【正文】 m將得到的二值圖像進(jìn)行形態(tài)學(xué)濾波后，輸出檢測(cè)出的運(yùn)動(dòng)目標(biāo)。 （a）第fk1幀圖像 （b）第fk幀圖像 （c）第fk+1幀圖像 （d）fkfk1幀結(jié)果 （e）fk+1fk幀結(jié)果 幀間差分法檢測(cè)結(jié)果Fig the result of interframe difference algorithm從實(shí)驗(yàn)結(jié)果可以看出，幀間差分法能迅速檢測(cè)出場(chǎng)景中的運(yùn)動(dòng)目標(biāo)，計(jì)算量小便于實(shí)現(xiàn)，（d）、（e）所示幀間差分法提取物體邊界不完整，且物體內(nèi)部有較大空洞，如果目標(biāo)運(yùn)動(dòng)速度太快，（d），如果目標(biāo)運(yùn)動(dòng)速度太慢，（e），目標(biāo)的運(yùn)動(dòng)速度直接影響幀間差分法的檢測(cè)性能。目前，提出了三幀雙差分法、五幀三差分法等改進(jìn)算法，使幀間差分法的性能得到了改善。 背景減除法背景減除法是將視頻序列當(dāng)前幀與背景模型進(jìn)行差分，來(lái)提取當(dāng)前幀相對(duì)于背景模型的變化區(qū)域，從而得到運(yùn)動(dòng)目標(biāo)的方法[4348]。背景減除法的核心是建立并維護(hù)一個(gè)背景模型，假設(shè)獲取的視頻序列第1幀為背景模型，當(dāng)前視頻幀為，將當(dāng)前幀與背景模型進(jìn)行差分運(yùn)算如下： （）其中為當(dāng)前幀圖像坐標(biāo)像素灰度值，為背景模型對(duì)應(yīng)像素灰度值，為差分后絕對(duì)值，由判決閥值對(duì)差分后圖像進(jìn)行二值化： （）二值圖像中，像素為1的區(qū)域即檢測(cè)出的運(yùn)動(dòng)目標(biāo)區(qū)域。 背景減除法流程圖Fig the flow chart of background subtract algorithm將得到的二值圖像進(jìn)行形態(tài)學(xué)濾波后，輸出檢測(cè)出的運(yùn)動(dòng)目標(biāo)，對(duì)背景減除法進(jìn)行仿真。從實(shí)驗(yàn)結(jié)果可以看出，背景減除法可以快速獲得較完整的運(yùn)動(dòng)目標(biāo)像素，克服了幀間差分法只能獲取目標(biāo)輪廓、輪廓形狀發(fā)生變化等的不足，且計(jì)算量小適用于實(shí)時(shí)性要求較高的系統(tǒng)。但背景減除法對(duì)場(chǎng)景的變化特別敏感，當(dāng)場(chǎng)景中的背景像素發(fā)生變化，如光照產(chǎn)生陰影、樹葉被風(fēng)吹動(dòng)等情況，而運(yùn)動(dòng)目標(biāo)尺寸較小，就會(huì)對(duì)檢測(cè)結(jié)果產(chǎn)生較大的影響。背景減除法的性能嚴(yán)重依賴于背景模型的獲取與更新，（c）當(dāng)行人未進(jìn)入場(chǎng)景時(shí)有車輛經(jīng)過(guò)，而背景模型由第1幀替換為車輛經(jīng)過(guò)時(shí)序列幀，（e）就會(huì)出現(xiàn)差錯(cuò)。因此，背景模型的建立與更新是背景減除法性能的關(guān)鍵，也是該方法研究的重點(diǎn)。 （a）當(dāng)前幀fk （b）背景模型bk （c）更新后背景模型b’k （d）fkbk結(jié)果 （e）fkb’k結(jié)果 背景減除法檢測(cè)結(jié)果Fig the result of background difference algorithm 光流法光流法是利用運(yùn)動(dòng)目標(biāo)隨時(shí)間變化的光流特性，通過(guò)對(duì)視頻序列幀圖像的光流場(chǎng)進(jìn)行計(jì)算，從而得到運(yùn)動(dòng)目標(biāo)的方法[4953]。光流場(chǎng)是一幅圖像中所有像素的速度矢量構(gòu)成的矢量場(chǎng)，速度矢量由像素位移矢量除以幀間時(shí)間間隔得到。在視頻序列的連續(xù)幀中，光流場(chǎng)在整幅圖像中是連續(xù)變化的，當(dāng)圖像中出現(xiàn)運(yùn)動(dòng)目標(biāo)，運(yùn)動(dòng)目標(biāo)即前景區(qū)域速度場(chǎng)與靜止或運(yùn)動(dòng)的背景區(qū)域的速度場(chǎng)不同，則可區(qū)分出目標(biāo)區(qū)域與背景區(qū)域。光流攜帶了運(yùn)動(dòng)目標(biāo)的運(yùn)動(dòng)和結(jié)構(gòu)信息，在預(yù)先沒有任何場(chǎng)景信息的條件下，能夠檢測(cè)出獨(dú)立運(yùn)動(dòng)的目標(biāo)，適用于靜止背景和動(dòng)態(tài)背景下的運(yùn)動(dòng)目標(biāo)檢測(cè)，但光流計(jì)算模型復(fù)雜，運(yùn)算量大，在實(shí)時(shí)性要求較高的系統(tǒng)中很難實(shí)現(xiàn)。 基于累積差分更新的背景減除法背景減除法復(fù)雜度小、計(jì)算簡(jiǎn)單，能很好地在實(shí)時(shí)系統(tǒng)中實(shí)現(xiàn)，但對(duì)場(chǎng)景變化和噪聲影響特別敏感，建立并維持一個(gè)良好的背景模型是準(zhǔn)確提取運(yùn)動(dòng)目標(biāo)的關(guān)鍵，本文提出了一種基于累積差分更新的背景減除法，使之對(duì)于傳統(tǒng)背景減除法性能得到改善與提高。 背景模型建立與更新（1）常用背景模型建立與更新方法分析常用的背景模型建立與更新的方法有：統(tǒng)計(jì)平均法、系數(shù)更新法、高斯模型法等[5457]，各種背景模型建立與更新的方法復(fù)雜度不同，獲得的背景模型效果也不同。統(tǒng)計(jì)平均法是對(duì)連續(xù)視頻序列幀圖像求平均值，將得到的平均值作為當(dāng)前背景模型中的像素值的方法。假設(shè)當(dāng)前采集的視頻序列為第幀，則當(dāng)前時(shí)刻背景模型計(jì)算公式如下： （）其中為第幀圖像坐標(biāo)處像素灰度值，當(dāng)前時(shí)刻背景模型即為序列幀圖像的統(tǒng)計(jì)平均值，該方法計(jì)算簡(jiǎn)單，但當(dāng)場(chǎng)景中突然與背景模型灰度值相差較大的運(yùn)動(dòng)目標(biāo)時(shí)，會(huì)在當(dāng)前背景模型中留下目標(biāo)痕跡。系數(shù)更新法是由當(dāng)前視頻序列幀圖像按系數(shù)因子對(duì)前一時(shí)刻背景模型進(jìn)行更新，從而得到當(dāng)前背景模型的方法。系數(shù)更新法基于IIR無(wú)限沖擊響應(yīng)濾波器的原理，使用系數(shù)因子，讓背景模型通過(guò)疊加，逐步逼近當(dāng)前幀圖像，計(jì)算公式如下： （）其中為當(dāng)前幀圖像坐標(biāo)處像素灰度值，為當(dāng)前時(shí)刻背景模型，為前一時(shí)刻背景模型，為系數(shù)因子決定了背景模型的更新程度，系數(shù)更新法可以較好地消除突然出現(xiàn)的運(yùn)動(dòng)目標(biāo)在背景模型中留下的痕跡。高斯模型法是通過(guò)對(duì)視頻序列幀圖像中的每個(gè)像素建立高斯分布模型，根據(jù)高斯分布模型的變化，從而更新背景模型的方法。高斯模型法是一種自適應(yīng)更新方法，由對(duì)每個(gè)像素建立的高斯分布模型的個(gè)數(shù)，可以分為單高斯、混合高斯模型。假設(shè)當(dāng)前采集的視頻序列為第幀，則當(dāng)前時(shí)刻背景模型中每個(gè)像素的單高斯模型為，坐標(biāo)為處的像素均值和方差分別為： （） （）其中為第幀圖像坐標(biāo)處像素灰度值，當(dāng)采集到第幀圖像時(shí)，得到時(shí)刻單高斯模型，按下列公式更新高斯模型： （） （）其中為參數(shù)更新率，由此更新得到的背景模型，能消除目標(biāo)對(duì)背景模型的影響，也能消除場(chǎng)景變化和噪聲影響，但高斯建模復(fù)雜，計(jì)算量大，不適用于實(shí)時(shí)系統(tǒng)。（2）本文背景模型建立與更新方法本文提出了一種基于累積差分自適應(yīng)更新方法建立背景模型，該算法結(jié)合累積差分的概念，對(duì)Surendra G等提出的自適應(yīng)背景建模法作出改進(jìn)[58]，背景模型隨毎幀圖像實(shí)時(shí)更新，較好地消除了場(chǎng)景變化及噪聲等的干擾，且計(jì)算簡(jiǎn)單，便于在實(shí)時(shí)系統(tǒng)中實(shí)現(xiàn)。首先采用視頻序列第1幀圖像作為初始背景，以后序列幀中時(shí)刻當(dāng)前幀圖像 與前一時(shí)刻背景圖像進(jìn)行差分運(yùn)算，得到一個(gè)背景模型更新模板，由判決閥值對(duì)更新模板二值化得到： （）若當(dāng)前幀圖像與前一時(shí)刻背景圖像某些像素處的差值大于閥值，可認(rèn)為該區(qū)域發(fā)生了變化，但由于不能判定該變化是由運(yùn)動(dòng)目標(biāo)進(jìn)入場(chǎng)景而出現(xiàn)的前景區(qū)域還是背景區(qū)域發(fā)生的變化，當(dāng)前時(shí)刻背景圖像按如下方法更新： （）其中、為更新因子，且，此時(shí)將的像素點(diǎn)創(chuàng)建累積差分值，并使，隨著后續(xù)序列幀的輸入，每當(dāng)差值大于閥值時(shí)，累積差分值加1，當(dāng)大于設(shè)定值時(shí)，基本可以認(rèn)定差值較大的區(qū)域是場(chǎng)景中背景區(qū)域發(fā)生的變化即新出現(xiàn)的背景像素，此時(shí)背景圖像按如下方法更新： （）對(duì)于滿足條件的像素點(diǎn)，用當(dāng)前幀像素值替換，由于當(dāng)前幀更能反映背景變化的情況，且隨著幀數(shù)的增加背景波動(dòng)紋理增多，誤差增大，因此選擇適當(dāng)?shù)拈y值，更新因子、以及設(shè)定值是用該方法建立與更新背景模型的關(guān)鍵。對(duì)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(duì)比，（a）為統(tǒng)計(jì)平均法得到的背景模型，（b）為系數(shù)更新法系數(shù)因子時(shí)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(cè)試閥值較小，設(shè)定值較大且時(shí)該算法得到的背景模型更接近真實(shí)背景，較好地消除場(chǎng)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(jì)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(jié)果Fig the result of background modeling 運(yùn)動(dòng)目標(biāo)提取建立背景模型后，通過(guò)實(shí)時(shí)圖像與背景模型的差分運(yùn)算，來(lái)檢測(cè)場(chǎng)景中的運(yùn)動(dòng)目標(biāo)，提取運(yùn)動(dòng)目標(biāo)區(qū)域像素，以便后續(xù)獲取目標(biāo)特征數(shù)據(jù)。假設(shè)采集的視頻當(dāng)前為第幀，當(dāng)前時(shí)刻背景模型為，將當(dāng)前幀與背景模型相減： （）其中、分別為當(dāng)前幀和背景模型坐標(biāo)處像素灰度值，由差值判斷運(yùn)動(dòng)目標(biāo)區(qū)域并二值化： （）其中為判決閥值，將差分結(jié)果轉(zhuǎn)換為二值圖像，像素值為1的是運(yùn)動(dòng)目標(biāo)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(jí)的概率分布，圖像中運(yùn)動(dòng)目標(biāo)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(jié)果是當(dāng)前幀與背景模型坐標(biāo)處的灰度差值，由差值的大小來(lái)判斷像素點(diǎn)是否為運(yùn)動(dòng)目標(biāo)，因此閥值應(yīng)設(shè)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(yùn)動(dòng)目標(biāo)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(yīng)為兩主峰波峰灰度值差65。 檢測(cè)算法流程及實(shí)驗(yàn)結(jié)果 檢測(cè)算法流程本文運(yùn)動(dòng)目標(biāo)檢測(cè)算法要求從采集的視頻序列幀中檢測(cè)出場(chǎng)景中出現(xiàn)的運(yùn)動(dòng)目標(biāo)，場(chǎng)景為攝像機(jī)固定的靜態(tài)背景，能檢測(cè)出單個(gè)或多個(gè)運(yùn)動(dòng)目標(biāo)。整個(gè)檢測(cè)算法分為序列圖像預(yù)處理、基于累積差分更新背景減除法、檢測(cè)后處理三個(gè)階段。圖像預(yù)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(yùn)動(dòng)目標(biāo)提?。粰z測(cè)后處理包括：形態(tài)學(xué)濾波，連通分量分析。 檢測(cè)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(duì)于RGB格式的圖像序列使用公式（）進(jìn)行轉(zhuǎn)換，而對(duì)于YCbCr4:2:2格式的視頻流則提取亮度信號(hào)Y。變換為灰度圖像后，（c）的濾波模板對(duì)灰度圖像進(jìn)行均值濾波，減小了圖像中的高斯噪聲，同時(shí)也去除了部分非目標(biāo)物體的不相干細(xì)節(jié)。 若當(dāng)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(duì)背景模型進(jìn)行更新，更新參數(shù)取、本文設(shè)定更新90幀后開始檢測(cè)目標(biāo)，將當(dāng)前幀與背景模型相減，由判決閥值將差分結(jié)果二值化。得到的二值圖像，使用開運(yùn)算進(jìn)行形態(tài)學(xué)濾波，結(jié)構(gòu)元素，消除其中存在的噪聲，獲得較好的目標(biāo)形態(tài)。然后通過(guò)連通分量分析，將像素點(diǎn)按8鄰域搜索依次標(biāo)上標(biāo)記，將相同標(biāo)記像素集合作為一個(gè)整體，像素?cái)?shù)目大于一定值即為檢測(cè)出的運(yùn)動(dòng)目標(biāo)，輸出檢測(cè)結(jié)果。 檢測(cè)算法實(shí)驗(yàn)結(jié)果對(duì)本文運(yùn)動(dòng)目標(biāo)檢測(cè)算法進(jìn)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(dāng)前背景模型 （e）差分圖像 （f）二值化圖像 （g）開運(yùn)算后圖像 （h）最終檢測(cè)結(jié)果 本文算法檢測(cè)結(jié)果Fig the detection result of this text algorithm（a）為當(dāng)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(jìn)入場(chǎng)景留下的痕跡，（e），可以看出場(chǎng)景中的背景區(qū)域樹葉被風(fēng)吹動(dòng)產(chǎn)生干擾，（b）當(dāng)前幀灰度直方圖設(shè)定閥值對(duì)差分結(jié)果二值化，（f），（g），可以看出大部分噪聲被除去了，目標(biāo)形態(tài)得到改觀，總共有16個(gè)連通分量，將像素?cái)?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(cè)出運(yùn)動(dòng)物體，較好地消除了場(chǎng)景變化以及噪聲影響等的干擾。 連通分量分析結(jié)果Tab. the result of connected ponent analysis連通分量連通分量像素?cái)?shù)目連通分量連通分量像素?cái)?shù)目0150980251038038116504812170510135065141050751517120851654 運(yùn)動(dòng)目標(biāo)跟蹤算法研究運(yùn)動(dòng)目標(biāo)跟蹤是智能視頻監(jiān)控系統(tǒng)的主要應(yīng)用部分，是整個(gè)系統(tǒng)有效地、智能地運(yùn)行的關(guān)鍵，是運(yùn)動(dòng)目標(biāo)檢測(cè)的延續(xù)。運(yùn)動(dòng)目標(biāo)跟蹤[6168]是對(duì)檢測(cè)出的運(yùn)動(dòng)目標(biāo)，根據(jù)目標(biāo)參數(shù)，對(duì)序列幀中的目標(biāo)進(jìn)行匹配，確定目標(biāo)位置，從而得到目標(biāo)的運(yùn)動(dòng)軌跡。目標(biāo)匹配使用的特征參數(shù)除了目標(biāo)的幾何參數(shù)如位置、大小等，還可以使用目標(biāo)的顏色參數(shù)如亮度、色調(diào)等。運(yùn)動(dòng)目標(biāo)跟蹤分為靜態(tài)跟蹤和動(dòng)態(tài)跟蹤，靜態(tài)跟蹤是攝像機(jī)鏡頭位置固定，而動(dòng)態(tài)跟蹤是攝像機(jī)鏡頭隨目標(biāo)移動(dòng)將目標(biāo)保持在畫面正中位置。本章主要研究了攝像機(jī)鏡頭位置固定情況下的運(yùn)動(dòng)目標(biāo)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(shí)驗(yàn)該算法能有效地跟蹤序列幀中的運(yùn)動(dòng)目標(biāo)。 常用運(yùn)動(dòng)目標(biāo)跟蹤算法分析目前，常用的運(yùn)動(dòng)目標(biāo)跟蹤算法主要有卡爾曼（Kalman）濾波算