視頻中運動目標檢測與跟蹤方法研究

凱邁（洛陽）測控有限公司　馮嬋娟

?

視頻中運動目標檢測與跟蹤方法研究

凱邁（洛陽）測控有限公司馮嬋娟

在當前的計算機視覺研究中，運動目標的檢測與跟蹤是較為重要的研究課題。自運動目標檢測跟蹤技術(shù)出現(xiàn)以來，就一直受重視和研究并且應用在社會各個方面。本文通過對視頻中的運動目標檢測跟蹤進行研究，對主要的幾種檢測跟蹤方法進行了分析。

視頻；運動目標；檢測；跟蹤；方法研究

一、運動目標檢測跟蹤工作的現(xiàn)狀

（一）視頻中運動目標檢測跟蹤簡述

計算機視覺和視頻信息處理的一個重要的部分是運動目標檢測跟蹤，運動目標檢測跟蹤技術(shù)是一項綜合性的研究課題，包含圖像處理、人工智能、模式識別、自動控制等不同的學科領(lǐng)域。

運動目標的檢測跟蹤自今已經(jīng)有多年的研究歷史，主要是對運動目標對象進行實時的觀測和分類，并對運動目標的行為進行分析研究。這種技術(shù)能夠?qū)⒛繕嗽趫D像信號中實時的自動識別出來，并對目標位置和運動進行提取和自動跟蹤。

（二）運動目標檢測跟蹤工作的難點

由于我國對于視頻的運動目標檢測跟蹤的研究相對于發(fā)達國家來說發(fā)展較晚，在對目標進行檢測跟蹤研究時還會面臨很多的難題。

1.背景較復雜

實際的目標檢測跟蹤受到背景的影響比較大，特別是一些顏色與目標相近的背景，對于基于顏色特征的目標檢測跟蹤來說有較大的難度。

2.初始化

完整的目標跟蹤系統(tǒng)包含檢測和跟蹤兩部分，一般采用人機交互的方式進行目標初始化，用鼠標點擊目標進行目標的檢測和識別。此時目標跟蹤系統(tǒng)無法跳過目標檢測步驟直接跟蹤。

3.光照的變化

在室外室內(nèi)光線差別較大的情況下，雖然可以用不同的顏色系統(tǒng)減輕光照變換對算法的影響，但是光照的變化問題依舊會對目標的跟蹤造成不可避免的影響。

4.陰影問題

實際的檢測跟蹤系統(tǒng)中的運動目標常會伴隨有運動陰影，很容易造成運動目標的變形、合并、丟失。目前對陰影的檢測與消除是研究人員對運動目標進行有效分割的研究難題。

5.遮擋問題

運動目標在被跟蹤的過程中，會出現(xiàn)被非目標物體部分或全部遮擋的情況，有些時候被更跟蹤的目標之間也會相互遮擋，解決遮擋問題也是目標跟蹤研究中急需解決的問題。

二、視頻中運動目標檢測跟蹤的常用方法

對運動目標進行檢測跟蹤，首先要進行對運動目標的檢測，在監(jiān)控場景中實時的檢測提取運動目標，之后就是同等重要的運動目標跟蹤環(huán)節(jié)。接下來對目標的檢測與跟蹤方法中比較常用的幾種進行分析，不難發(fā)現(xiàn)目前所用的方法在中有一些缺陷和比較難攻克的難題。

（一）視頻中運動目標檢測方法

1.幀間差分法

幀間差分法具有實現(xiàn)簡單，運算量小，噪點較少，對光照不敏感的優(yōu)點。兩幀相鄰的圖像時間較短，可以在背景變化比較平緩穩(wěn)和的時候，對比前后兩幅圖像的差值判斷目標的運動特性。但不足是在檢測過快或過慢的目標時會顯示為兩個前景區(qū)域或物體內(nèi)部空洞。

2.背景差分法

背景差分法也是比較常用的運動目標檢測算法。背景差分法首先從視頻序列中選定一個背景圖像當做參考模型，之后對視頻序列的當前幀和背景圖像做差分運算，選定合適的閾值對差分圖像進行二值化處理，從而把運動目標從圖像中分離出來。但是該算法的其中一個局限性是只能在靜態(tài)背景下使用。

3.光流法

光流法是假定對每一幀視頻序列中的每個像素點都定義了一個速度矢量，如果在檢測中每個像素點的速度矢量變化連續(xù)、平滑時，說明圖像中沒有運動的物體。反之畫面中像素點的矢量變化是離散的，則說明物體發(fā)生相對運動。這種方法適用于背景不斷變換的情況，不過抗噪能力比較差，也容易受光照的影響。

（二）視頻中運動目標跟蹤方法

運動目標跟蹤是在目標檢測的基礎上，對視頻圖像序列中運動目標的位置、運動軌跡、速度和加速度等參數(shù)進行分析，采用合適的匹配算法對目標的有效特征進行特征點匹配，從而獲得目標的運動軌跡。運動目標跟蹤方法可以分為如下幾類。

1.基于目標輪廓的跟蹤算法

在視頻序列背景較為簡單時，可以直接利用灰度分割或者圖像梯度來獲得運動對象的輪廓。但是，當背景較為復雜或與目標顏色相近時，這種算法就容易產(chǎn)生錯誤匹配。

2.基于模型的跟蹤算法

該算法是對整個運動目標所在的區(qū)域進行匹配，所以在運動目標沒有被遮擋的情況下，該算法的效果最好，跟蹤也非常穩(wěn)定。缺點是區(qū)域匹配比較耗時，運算量很大，實時性差，并且要求目標不能被遮擋并且不能發(fā)生很大的形變，否則跟蹤的準確度將嚴重下降。

3.基于頻率域的跟蹤算法

與空間域算法相比，頻率域算法有其自己的優(yōu)點：首先圖像的亮度變化對該算法基本沒有影響，其次該算法定位精度高，抗干擾能力強，對外界環(huán)境變化不敏感。但是，該算法也有一定的缺點，就是只能對單個運動物體進行跟蹤，這也是該算法的局限性所在。

4.基于區(qū)域匹配的跟蹤算法

該算法是對整個運動目標所在的區(qū)域進行匹配，所以在運動目標沒有被遮擋的情況下，該算法的效果最好，跟蹤也非常穩(wěn)定。缺點是區(qū)域匹配比較耗時，運算量很大，實時性差，并且要求目標不能被遮擋并且不能發(fā)生很大的形變，否則跟蹤的準確度將嚴重下降。

三、視頻中運動目標檢測跟蹤方法的改進

在現(xiàn)有目標跟蹤方法中經(jīng)常會出現(xiàn)目標丟失的情況時，可以引入RANSAC提純的SURF算法對運動目標區(qū)域進行重新定位實現(xiàn)持續(xù)跟蹤。當使用傳統(tǒng)Camshift算法對目標跟蹤失敗時，可以采用RANSAC提純的SURF算法對運動目標區(qū)域進行特征點匹配，找到跟蹤失敗的目標，然后再回到Camshift算法，從而實現(xiàn)對目標的持續(xù)跟蹤。

改進的算法使用Bhattacharyya系數(shù)對目標的丟失情況進行判斷。在實際情況下Bhattacharyya系數(shù)很難達到最大值1，因此這里設置閾值為0.8。當Bhattacharyya系數(shù)小于0.8時，就認為目標丟失。改進后的算法的具體步驟如下：

第一步，分析運動目標檢測的結(jié)果，確定視頻序列起始幀的初始目標區(qū)域，即搜索窗口的大小和初始位置。

第二步，采用傳統(tǒng)的Camshift目標跟蹤算法對運動目標進行跟蹤，獲得候選目標區(qū)域的準確位置，并實時的對搜索窗的位置和尺寸進行更新。

第三步，利用公式計算出得到的候選目標區(qū)域和目標區(qū)域的Bhattacharyya系數(shù)，即候選目標區(qū)域和目標區(qū)域的相似度；利用得到的Bhattacharyya系數(shù)來判斷目標是否丟失，如果Bhattacharyya＞=0.8，判斷當前候選目標區(qū)域即為目標區(qū)域，返回第二步繼續(xù)跟蹤。如果Bhattacharyya＜0.8，那么判定目標出現(xiàn)丟失，然后通過RANSAC提純的SURF特征點匹配算法重新對目標區(qū)域進行定位，找到跟蹤跟蹤目標后返回第二步繼續(xù)跟蹤。

四、結(jié)語

運動目標檢測與跟蹤是目前計算機視覺研究的重點內(nèi)容之一，在視頻監(jiān)控、交通路況、軍事醫(yī)療等方面都有重要的作用和發(fā)展前景。本文對視頻中的運動目標進行檢測跟蹤的技術(shù)方法上提出了一些改進的建議，有一定的幫助作用。對目前檢測跟蹤方法的發(fā)展和研究更需要研究人員進行深入的分析和實踐，使目標檢測跟蹤的方法更加簡化，提高算法的實時性和適用性。

［1］施雪梅.運動目標檢測與跟蹤算法研究［D］.北京交通大學，2010.

［2］胡明合.基于雙目視覺的運動目標檢測與跟蹤［D］.河南科技大學，2011.

［3］張毅.視頻圖像的運動分析［J］.有線電視技術(shù)，2012.

馮嬋娟（1986-），女，陜西渭南人，大學本科，助理工程師，研究方向：電子，儀器儀表。