检测的基本方法----帧间差分法与背景差分法进行了深入的学习和探讨，然后，借助于OpenCV技术，在Visual C++ 6.0编程环境下开发了运动目标检测跟踪系统。该系统首先对采集的视频图像序列进行相关的预处理之后，将视频图像序列中的运动目标比较可靠地检测出来。通过系统的测试结果和数据可以得出结论：本文基于OpenCV设计的运动目标检测跟踪系统具有良好的实时性，能够正确地进行运动目标的实时检测与跟踪。
关键词：运动目标检测；帧间差分法；视频图像；OpenCV
Algorithm
Abstract
Moving target detection and tracking field of computer vision as an important branch of the foundation, in the industrial, healthcare, aerospace, military and other fields with a wide range of applications, has been widespread concern, and the field of computer vision to become a research hotspot. However, due to moving target detection complexity of the problem itself, moving target detection and tracking is still facing many challenges. In this paper, based on the results of existing research in static scenes of the moving target detection and tracking in-depth discussion.