【正文】 可以通過關(guān)鍵值（key）來訪問。這個(gè)類還提供一些操作函數(shù)，用來方便地添加和刪除團(tuán)塊。class CvBlobSeq{public； CvBlobSeq(int BlobSize=sizeof(CvBlob))； virtual~CvBlobSeq()； virtual CvBlob * GetBlob(int BlobIndex)； /* 根據(jù)索引獲取團(tuán)塊 */ virtual CvBlob * GetBlobByID(int BlobID)； /* 根據(jù)團(tuán)塊ID獲取團(tuán)塊 */ virtual void DelBlob(int BlobIndex)； /* 根據(jù)索引刪除團(tuán)塊 */ virtual void DelBlobByID(int BlobID)； /* 根據(jù)團(tuán)塊ID刪除團(tuán)塊 */ virtual void Clear()； /* 清除所有團(tuán)塊 */ virtual void AddBlob(CvBlob * pB)； /* 添加一個(gè)團(tuán)塊 */ virtual int GetBlobNum()； /* 獲取團(tuán)塊數(shù)目 */}；CvFGDetector是一個(gè)虛類，描述了前景檢測(cè)模塊的接口。具體的前景檢測(cè)算法在文件cvaux/src/vs/。如果想創(chuàng)建一個(gè)自己的前景檢測(cè)類，需要首先創(chuàng)建一個(gè)CvFGDetector的子類，然后CvFGDetector中的所有虛函數(shù)。前景檢測(cè)模塊的輸入數(shù)據(jù)為當(dāng)前幀圖像，輸出數(shù)據(jù)為當(dāng)前幀的前景掩碼（mask）。前景掩碼視頻幀前景檢測(cè)模塊 前景檢測(cè)模塊結(jié)構(gòu) 前景檢測(cè)模塊將當(dāng)前幀上的像素分為前景像素和背景像素。例如運(yùn)動(dòng)的物體（人）被認(rèn)為是前景，而視頻中不動(dòng)的部分都被當(dāng)做背景區(qū)域。前景掩碼通過函數(shù)GetMask獲得。所有函數(shù)必須在子類中被重載，同時(shí)也需要重寫新類的創(chuàng)建函數(shù)。新團(tuán)塊檢測(cè)模塊的輸入數(shù)據(jù)為當(dāng)前幀的前景掩碼和已有的團(tuán)塊，輸出數(shù)據(jù)為新檢測(cè)到的團(tuán)塊。視頻幀新團(tuán)塊（pos,size）前景掩碼新團(tuán)塊檢測(cè)模塊 新團(tuán)塊檢測(cè)模塊結(jié)構(gòu) 團(tuán)塊跟蹤模塊的輸入數(shù)據(jù)為當(dāng)前幀（是RGR圖像）、當(dāng)前幀的前景掩碼和新團(tuán)塊，輸出數(shù)據(jù)為當(dāng)前幀的團(tuán)塊信息（ID，pos，size）。前景掩碼新團(tuán)塊位置團(tuán)塊（ID，pos，size）團(tuán)塊跟蹤模塊視頻幀 團(tuán)塊跟蹤模塊結(jié)構(gòu) 新檢測(cè)到的團(tuán)塊需要加入到團(tuán)塊跟蹤模塊列表 cvblobTrackerList中，CvBlobTrackerList是團(tuán)塊跟蹤模塊的一個(gè)實(shí)現(xiàn)，是CvBlobTracker的一個(gè)子類，是一個(gè)外殼（shell）模塊。此模塊的目的是簡(jiǎn)化團(tuán)塊跟蹤模塊的創(chuàng)建。創(chuàng)建此類的函數(shù)cvCreateBlobTrackerList只有一個(gè)參數(shù)，該參數(shù)是一個(gè)更簡(jiǎn)單的團(tuán)塊跟蹤器CvBlobTrackerOne。CvBlobTrackerOne只實(shí)現(xiàn)一個(gè)團(tuán)塊的跟蹤功能。CvCreateBlobTrackerList的函數(shù)原型如下。 CvBlobTracker * cvCreateBlobTrackerList(CvBlobTrackerOne * (*create)())；所以。團(tuán)塊跟蹤列表BlobTrackerOne跟蹤團(tuán)塊1 團(tuán)塊（ID，pos，size) 團(tuán)塊（ID，pos，size) 團(tuán)塊（pos，size) 團(tuán)塊（pos，size) 團(tuán)塊（pos，size) 團(tuán)塊（pos，size)BlobTrackerOne跟蹤團(tuán)塊N 團(tuán)塊跟蹤列表 本章小結(jié)在本章中首先介紹了運(yùn)動(dòng)物體的目標(biāo)特征，對(duì)幾種比較常見的的目標(biāo)跟蹤算法進(jìn)行比較，重點(diǎn)描述了團(tuán)塊跟蹤算法，并給出部分流程圖與核心代碼?？偟恼f來，運(yùn)動(dòng)目標(biāo)跟蹤的難點(diǎn)在于如何快速而可靠地從一幀圖像到另一幀圖像中匹配目標(biāo)。只有快速才能保證跟蹤的實(shí)時(shí)性，而可靠性則是目標(biāo)跟蹤最基本的要求。因此如何選取目標(biāo)的特征信息，并且在可靠的前提下簡(jiǎn)化運(yùn)算是目標(biāo)跟蹤的關(guān)鍵。6 程序結(jié)果演示與分析本文的硬件平臺(tái)為普通的筆記本電腦，內(nèi)存容量為2G。視頻輸入有一個(gè)USB攝像頭。軟件開發(fā)平臺(tái)為WindowsXP、OpenCV Visual C++ ()。 運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤演示本實(shí)驗(yàn)是在學(xué)校寢室內(nèi)，固定好攝像頭，連接攝像頭后，打開運(yùn)行程序可以得到如圖所示的結(jié)果 運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤演示圖1 運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤演示圖2 運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤演示圖3 本章小結(jié)在本章中，主要是將OPENCV進(jìn)行配置，與攝像頭連接，固定在合適的地方后，運(yùn)行系統(tǒng)。系統(tǒng)成功的對(duì)畫面中的動(dòng)態(tài)物體進(jìn)行識(shí)別并用矩形方框?qū)⑵錁?biāo)記，但是出現(xiàn)由于多人距離相近識(shí)別成一個(gè)運(yùn)動(dòng)目標(biāo)的情況，仍需進(jìn)一步提高。結(jié) 論隨著計(jì)算機(jī)視覺在軍事領(lǐng)域、交通智能監(jiān)控領(lǐng)域的發(fā)展，視頻的運(yùn)動(dòng)目標(biāo)檢測(cè)及跟蹤必然會(huì)得到越來越廣泛的應(yīng)用和發(fā)展。本論文歷時(shí)四個(gè)月年，主要研究的是應(yīng)用OpenCV實(shí)現(xiàn)運(yùn)動(dòng)目標(biāo)的檢測(cè)和跟蹤，實(shí)驗(yàn)結(jié)果表明系統(tǒng)具有良好的魯棒性和精確度，達(dá)到了畢業(yè)設(shè)計(jì)的預(yù)期目標(biāo)，結(jié)合工作中的問題和實(shí)際應(yīng)用，論文主要完成了以下幾個(gè)方面的工作：1. OPENCV平臺(tái)的配置與函數(shù)的學(xué)習(xí)闡述了課題的研究背景和研究意義，并說明了當(dāng)前研究的難點(diǎn)，以及本課題所要解決的問題和創(chuàng)新點(diǎn)。，通過調(diào)用OPENCV函數(shù)進(jìn)行算法設(shè)計(jì)。首先正確配置OPENCV平臺(tái)，介紹了OpenCV函數(shù)庫，并實(shí)現(xiàn)實(shí)驗(yàn)平臺(tái)的搭建。提取單幀視頻圖像，采用各種算法對(duì)其進(jìn)行圖像預(yù)處理，并對(duì)處理效果進(jìn)行分析比較。2. 運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤方面在運(yùn)動(dòng)目標(biāo)檢測(cè)跟蹤方面：重點(diǎn)研究了目前在實(shí)際應(yīng)用中普遍采用的以幀間差算法。在對(duì)檢測(cè)出的變化區(qū)域進(jìn)行后處理方面：采用適當(dāng)?shù)男螒B(tài)學(xué)濾波處理得到更清晰、更準(zhǔn)確的運(yùn)動(dòng)目標(biāo)，進(jìn)而進(jìn)行連通性分析，去除小面積噪聲，保留足夠大的目標(biāo)。最后進(jìn)行區(qū)域標(biāo)記，分割出完整的運(yùn)動(dòng)目標(biāo)，加以標(biāo)記。3. 系統(tǒng)實(shí)驗(yàn)測(cè)試在軟件的設(shè)計(jì)和實(shí)現(xiàn)過程中，對(duì)多種設(shè)計(jì)方案和算法進(jìn)行編程實(shí)現(xiàn)，經(jīng)過多次測(cè)試，性能穩(wěn)定，運(yùn)行良好。分析并改進(jìn)了目前較常用的圖像預(yù)處理、分割、特征提取、圖像識(shí)別與跟蹤算法，并對(duì)每一個(gè)模塊進(jìn)行了詳細(xì)的論述和設(shè)計(jì)。這就是本次課題研究達(dá)到的目標(biāo)?？偟膩碚f，本次畢業(yè)設(shè)計(jì)基本上完成了課題要求。實(shí)現(xiàn)攝像頭的數(shù)據(jù)采集過程，進(jìn)而編寫基于VC的圖像處理程序，對(duì)畫面中的動(dòng)態(tài)物體進(jìn)行識(shí)別并用矩形方框?qū)⑵錁?biāo)記。如何提高目標(biāo)識(shí)別與跟蹤算法的精度、速度及抗干擾能力是實(shí)時(shí)圖像目標(biāo)識(shí)別與跟蹤的主要研究任務(wù)。然而，迄今為止的主要目標(biāo)圖像識(shí)別和跟蹤算法卻無法同時(shí)滿足這三方面的要求。由于時(shí)間有限和一些其它客觀上的原因，本文只是對(duì)運(yùn)動(dòng)目標(biāo)的檢測(cè)與跟蹤進(jìn)行了基礎(chǔ)性的研究。對(duì)于存在的一些問題，有待于以后進(jìn)一步改進(jìn)和完善。1)本文目標(biāo)圖像識(shí)別與跟蹤算法的前提簡(jiǎn)單背景下的面目標(biāo)，具有一定的像素面積，且只能是單個(gè)目標(biāo)的跟蹤，對(duì)距離目標(biāo)較近的運(yùn)動(dòng)物體的干擾比較敏感，所以干擾問題有待于進(jìn)一步解決。2)本文研究的跟蹤算法也有待進(jìn)一步改進(jìn)，使之能夠在更短時(shí)間內(nèi)，更精確地完成目標(biāo)的跟蹤。由于研究時(shí)間和所學(xué)知識(shí)所限，我對(duì)本領(lǐng)域的相當(dāng)一些內(nèi)容了解還不夠透徹，仍有很多難題需要解決，如陰影的去除，目標(biāo)的重疊，以及目標(biāo)與背景色彩相近時(shí)的辨別，以及程序移植到嵌入式系統(tǒng)中的問題，同時(shí)程序本身也需要進(jìn)一步地完善。在處處智能化的今天，基于OpenCV的運(yùn)動(dòng)目標(biāo)的檢測(cè)與跟蹤有著很美好的前景，相信今后會(huì)有更多的研究人員投入其中，使其應(yīng)用越來越廣泛。參考文獻(xiàn)[1] 劉瑞禎, 于仕琪. OpenCV教程基礎(chǔ)篇[M]. 北京: 北京航空航天大學(xué)出版社，2007．[2] 彭達(dá). Visual C++多媒體編程技術(shù)[M]. 北京: 人民郵電出版社, 1999.[3] 丁金鑄. 基于圖像處理的運(yùn)動(dòng)目標(biāo)檢測(cè)跟蹤系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 華中師范大學(xué), 2007.[4] 王建中, 姜昱明. 基于塊匹配的運(yùn)動(dòng)對(duì)象檢測(cè)算法[J]. 微電子與計(jì)算機(jī), 2005, 22(1): 1012.[5] 林少丹. VC++程序設(shè)計(jì)基礎(chǔ)[M]. 北京: 人民交通出版社, 2009.[6] 唐雙發(fā). 基于OpenCV的車輛視頻檢測(cè)技術(shù)研究[D]. 華中科技大學(xué), 2009.[7] 李慶忠，陳顯華，王立紅. 視頻監(jiān)視中運(yùn)動(dòng)目標(biāo)檢測(cè)與識(shí)別方法[J]. 計(jì)算機(jī)工程, 2004, 30(16):3033.[8] 胡曉峰, 吳玲達(dá), 老松楊, 司光亞. 多媒體技術(shù)教程[M]. 北京: 人民郵電出版社, 2002.[9] 韓鴻哲, 王志良, 劉冀偉, 李郴, 韓忠濤. 陰影消除的自適應(yīng)背景建模[C]. 第二屆全國智能視覺監(jiān)控學(xué)術(shù)會(huì)議論文集, 2003, 3539.[10] 張玲, 葉海炳, 何偉. 一種基于邊緣信息的改進(jìn)車輛檢測(cè)方法[J]. 重慶大學(xué)學(xué)報(bào)（自然科學(xué)版）, 2004, 27(11): 5658.[11] , . Efficient Region—based Motion Segmentation for Video Monitoring System [J]. Pattern Recognition Letters, 2003, 3 (24):113128.[12] 王春平, 朱元昌，黃允華. 基于圖像信息的跟蹤算法分析[J]. 火力與指揮控制， 2000, 25(1): 6467.[13] 楊枝靈, 王開. Visual C++數(shù)字圖像獲取處理及實(shí)踐應(yīng)用[M]．北京: 人民郵電出版社, 2003．[14] and . Trust Region Methods for RealTime Tracking[C]．Proc. Eigth Int39。1 Conf. Computer Vision, 2001, 5255．[15] Nils T Siebel. Design and Implementation of People Tracking Algorithms for Visual Surveillance Applications Thesis for the Degree of Doctor of Philosophy[D]. The University of Reading, 2003.致 謝時(shí)間過得真快，由于我在校外實(shí)習(xí)，畢業(yè)設(shè)計(jì)一直讓指導(dǎo)老師很費(fèi)心，在指導(dǎo)老師的指導(dǎo)和督促下，完成這個(gè)學(xué)期的畢業(yè)設(shè)計(jì)。本次畢業(yè)設(shè)計(jì)還有很多不足的地方需要改進(jìn)，指導(dǎo)老師雖然有繁忙的工作，但仍抽出時(shí)間耐心給予我畢設(shè)上的指導(dǎo)和幫助，在此，謹(jǐn)向關(guān)威老師致以深深的敬意和由衷的感謝。當(dāng)然，畢業(yè)設(shè)計(jì)這是一個(gè)需要不斷的嘗試，不斷的校核，不斷的修改，最后完成一個(gè)合理的設(shè)計(jì)的過程。需要的是我們的細(xì)心和耐心，我正在努力的學(xué)習(xí)，希望最后能交上一個(gè)完美的答卷。在這次設(shè)計(jì)當(dāng)中，實(shí)現(xiàn)的路很漫長，不懂的地方還很多，非常感謝關(guān)威老師。感謝老師的諄諄教誨，感謝老師的理解支持。最初的“懵懂”、焦慮并沒有影響老師的悉心關(guān)切，設(shè)計(jì)中遇到的問題老師都一一解答。還要感謝給我?guī)椭耐瑢W(xué)們，他們對(duì)我畢業(yè)設(shè)計(jì)的成功起到了關(guān)鍵的作用。那么多個(gè)日夜，如此多的困難，同學(xué)們勤懇塌實(shí)，從開始到結(jié)束，沒有顯出一點(diǎn)倦意，始終熱情高漲，我感謝這種氛圍，感謝學(xué)校提供的良好條件。在畢業(yè)設(shè)計(jì)的實(shí)踐中磨練了我的意志,很大程度上培養(yǎng)了我拼搏的工作精神?？傊谶@個(gè)過程里我受益匪淺,讓我更加明了了自己專業(yè)的方向。再次向幫助過我的老師們、同學(xué)們說聲“謝謝”！附錄Ⅰ 程序清單include include include include include include include // 跟蹤的參數(shù)（單位為秒）const double MHI_DURATION = 。// const double MAX_TIME_DELTA = 。 //const double MIN_TIME_DELTA = 。 //const int N = 3。//const int CONTOUR_MAX_AERA = 3。// ring image bufferIplImage **buf = 0。int last = 0。// 臨時(shí)圖像IplImage *mhi = 0。 // 運(yùn)動(dòng)歷史圖像CvFilter filter = CV_GAUSSIAN_5x5。CvConnectedComp *cur_p, min_p。CvConnectedComp p。CvMemStorage *storage。 //內(nèi)存存儲(chǔ)器CvPoint pt[4]。 //二維坐標(biāo)系下的點(diǎn)，類型為整型，通常以0點(diǎn)為原點(diǎn)，有x坐標(biāo)和y坐標(biāo)// 參數(shù)：// img – 輸入視頻幀// dst – 檢測(cè)結(jié)果void update_mhi( IplImage* img, IplImage* dst, int diff_threshold ){ double timestamp = clock()/100.。 // 時(shí)間戳 CvSize size = cvSize(imgwidth,imgheight)。 // 得到當(dāng)前幀的尺寸 int i, j, idx1, idx2。 IplImage* silh。 uchar val。 float temp。 IplImage* pyr = cvCreateImage( cvSize(( amp。 2)/2, ( amp。 2)/2), 8