課程論文設(shè)計題目基于背景差分的運動目標檢測與跟蹤學(xué)院計算機學(xué)院專業(yè)計算機技術(shù)學(xué)生姓名學(xué)號年級任課教師二零一零年一月四日基于背景差分的運動目標檢測與跟蹤基于背景差分的運動目標檢測與跟蹤算法實現(xiàn)摘要運動目標檢測與跟蹤是計算機視覺、視頻信息處理等領(lǐng)域的重要研究內(nèi)容。減背景技術(shù)是常用的運動目標檢測方法，其背景模型的提取、更新、背景擾動、光照條件變化等是必須要考慮的問題。提出了一種有效的運動目標檢測方法，較好地解決了以上問題，首先利用統(tǒng)計方法建立背景模型，再對背景模型進行實時更新，以適應(yīng)視頻本身和光線的變化，最后使用形態(tài)學(xué)方法消除噪聲和背景擾動帶來的影響。運動目標跟蹤方面使用區(qū)域跟蹤技術(shù)，并引入兩個參數(shù)實現(xiàn)跟蹤匹配，很好地處理了目標之間的相互遮擋問題。實驗結(jié)果表明，該方法是快速有效，能夠滿足實時的需要。關(guān)鍵詞視頻信息處理；統(tǒng)計背景建模；目標跟蹤；檢測MovingobjectdetectionandtrackingbasedonbackgroundsubtractionAbstractMovingobjectsdetectionandtrackingplayanimportantroleincomputervisionandvideoprocessing.Backgroundsubtractionisusuallyusedtodetectobjectregions.Buttherearemanyproblems,suchasbackgroundextracting,update,illuminationchangesandshadows,inthismethod.Weproposeaneffectivemovingobjectsdetectionmodel,whichaddressestheproblemsaforementioned.Astatisticalmethodisusedtoobtainthebackgroundthatisupdatedrealtimeinordertoadapttoilluminationchangesandothers.Afterthresholdoperation,weutilizethemorphologicaloperationtosolvetheeffectofdisturbandnoise,andconnectedregionmeasurementwithtwoparameterstoprocesstheoverlappingbetweenmanyobjects.Experimentalresultsshowthattheproposedmodelachievesabetterperformancebothineffectivenessandreal-timeaspect.KeyWordsVideoinformationprocessing；Statisticalbackgroundmodeling；Objecttracking；Detection基于背景差分的運動目標檢測與跟蹤1引言運動目標的檢測與跟蹤是視覺監(jiān)控系統(tǒng)等應(yīng)用領(lǐng)域的重要研究內(nèi)容。隨著視頻信息智能化處理需求1,2的不斷增加，如何從視頻流中提取運動目標、并對目標進行實時跟蹤越來越受到人們的關(guān)注。減背景方法3,4是常用的運動目標檢測方法。其基本思想是將視頻流中當前一幀所有像素點與事先通過某種方法計算得到的背景圖像中對應(yīng)像素點相減并取絕對值，如果絕對值超過某個預(yù)先設(shè)定好的閥值，則認為當前幀中對應(yīng)的像素點是運動目標的像素點；否則，就認為對應(yīng)的像素點是背景像素點。相減運算的結(jié)果還提供了視頻流中運動目標的位置、大小及形狀等信息。但是該方法在應(yīng)用過程中常會遇到如下的問題：（1）背景獲?。鹤詈唵蔚谋尘矮@取方法就是在視頻場景沒有運動目標的情況下直接將某一幀存儲為背景圖像，但在大多數(shù)的視頻應(yīng)用中，如交通監(jiān)控和行人檢測，這一要求很難得到滿足，故需要一種能夠在運動目標存在的視頻流中實時獲取背景圖像的方法。（2）背景擾動：背景中經(jīng)常存在一些對象輕微的擾動，如樹枝的搖動，擾動部分不應(yīng)該看作是前景運動目標。（3）光照變化：天氣、光線等因素隨著時間的變化也會影響運動目標的檢測結(jié)果，這是必須要考慮的問題。（4）背景更新：為了適應(yīng)外界各種條件的不斷變化，有必要對建立起來的背景模型進行實時更新。以往的運動目標檢測方法或者不能解決以上所有問題，或者是通過構(gòu)造復(fù)雜的模型來解決以上問題，其計算復(fù)雜性和對系統(tǒng)的要求都比較高，有時可能無法滿足實時處理的要求。本文在減背景方法的基礎(chǔ)上，提出了一種更為有效的運動目標檢測方法。在背景的提取階段，允許視頻流中有運動目標的存在，在這種情況下，首先采用基于統(tǒng)計的方法建立背景模型，然后進行減背景操作來檢測視頻中的運動目標，并對背景模型進行實時更新，以適應(yīng)光線的變化和場景本身的變化，最后對檢測結(jié)果使用形態(tài)學(xué)運算和連通區(qū)域面積限制目標大小的方法進行后處理，消除噪聲和背景擾動帶來的影響。當運動目標確定后，采用區(qū)域跟蹤技術(shù)對目標進行實時跟蹤，跟蹤技術(shù)中使用了兩個參數(shù)以避免運動目標之間的遮擋問題。實驗結(jié)果證明，提出的方法取得了比較理想的結(jié)果。2視頻中運動目標的檢測過程基于背景差分的運動目標檢測與跟蹤2.1背景模型的建立背景模型建立的準確與否，直接關(guān)系到運動目標檢測結(jié)果的準確性。國內(nèi)外已經(jīng)提出了許多背景模型的建立方案，如W4方法5，該方法是在視頻中沒有目標出現(xiàn)的情況下，對場景進行一段時間的測量，記錄每個像素點的最大和最小亮度值，以及相鄰兩幀間亮度最大差異值，然后使用這3個值表示背景模型。還有使用前幾幀圖像像素亮度值的平均值作為背景模型的。以上這些方法都要求視頻中至少一段時間內(nèi)沒有運動目標的出現(xiàn)，但是這種要求在多數(shù)場合下并不能得到滿足。本文提出一種簡單、有效的背景模型建立方法，它可以在視頻場景中存在運動目標的情況下提取出背景圖像。此方法是基于這樣的假設(shè)，在背景模型建立階段，運動目標雖然在場景區(qū)域中運動，但是它并不會長時問地停留在某一位置上。對視頻流中某一像素點進行一段時間的觀測，可以發(fā)現(xiàn)，它的亮度值只是在前景運動目標通過該點時，才會發(fā)生較大的變化，如圖1(a)所示。對該像素點的亮度值進行統(tǒng)計，可以看出，在一段時間內(nèi)，它的亮度值主要集中在一個很小的區(qū)域中，如圖1(b)所示。因此，可以用這個區(qū)域內(nèi)的平均值作為該點的背景值。圖1具體實現(xiàn)過程如下：在灰度模式下，像素亮度值的變化范圍為0255，將該范圍劃分成若干區(qū)間0，T，T，2T，nT，255，n=255/T。對于每個像素點，統(tǒng)計一段視頻內(nèi)每個區(qū)間亮度值出現(xiàn)的次數(shù)，找出出現(xiàn)次數(shù)最多的那個區(qū)間，接著計算該區(qū)間內(nèi)所有亮度值的平均值，用該平均值作為背景圖像在該點的亮度值。實驗表明，該方法提取背景過程的中，不受前景運動目標的影響?；诒尘安罘值倪\動目標檢測與跟蹤1.2運動目標檢運動目標檢測是計算視頻流中當前幀的像素點和背景圖像中對應(yīng)像素點的差異并取其絕對值，如果絕對值大于給定的閾值，則判定該像素點為前景運動目標的像素點。一對像素點在做相減運算時，可以使用它們的亮度值、色度值或其它參數(shù)，本文采用亮度值相減，檢測規(guī)則如下：其中是運動目標像素點的集合，表示當前幀中的像素點亮度值，表示背景圖像中對應(yīng)像素點的亮度值，為閥值，目前閥值的選擇主要依靠先驗知識，比如根據(jù)目標與背景的亮度差別等。1.3后處理及背景模型的更新由于視頻本身不可避免的噪聲影響，會使上述檢測結(jié)果出現(xiàn)一些問題，比如本是背景圖像的區(qū)域像素點經(jīng)過檢測后被當成運動區(qū)域的像素點，運動目標內(nèi)的部分區(qū)域因為某種原因被漏檢，以及背景圖像的分部區(qū)域由于樹枝、樹葉的輕微晃動而被誤判為運動目標的區(qū)域等等。為了消除這些影響，首先對上一步的檢測結(jié)果用形態(tài)學(xué)的腐蝕、膨脹方法進行處理，再找出其經(jīng)過形態(tài)學(xué)處理后的連通區(qū)域，接著計算每個連通區(qū)域的面積，對于面積小于一定閥值的區(qū)域，將其拋棄，不看作是前景運動目標區(qū)域。形態(tài)學(xué)運算使用5X5的矩陣算子，連通區(qū)域內(nèi)像素點個數(shù)的閾值選擇要視具體情況而定。背景模型的實時更新是要使背景能夠?qū)ν饨绛h(huán)境的變化具有一定的自適應(yīng)性。對于光線的變化，我們的方法與文獻6中采用的方法類似。對于檢測到的存在運動目標的區(qū)域不進行更新，而只對沒有檢測到運動目標的區(qū)域進行實時更新，對于這部分區(qū)域：在具體的檢測過程中，有時前景與背景對應(yīng)像素點的亮度值相差很小，導(dǎo)致前景目標的部分區(qū)域被漏檢掉，如果對背景中對應(yīng)部分也進行更新，就會生成錯誤的背景模型，對后面的檢測過程造成一定的影響，因此，選擇最近N幀沒有前景目標通過的像素點進行更新。具體更新過程如下：其中分別代表當前和下一幀背景，分別代表該點最近的N個亮度值，為更新系數(shù)，基于背景差分的運動目標檢測與跟蹤控制背景更新的速度。圖2是一個像素點亮度值的觀測曲線，可以看出，該方法對于光線變化有很強的自適應(yīng)性。圖23運動物體的跟蹤當目標檢測出來以后，就要對運動的目標進行跟蹤，本文采用區(qū)域跟蹤的方法實現(xiàn)對運動目標的跟蹤,并在區(qū)域跟蹤算法中選用了二個參數(shù)實現(xiàn)匹配。該方法能夠在物體重疊和遮擋的情況下準確地定位出運動物體在圖像中的位置。很好地實現(xiàn)了物體的跟蹤,也滿足了實時性處理的要求。圖像中標號為I的目標的大小用目標面積SizeI來描述,每一目標都對應(yīng)一個外截矩形框，用BoxI來進行描述。Box可用一條對角線的兩端點S,T的坐標來表示:定義1:相鄰兩幀中標號為i的目標與標號為j的目標面積大小差:其中N為圖像中目標的標號。基于背景差分的運動目標檢測與跟蹤定義2:標號為L的目標的質(zhì)心定義如下這里N是圖像中標號為L的目標含有象素點個數(shù),xi是象素點i的橫坐標,yi是象素點i的縱坐標。相鄰兩幀中標號為I的目標與標號為J的目標質(zhì)心之間的距離具體跟蹤步驟如下：(1)將第一幀中的目標檢測出來，并計算出被跟蹤目標(假設(shè)為目標M)在本幀中面積的大小、質(zhì)心的位置等數(shù)據(jù)。(2)檢測出下一幀中的目標，計算出各自的面積以及質(zhì)心的位置。(3)分別計算出目標M與下一幀中各目標的質(zhì)心間的距離Dis和面積差DifTheni就是M這里是閥值，是加權(quán)系統(tǒng)，i為下一幀中各目標的標號。(4)更新被跟蹤車輛M的面積和質(zhì)心位置的數(shù)據(jù)。轉(zhuǎn)到第(2)步繼續(xù)實現(xiàn)對后續(xù)幀的跟蹤。運用上述的跟蹤算法就可以實現(xiàn)對某一目標的跟蹤,也能夠?qū)崿F(xiàn)對多目標的同時跟蹤。以上算法是建立在這樣的假設(shè)條件下的：由于兩相鄰幀的時間間隔很短，因而在相鄰兩幀之間目標的移動距離并不大,并且目標在圖像中的面積變化率不大。實驗表明這種假設(shè)是完全滿足的,能很好地實現(xiàn)物體的跟蹤。當兩個物體在場景中相重疊時需要首先將它們分開后才能夠用上述的算法進行跟蹤。對于重疊物體的分割本文不再詳述有興趣的讀者可以參考文獻7。4實驗結(jié)果及結(jié)論我們采用一段交通視頻來驗證提出的模型，編程環(huán)境選用Opencv2.1和VisualC+2010。Opencv2.1是一種開源的用于圖像處理和計算機視覺的函數(shù)庫，由Intel公司使用C+高級語言開發(fā)。VisualC+2010是微軟公司開發(fā)的編程工具，支持最新的C+0x標準。圖3是實驗的結(jié)果，其中圖3a是原始圖像，圖3b是檢測和跟蹤結(jié)果，檢測方框可隨著目標的大小而改變，目標的運動軌跡由同一目標在各幀中的質(zhì)心組成，在每一幀中各個目標的質(zhì)心由實心圓代表?；诒尘安罘值倪\動目標檢測與跟蹤圖3提出的背景模型在提取過程中允許運動目標存在，因此需要2030秒的時間來完成背景模型的建立。通過對背景模型的實時更新，可以適應(yīng)光線、天氣等外界條件變化帶來的影響。這種方法能夠在運動物體頻繁出現(xiàn)的場合下獲得滿意的效果，然后運用質(zhì)心間的距離與物體面積之差兩個參數(shù)對檢測出來的目標進行實時跟蹤。從上述實驗結(jié)果中可以看到，該方法快速、準確，有著廣泛的適用性。還可以在上述基礎(chǔ)上，進行目標識別、流量統(tǒng)計等其它操作，這需要進一步的研究工作。方法還存在一些問題，第1個問題是當前景運動目標與背景亮度很接近時，運動目標很難被檢測出來，或者是運動目標出現(xiàn)較大的空洞，對于這種情況，是因為在判斷運動目標時，僅僅使用了亮度信息，一個解決的途徑是使用顏色與輪廓及深度等相結(jié)合的方法。第2個問題是如何實時更新背景來適應(yīng)場景光線的突變，如室內(nèi)開燈、關(guān)燈的情況，目前還沒有比較有效的解決方法，有人采用事先存儲有代表性的背景的方法，但這種方法對于場景本身發(fā)生變化的情況，明顯無法適應(yīng)。因此，這個問題需要在后續(xù)工作中進一步深入研究?；诒尘安罘值倪\動目標檢測與跟蹤參考文獻1CollinsR,LiptonA,KanadeT,etal.AsystemforvideosurveillanceandmonitoringR.Tech.ReportCMU-RI-TR-00-12,RoboticsInstitute,CarnegieMellonUniversity,2000-05.2KollerD,DaniilidisK,NagelH.Model-basedobjecttrackinginmonocularimagesequencesofroadtrafficscenesJ.Internationaljournalofcomputervision,1993,10(3).3WrenCR,AzarbayejaniA,DarrellT.Plinder:rea