運(yùn)動(dòng)目標(biāo)的監(jiān)測(cè)與跟蹤

1、運(yùn)動(dòng)目標(biāo)的監(jiān)測(cè)與跟蹤（曾輝華南理工大學(xué)自動(dòng)化學(xué)院學(xué)號(hào)：200720111097）摘要:對(duì)所要求的場(chǎng)景提出了一種檢測(cè)運(yùn)動(dòng)物體跟蹤運(yùn)動(dòng)物體的方法。用背景差分得到運(yùn)動(dòng)人體的區(qū)域通過卡爾曼濾波對(duì)人體進(jìn)行跟蹤，并給出實(shí)例關(guān)鍵詞:運(yùn)動(dòng)檢測(cè)運(yùn)動(dòng)跟蹤卡爾曼濾波1概論概論視頻圖像分析主要是對(duì)運(yùn)動(dòng)圖像序列進(jìn)行分析處理，它通常涉及到運(yùn)動(dòng)檢測(cè)、目標(biāo)分類、目標(biāo)跟蹤及行為理解與描述幾個(gè)過程。其中，運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤處于整個(gè)視覺監(jiān)視系統(tǒng)的最底層，是視頻圖像分析中最基

2、本的方法，是各種后續(xù)高級(jí)處理如目標(biāo)分類、行為理解等的基礎(chǔ)。視頻圖像指動(dòng)態(tài)圖像(movingimage)，可以認(rèn)為是隨時(shí)間變化的靜態(tài)圖像序列(StillframeimagepictureSequence)。在靜態(tài)圖像中，信息密度隨空間分布，且相對(duì)于時(shí)間為常量而動(dòng)態(tài)圖像的空間信息密度特征隨時(shí)間分布。所以，在視頻圖像的目標(biāo)識(shí)別中，既有靜態(tài)圖像處理的特點(diǎn)，可以借用靜態(tài)圖像處理的一些方法同時(shí)還有動(dòng)態(tài)圖像自身的特點(diǎn)，即動(dòng)態(tài)圖像連續(xù)幀之間的相關(guān)性。根

3、據(jù)視頻圖像中攝像機(jī)和場(chǎng)景之間是否運(yùn)動(dòng)將物體的運(yùn)動(dòng)劃分為四種模式:1攝像機(jī)靜止一目標(biāo)靜止，這實(shí)際上就是靜態(tài)場(chǎng)景，對(duì)其處理方法就是靜態(tài)圖像中的處理方法。2.攝像機(jī)靜止一目標(biāo)運(yùn)動(dòng)，這是一類非常重要的動(dòng)態(tài)場(chǎng)景，對(duì)其處理一般包括運(yùn)動(dòng)目標(biāo)檢測(cè)、目標(biāo)特性估計(jì)等，主要用于預(yù)警、監(jiān)視、目標(biāo)跟蹤等場(chǎng)合。3.攝像機(jī)運(yùn)動(dòng)一目標(biāo)靜止，這主要用于機(jī)器人視覺導(dǎo)航、電子地圖的自動(dòng)生成以及三維場(chǎng)景理解等。4.攝像機(jī)運(yùn)動(dòng)一目標(biāo)運(yùn)動(dòng)，這是運(yùn)動(dòng)物體的檢測(cè)和跟蹤最復(fù)雜的一種情況

4、，但也是最普通的情況，目前關(guān)于這方面的研究還較少，理論還不夠成熟。本試驗(yàn)中采用的物體運(yùn)動(dòng)模式為攝像機(jī)靜止一目標(biāo)運(yùn)動(dòng)模式[1]一個(gè)運(yùn)動(dòng)物體跟蹤系統(tǒng)的基本過程如下：1.在圖像序列中檢測(cè)出運(yùn)動(dòng)物體及運(yùn)動(dòng)區(qū)域2.對(duì)檢測(cè)到的運(yùn)動(dòng)物體提取特征建立目標(biāo)匹配模板3.計(jì)算目標(biāo)的形心4.預(yù)測(cè)目標(biāo)在下一時(shí)刻可能運(yùn)動(dòng)到的位置，確定目標(biāo)在下一時(shí)刻的搜索范圍5.在預(yù)測(cè)的搜索范圍內(nèi)，用前一時(shí)刻的模板進(jìn)行匹配搜索，尋找最佳匹配位置，當(dāng)在預(yù)測(cè)范圍內(nèi)未找到目標(biāo)時(shí)需進(jìn)行例外

5、處理。[2]2運(yùn)動(dòng)物體的檢測(cè)方法運(yùn)動(dòng)物體的檢測(cè)方法運(yùn)動(dòng)目標(biāo)的檢測(cè)是一個(gè)重要、困難的研究課題，它除了能將運(yùn)動(dòng)分量和背景分量分割開，還能用檢測(cè)出的運(yùn)動(dòng)塊為以后的識(shí)別、分類以及行為分析提供感興趣的區(qū)域。從分割的角度來看，運(yùn)動(dòng)物體檢測(cè)被認(rèn)為是視頻對(duì)象的空間域分割。具體說來是指把序列圖像中獨(dú)立運(yùn)動(dòng)的區(qū)域逐幀檢測(cè)分割出來。換言之，所謂運(yùn)動(dòng)物體檢測(cè)，就是當(dāng)場(chǎng)景中有新物體進(jìn)入或者場(chǎng)景中有物體移動(dòng)時(shí)，通過檢測(cè)算法得知有物體出現(xiàn)，而分割則是把進(jìn)入場(chǎng)景的物體

6、從背景圖像中分割出來。[4]目前，對(duì)運(yùn)動(dòng)物體的檢測(cè)和運(yùn)動(dòng)參數(shù)測(cè)量的研究方法主要有人工神經(jīng)網(wǎng)絡(luò)方法和圖像處理方法。本文研究運(yùn)用圖像處理的方法進(jìn)行運(yùn)動(dòng)物體的檢測(cè)。該方法大體上可以分為四輸出的灰度圖像的對(duì)應(yīng)像素的值為0.299R0.587G十0.114B運(yùn)動(dòng)檢測(cè)的目的是在圖像序列中將前景運(yùn)動(dòng)區(qū)域從背景圖像中提取出來。運(yùn)動(dòng)檢測(cè)是運(yùn)動(dòng)物體分類、跟蹤和行為理解的基礎(chǔ)，該階段處理結(jié)果的質(zhì)量直接影響到以后處理的效果，所以運(yùn)動(dòng)檢測(cè)在人體運(yùn)動(dòng)分析中的作用非

7、常重要。然而，由于背景圖像的動(dòng)態(tài)變化，如天氣、光照、影子及混亂干擾等的影響，使得運(yùn)動(dòng)檢測(cè)成為一項(xiàng)相當(dāng)困難的工作。[1]本實(shí)驗(yàn)中進(jìn)行對(duì)象檢測(cè)所使用的是背景相減(baekgroundsubtraetion)的方法，是目前運(yùn)動(dòng)分割中最常用的一種方法，它是利用當(dāng)前圖像與背景圖像的差分來檢測(cè)運(yùn)動(dòng)區(qū)域的一種技術(shù)，其主要工作過程如圖所示:首先利用公式(1一1)計(jì)算背景圖像與當(dāng)前圖像的差，然后對(duì)差分圖像進(jìn)行二值化，并對(duì)二值化后的圖像進(jìn)行連通性分析，當(dāng)某

8、一連通區(qū)域的面積(像素?cái)?shù))大于一定的閾值，則認(rèn)為檢測(cè)到目標(biāo)出現(xiàn)，并且認(rèn)為這個(gè)連通的區(qū)域就為提取出的目標(biāo)圖像。圖2基于背景相減的運(yùn)動(dòng)檢測(cè)算法流程圖（21）????1()kkkDxyfxybxy???（22）??????01kkkbackgroundwhenDxythresholdRxyfegroundwhenDxythreshold????????該方法一般能夠提供最完全的特征數(shù)據(jù)，但對(duì)于動(dòng)態(tài)場(chǎng)景的變化，如光照和外來無關(guān)事件的干擾等特別敏

9、感。最簡(jiǎn)單的背景模型是時(shí)間平均圖像，大部分研究人員目前都致力于開發(fā)不同的背景模型，以期減少動(dòng)態(tài)場(chǎng)景變化對(duì)于動(dòng)態(tài)分割的影響。例如，Haritaoglu等利用最小、最大強(qiáng)度值和最大時(shí)間差分值為場(chǎng)景中每個(gè)像素進(jìn)行統(tǒng)計(jì)建模，并且進(jìn)行周期性的背景更新McKenna等利用像素色彩和梯度信息相結(jié)合的自適應(yīng)背景模型來解決影子和不可靠色彩線索對(duì)于分割的影響Karmann與Brt、Kilger采用基于卡爾曼濾波(Kalmanfiltering)的自適應(yīng)背景

10、模型以適應(yīng)天氣和光照的時(shí)間變化Stauffer與Grimson利用自適應(yīng)的混合高斯背景模型(即對(duì)每個(gè)像素利用混合高斯分布建模)，并且利用在線估計(jì)來更新模型，從而可靠地處理了光照變化、背景混亂運(yùn)動(dòng)的干擾等的影響。[2]此外還有以下其他方法：時(shí)間差分方法(tempaldifference)。時(shí)間差分是在連續(xù)的圖像序列中兩個(gè)或三個(gè)相鄰幀之間采用基于像素的時(shí)間差分并且閾值化來提取圖像中的運(yùn)動(dòng)區(qū)域，其基本過程如圖3所示。首先，利用公式（13）計(jì)算