【正文】 適當?shù)拈y值，更新因子、以及設定值是用該方法建立與更新背景模型的關鍵。對采集的一段交通路口視頻序列幀，像素、30幀/秒，使用上述方法建立更新背景模型，并與常用背景建模方法對比，（a）為統(tǒng)計平均法得到的背景模型，（b）為系數(shù)更新法系數(shù)因子時得到的背景模型，（c）、（d）為本文方法得到的背景模型，（c）所用參數(shù)1為、（d）所用參數(shù)2為、經(jīng)測試閥值較小，設定值較大且時該算法得到的背景模型更接近真實背景，較好地消除場景變化干擾。 （a）第5幀 （b）第15幀 （c）第25幀 （d）第35幀 （e）第45幀 （f）第55幀 視頻序列幀圖像Fig the images of video sequence frames （a）統(tǒng)計平均法 （b）系數(shù)更新法 （c）本文方法參數(shù)1 （d）本文方法參數(shù)2 背景建模結果Fig the result of background modeling 運動目標提取建立背景模型后，通過實時圖像與背景模型的差分運算，來檢測場景中的運動目標，提取運動目標區(qū)域像素，以便后續(xù)獲取目標特征數(shù)據(jù)。假設采集的視頻當前為第幀，當前時刻背景模型為，將當前幀與背景模型相減： （）其中、分別為當前幀和背景模型坐標處像素灰度值，由差值判斷運動目標區(qū)域并二值化： （）其中為判決閥值，將差分結果轉(zhuǎn)換為二值圖像，像素值為1的是運動目標區(qū)域，像素值為0的是背景區(qū)域。閥值的獲取采用灰度直方圖閥值分割法[59,60]，灰度直方圖表示圖像中灰度級的概率分布，圖像中運動目標與背景像素灰度值存在明顯差異，在直方圖上表現(xiàn)為兩峰或多峰分布，差分結果是當前幀與背景模型坐標處的灰度差值，由差值的大小來判斷像素點是否為運動目標，因此閥值應設定為直方圖中兩主峰間的差值。 （a）序列幀圖像 （b）圖像灰度直方圖 直方圖閥值分割法Fig the cutting method of threshold value of histogram，圖像中運動目標像素灰度分布在最左邊波峰處，波峰處灰度值大約為25，另兩處波峰為背景像素，取其中波峰灰度值大約為90處的主要波峰，則判決閥值應為兩主峰波峰灰度值差65。 檢測算法流程及實驗結果 檢測算法流程本文運動目標檢測算法要求從采集的視頻序列幀中檢測出場景中出現(xiàn)的運動目標，場景為攝像機固定的靜態(tài)背景，能檢測出單個或多個運動目標。整個檢測算法分為序列圖像預處理、基于累積差分更新背景減除法、檢測后處理三個階段。圖像預處理包括：灰度圖像轉(zhuǎn)換，圖像濾波；基于累積差分更新背景減除法包括：背景模型建立與更新，運動目標提??；檢測后處理包括：形態(tài)學濾波，連通分量分析。 檢測算法流程圖Fig the flow chart of detection algorithm首先，將采集到的視頻序列圖像去掉色彩信息，保留亮度信息，即將彩色圖像轉(zhuǎn)換為灰度圖像，對于RGB格式的圖像序列使用公式（）進行轉(zhuǎn)換，而對于YCbCr4:2:2格式的視頻流則提取亮度信號Y。變換為灰度圖像后，（c）的濾波模板對灰度圖像進行均值濾波，減小了圖像中的高斯噪聲，同時也去除了部分非目標物體的不相干細節(jié)。 若當前圖像為第1幀圖像，將其作為初始背景，若為后續(xù)幀圖像，則按公式（）—（）更新算法對背景模型進行更新，更新參數(shù)取、本文設定更新90幀后開始檢測目標，將當前幀與背景模型相減，由判決閥值將差分結果二值化。得到的二值圖像，使用開運算進行形態(tài)學濾波，結構元素，消除其中存在的噪聲，獲得較好的目標形態(tài)。然后通過連通分量分析，將像素點按8鄰域搜索依次標上標記，將相同標記像素集合作為一個整體，像素數(shù)目大于一定值即為檢測出的運動目標，輸出檢測結果。 檢測算法實驗結果對本文運動目標檢測算法進行仿真，采集一段環(huán)形公路視頻，VGA像素30幀/秒。 （a）第126幀圖像 （b）灰度圖像 （c）濾波后圖像 （d）當前背景模型 （e）差分圖像 （f）二值化圖像 （g）開運算后圖像 （h）最終檢測結果 本文算法檢測結果Fig the detection result of this text algorithm（a）為當前第126幀圖像，（b），（c），（d），可以看出背景模型較好地消除車輛進入場景留下的痕跡，（e），可以看出場景中的背景區(qū)域樹葉被風吹動產(chǎn)生干擾，（b）當前幀灰度直方圖設定閥值對差分結果二值化，（f），（g），可以看出大部分噪聲被除去了，目標形態(tài)得到改觀，總共有16個連通分量，將像素數(shù)目少于20的連通分量去除，（h），可以看出本文算法能有效地檢測出運動物體，較好地消除了場景變化以及噪聲影響等的干擾。 連通分量分析結果Tab. the result of connected ponent analysis連通分量連通分量像素數(shù)目連通分量連通分量像素數(shù)目0150980251038038116504812170510135065141050751517120851654 運動目標跟蹤算法研究運動目標跟蹤是智能視頻監(jiān)控系統(tǒng)的主要應用部分，是整個系統(tǒng)有效地、智能地運行的關鍵，是運動目標檢測的延續(xù)。運動目標跟蹤[6168]是對檢測出的運動目標，根據(jù)目標參數(shù)，對序列幀中的目標進行匹配，確定目標位置，從而得到目標的運動軌跡。目標匹配使用的特征參數(shù)除了目標的幾何參數(shù)如位置、大小等，還可以使用目標的顏色參數(shù)如亮度、色調(diào)等。運動目標跟蹤分為靜態(tài)跟蹤和動態(tài)跟蹤，靜態(tài)跟蹤是攝像機鏡頭位置固定，而動態(tài)跟蹤是攝像機鏡頭隨目標移動將目標保持在畫面正中位置。本章主要研究了攝像機鏡頭位置固定情況下的運動目標跟蹤算法，提出了一種基于幾何特征的卡爾曼濾波和直方圖匹配的跟蹤算法，經(jīng)實驗該算法能有效地跟蹤序列幀中的運動目標。 常用運動目標跟蹤算法分析目前，常用的運動目標跟蹤算法主要有卡爾曼（Kalman）濾波算法、CAMShift算法等，卡爾曼濾波是一種基于最小方差估計的最優(yōu)線性遞歸濾波方法，CAMShift算法是一種基于顏色概率分布和統(tǒng)計的算法，各種算法具有各自的優(yōu)缺點和適用范圍。 卡爾曼濾波算法卡爾曼濾波是由Rudolf E. Kalman于1960年在他的著名論文《A New Approach to Linear Filtering and Prediction Problems》中提出的一種解決離散數(shù)據(jù)線性濾波的遞歸方法[69]?？柭鼮V波用來估計一個離散時間過程的狀態(tài)變量，整個濾波過程由兩個方程來描述： （） （）其中（）為狀態(tài)方程，為過程在時刻的狀態(tài)變量，為過程在時刻的可選控制輸入變量，為過程激勵噪聲，為狀態(tài)增益矩陣，為可選控制增益矩陣，狀態(tài)方程由時刻狀態(tài)變量預測時刻狀態(tài)變量，（）為觀測方程，為過程在時刻的觀測變量，為觀測噪聲，為觀測增益矩陣，觀測方程由時刻觀測變量修正當前時刻狀態(tài)變量。、為相互獨立的正態(tài)分布白噪聲，即滿足： （） （）其中、分別為過程激勵噪聲和觀測噪聲的協(xié)方差矩陣，假設為由時刻狀態(tài)預測時刻狀態(tài)的先驗狀態(tài)估計，為由時刻觀測修正當前時刻狀態(tài)的后驗狀態(tài)估計，那么先驗、后驗估計誤差和協(xié)方差如下： （） （）其中、為先驗估計誤差及協(xié)方差，、為后驗估計誤差及協(xié)方差，根據(jù)貝葉斯準則，后驗狀態(tài)估計的更新取決于先驗狀態(tài)估計的概率分布，即的更新取決于已知情況下的概率分布，其概率分布為： （）其中，則滿足，那么后驗狀態(tài)估計可表示為： （） （）其中為預測值與觀測值之間的差異，為增益因子，濾波的目的就是通過的不同取值使最小，卡爾曼濾波實質(zhì)上是一種預測修正算法，狀態(tài)方程預測先驗狀態(tài)估計及其誤差協(xié)方差，觀測方程修正后驗狀態(tài)估計及其誤差協(xié)方差，完整的狀態(tài)、觀測方程如下： （） （）首先根據(jù)時刻狀態(tài)變量計算先驗狀態(tài)估計及誤差協(xié)方差，然后由計算結果和時刻觀測變量計算后驗狀態(tài)估計及誤差協(xié)方差 ，本次計算得到的后驗估計又作為下一時刻即時刻先驗估計的輸入，如此不斷地重復，遞歸次數(shù)的增加使濾波結果越來越接近真實值。 卡爾曼濾波過程示意圖Fig the schematic diagram of process of kalman filter卡爾曼濾波[7074]是一種線性最小方差估計的濾波方法，遞歸結構簡單，且計算只需前一時刻的數(shù)據(jù)，比其它濾波器如維納（Wiener）濾波器等更容易實現(xiàn)，濾波結果比帶有噪聲的觀測值更加平滑，具有最優(yōu)、穩(wěn)定、偏差小的濾波性能。 CAMShift算法CAMShift算法即連續(xù)自適應均值漂移算法（Continuously Adaptive Mean Shift），由Gary R. Bradski在《Computer Vision Face Tracking For Use in a Perceptual User Inter face》一文中首次提出。CAMShift是一種基于顏色概率分布和統(tǒng)計的搜索算法，其核心是Mean Shift（均值漂移）迭代，即將適用于單幅圖像Mean Shift算法擴展到連續(xù)的視頻序列幀圖像[75]。該算法利用目標區(qū)域的顏色直方圖特征，即HSV色彩模型中的H分量，在單幅圖像中使用Mean Shift算法搜索到目標，在連續(xù)幀中將前一幀的搜索結果數(shù)據(jù)作為后一幀的初始數(shù)據(jù)，實現(xiàn)連續(xù)幀圖像中的運動目標跟蹤[7679]。首先，計算序列幀圖像的反向投影，將圖像變換到HSV色彩空間，提取色度（Hue）分量，選擇待跟蹤的運動目標區(qū)域即目標模板，對目標模板計算顏色概率分布以獲得目標模板的顏色分布直方圖，根據(jù)目標模板顏色分布直方圖計算圖像的反向投影，得到輸入圖像像素為目標像素的概率，確定初始搜索框、搜索終止條件。接著，在當前反向投影圖中，利用Mean Shift算法搜索目標，具體過程是計算初始搜索框的色度質(zhì)心，將搜索框中心移動到色度質(zhì)心，重復計算質(zhì)心、移動中心迭代過程，直到結果收斂即搜索框色度質(zhì)心與目標模板色度質(zhì)心距離小于搜索終止條件。Mean Shift算法的原理是基于均值漂移向量的概率密度收斂，根據(jù)無參數(shù)密度估計理論，在維空間中，采樣點集，概率密度核函數(shù)，則點的核函數(shù)概率密度估計為： （）其中為帶寬矩陣系數(shù)，將核函數(shù)改寫為輪廓函數(shù)形式即，則概率密度估計表示為： （）假設當時除有限個點外存在，令，則相應的核函數(shù)，對概率密度估計進行梯度運算得到： （）其中為基于核函數(shù)的無參概率密度估計，后一部分即為均值漂移向量。即： （）因此，對于點，基于核函數(shù)的概率密度估計梯度與基于核函數(shù)的概率密度估計成正比，均值漂移向量的方向為概率密度增加最大的方向，將上次計算得到的作為代入（）式，經(jīng)過不斷迭代，均值漂移向量沿著概率密度估計梯度方向向上移動，最終收斂于點附近的峰值處。在當前幀圖像中，得到最終搜索框后，按CAMShfit算法給出公式自適應地調(diào)整下一幀初始搜索框的大小，在下一幀中使用Mean Shift算法搜索目標，如此重復調(diào)整、搜索的過程。就實現(xiàn)了序列幀圖像的目標跟蹤。CAMShift算法的優(yōu)點是能消除目標旋轉(zhuǎn)、遮擋、大小改變帶來影響，缺點是需預先存儲目標模板、無法消除色調(diào)相近的干擾。 基于幾何特征的卡爾曼濾波和直方圖匹配算法卡爾曼濾波是一種最優(yōu)線性濾波算法，遞歸結構簡單，計算量小，便于在實時系統(tǒng)中實現(xiàn)，預測結果具有最小協(xié)方差，根據(jù)當前幀目標特征，預測下一幀中目標特征，根據(jù)物體的灰度概率分布即灰度直方圖的差異，對預測的目標進行匹配，本文提出了一種基于幾何特征的卡爾曼濾波和灰度直方圖匹配算法，對檢測出的運動目標進行跟蹤，獲得了較好的跟蹤效果。 幾何特征計算在檢測出運動目標以后，根據(jù)目標位置、大小、速度等參數(shù)對序列幀中目標進行匹配，得到目標運動軌跡。首先，對當前幀中的目標計算其幾何特征參數(shù)。采用檢測算法得到的二值圖像，對目標二值圖像進行水平、垂直兩個方向上投影： （）其中為檢測結果二值圖像坐標處像素值，圖像大小為即行 列，計算出水平、垂直方向投影的最大值： （）和就大致表示了目標大小，以、為長寬建立目標外接矩形框，令、分別為最先、最后滿足的數(shù)組元素，、分別為最先、最后滿足的數(shù)組元素，則目標中心坐標為： （）由于檢測得到的目標與實際目標相比，有內(nèi)部存在空洞、形態(tài)不完整等因素，為了減小預測誤差，獲得最優(yōu)匹配效果，本文以目標灰度質(zhì)心作為外接矩形框中心，計算中心為，長寬為矩形框內(nèi)的二值圖像0階矩和1階