基于Opencv的運動目標的檢測和跟蹤

白 瑞，姜明新

（大連民族學院 信息與通信工程學院，遼寧 大連 116600）

在圖像序列中進行目標的跟蹤一直是計算機視覺、圖像處理和模式識別領域非常活躍的課題。運動目標的的識別就是對包含運動信息的視頻序列運用適當的技術進行處理，把于背景存在相對于運動的區分開的過程。這也是計算機視覺處理的一個重要問題，也是目標檢測[1]和跟蹤的基礎。

1 系統流程圖

在此介紹質心跟蹤法[2]對運動目標進行檢測和跟蹤，以下基于Opencv實現的系統的流程。

圖1 運動目標檢測和跟蹤的流程圖Fig.1 Flow chart of detect and track the moving target

2 控制界面

為了更適合管理者進行隨時的調整，設計了控制界面如圖2所示，該控制界面[3]方便管理者隨時進入和退出系統，來完成開始和結束目標的檢測和跟蹤，而且管理者可以實時觀測到跟蹤車輛的信息。

圖2 控制界面Fig.2 Control interface

3 背景提取

系統輸入的是視頻序列，而檢測運動物體需要無運動物體作為背景圖像[4]，然而視頻序列的每一幀圖像都用運動物體，因此需要提取在視頻圖像序列中靜止不動的景物。因為視頻檢測器不動，所以圖像中的每一個象點都有一個對應的背景值，這個值在一段時間內是比較固定的，所以背景圖可以作為參考圖。

背景差分法是選用視頻或者攝像機的第一幀作為背景，再將后面的幀與背景做差分，雖然后續也會進行背景的更新，但是如果第一幀中有運動目標的話，那么該運動目標將會成為背景，而后面的幀中原位置上的背景將會成為運動目標被檢測，這樣就會使后續的背景差分失去準確度，為了不使初始的背景圖失真，于是本文采用多幀圖像統計求平均值的方法，這樣大大的避免因第一幀有運動而導致背景檢測出現錯誤的物體。為此我們提取前30幀的圖像求的像素的平均值。公式為：

其中N為重建圖像序列的幀數，Bk為重建的背景圖像，Ik為第K幀圖像，背景圖中每一個像素點的值為該像素點N幀圖像灰度的累加平均值。

對索取的圖像需要灰度化處理。圖像灰度化就是將提取的彩色圖像種的彩色信息踢出，只包含亮度信息，計算機表示灰度圖是把亮度值進行量化等分成0～255共256個級別，0表示最暗（全黑），255最亮（全白），而在RGB模式中，如果R=G=B，則顏色（R，G，B）就表示灰度值。灰度化過程就是使圖像的RGB分量取相等的值，圖像由原來的三圍特征降到灰度化以后的一維特征必然會丟失部分信息。考慮的人眼的視覺感知的效果，本文選擇的灰度轉化的公式為：

其中Gray表示圖像中的像素灰度值，R表示該圖像的紅色分量，G表示綠色分量，B表示藍色分量：0.299，0.587，0.114分別表示為前人實驗和理論證明得出的最合理灰度圖像的權值。在Opencv函數庫中，圖像的灰度化處理通過cvCvtColor（const*src，CvArr*dst，int code）函數[5]實現，其 中src為元彩色圖像，dst為處理后的圖像，code為彩色空間轉化方式，其中code定義為CV_RGB2GRAY。由此可以得到視頻道路的背景圖如圖3所示。

圖3 檢測視頻序列的背景圖Fig.3 Background detection in video sequences

4 運動目標質心跟蹤

為了便于計算，把視頻頭是掃描的范圍固定在一個矩形內作為運動目標選擇區域，在選擇區域內檢測運動目標，當運動目標被鎖定后，目標窗口和背景窗口也被確定下來。當然，運動目標選擇區距離真實的目標越近，實驗的結果應該是越好，應用質心跟蹤法需要滿足一定的條件，即需要滿足一些假設。

假設1 背景圖和運動目標的的對比度比較大，也就是說目標和背景之間可以明顯的區分。

假設2 提取的目標周圍的背景灰度近似的均勻。

這樣，如果跟蹤的運動目標的灰度分布滿足假設的話，質心跟蹤算法不會受大小，旋轉變化一影響，穩定性、可靠性和精度都會較高。因為視覺系統會把目標物體看出輪廓影像，忽略目標的內部結構，于是當前的檢測的目標輪廓成了主要的信息來源，當監測目標和視覺視覺系統之間存在相對運動時，便可以獲得序列的二值圖像形成景物中目標輪廓的三維描述。當然，二值圖像中目標質心可用公式：

求出，式中

是二值圖像，（i，j）是圖像中像素的坐標，m和n是圖像的行數和列數。當目標和視覺系統之間發生相對運動時，只要重復計算式（2），每一幀圖像都進行質心的移動記錄，就可以實現目標質心的搜索和跟蹤[6-7]。

5 實驗結果

根據上述算法思想和實現過程，使用VS2008和opencv 2.1實現了運動目標的識別和跟蹤。該系統處理每幀圖像的速度可滿足實時性的監測要求。使用該算法對一段交通視頻序列進行運動目標的識別和跟蹤，結果如圖4所示。其中圖4（a）是當前幀的圖像，圖中的大矩形為運動目標的選擇區域，小的矩形為跟蹤的運動目標。圖4（b）是運用質心跟蹤法的結果。

圖4 運動目標的識別和跟蹤結果圖Fig.4 Moving target identification and tracking results in figure

6 結 論

文中應用多幀圖像取平均值的算法，避免了第一幀圖像有運動目標而影響實驗結果，由此基礎上，可以在應用質心跟蹤算法得到由實驗結果看出，本系統可以比較準確的得到視頻圖像序列的背景圖像，并且能夠實現運動目標的跟蹤。

系統還需要改進的是要對目標的邊緣的檢測不夠清楚，若能加入對運動目標邊緣的檢測和陰影的去除，系統的檢測結果會更好。

[1]李恩科，劉上乾，麻顏軒，等.一種新的運動目標自適應圖像分割算法[J].西安電子科技大學學報，2008，35（3）:491-494.LI En-ke，LIU Shang-qian，MA Yan-xuan，et al.Novel algorithm for adaptive image segmentation of moving targets[J].Journal of Xidian University，2008，35（3）:491-494.

[2]劉雪.基于圖像序列的運動目標檢測和跟蹤算法研究[D].濟南：山東大學，2007.

[3]仇巍，邢建國.基于MFC的產品結構樹管理系統的實現[J].中國制造業信息化，2012，41（3）:11-13.QU Wei，XING Jian-guo.The development of product structure tree management system based on MFC[J].Manufacture Information Engineering of China，2012，41（3）:11-13.

[4]丁忠孝.視頻監控圖像的運動目標方法綜述 [J].電視技術，2008，32（5）:72-76.DING Zhong-xiao.Survey on moving object detection methods for video surveillance imanges[J].TV technology，2008，32（5）:72-76.

[5]于仕琪，劉瑞禎.學習Opencv（中文版）[M].北京：清華大學出版社，2010.

[6]梁曦.一種基于視頻序列的運動目標檢測方法[J].空間電子技術，2011（4）:29-31.LIANG Xi.A motion detection method based on video sequence[J].Space Electronic Technology，2011（4）:29-31.

[7]江捧岳.圖象跟蹤算法分析[J].火力與指揮控制，1998，23（2）:48-52.JIANG Peng-yue.Analysis of target tracking algorithms[J].Fire Control&Command Control，1998，23（2）:48-52.