【正文】 m將得到的二值圖像進行形態(tài)學(xué)濾波后，輸出檢測出的運動目標(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 幀間差分法檢測結(jié)果Fig the result of interframe difference algorithm從實驗結(jié)果可以看出，幀間差分法能迅速檢測出場景中的運動目標(biāo)，計算量小便于實現(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)運動速度太快，（d），如果目標(biāo)運動速度太慢，（e），目標(biāo)的運動速度直接影響幀間差分法的檢測性能。目前，提出了三幀雙差分法、五幀三差分法等改進算法，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)前幀與背景模型進行差分，來提取當(dāng)前幀相對于背景模型的變化區(qū)域，從而得到運動目標(biāo)的方法[4348]。背景減除法的核心是建立并維護一個背景模型，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)前幀與背景模型進行差分運算如下： （）其中為當(dāng)前幀圖像坐標(biāo)像素灰度值，為背景模型對應(yīng)像素灰度值，為差分后絕對值，由判決閥值對差分后圖像進行二值化： （）二值圖像中，像素為1的區(qū)域即檢測出的運動目標(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行形態(tài)學(xué)濾波后，輸出檢測出的運動目標(biāo)，對背景減除法進行仿真。從實驗結(jié)果可以看出，背景減除法可以快速獲得較完整的運動目標(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，且計算量小適用于實時性要求較高的系統(tǒng)。但背景減除法對場景的變化特別敏感，當(dāng)場景中的背景像素發(fā)生變化，如光照產(chǎn)生陰影、樹葉被風(fēng)吹動等情況，而運動目標(biāo)尺寸較小，就會對檢測結(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)行人未進入場景時有車輛經(jīng)過，而背景模型由第1幀替換為車輛經(jīng)過時序列幀，（e）就會出現(xiàn)差錯。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。 （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 背景減除法檢測結(jié)果Fig the result of background difference algorithm 光流法光流法是利用運動目標(biāo)隨時間變化的光流特性，通過對視頻序列幀圖像的光流場進行計算，從而得到運動目標(biāo)的方法[4953]。光流場是一幅圖像中所有像素的速度矢量構(gòu)成的矢量場，速度矢量由像素位移矢量除以幀間時間間隔得到。在視頻序列的連續(xù)幀中，光流場在整幅圖像中是連續(xù)變化的，當(dāng)圖像中出現(xiàn)運動目標(biāo)，運動目標(biāo)即前景區(qū)域速度場與靜止或運動的背景區(qū)域的速度場不同，則可區(qū)分出目標(biāo)區(qū)域與背景區(qū)域。光流攜帶了運動目標(biāo)的運動和結(jié)構(gòu)信息，在預(yù)先沒有任何場景信息的條件下，能夠檢測出獨立運動的目標(biāo)，適用于靜止背景和動態(tài)背景下的運動目標(biāo)檢測，但光流計算模型復(fù)雜，運算量大，在實時性要求較高的系統(tǒng)中很難實現(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、計算簡單，能很好地在實時系統(tǒng)中實現(xiàn)，但對場景變化和噪聲影響特別敏感，建立并維持一個良好的背景模型是準(zhǔn)確提取運動目標(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)計平均法是對連續(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)前時刻背景模型計算公式如下： （）其中為第幀圖像坐標(biāo)處像素灰度值，當(dāng)前時刻背景模型即為序列幀圖像的統(tǒng)計平均值，該方法計算簡單，但當(dāng)場景中突然與背景模型灰度值相差較大的運動目標(biāo)時，會在當(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)因子對前一時刻背景模型進行更新，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，讓背景模型通過疊加，逐步逼近當(dāng)前幀圖像，計算公式如下： （）其中為當(dāng)前幀圖像坐標(biāo)處像素灰度值，為當(dāng)前時刻背景模型，為前一時刻背景模型，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)的運動目標(biāo)在背景模型中留下的痕跡。高斯模型法是通過對視頻序列幀圖像中的每個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，由對每個像素建立的高斯分布模型的個數(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)前時刻背景模型中每個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，得到時刻單高斯模型，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)對背景模型的影響，也能消除場景變化和噪聲影響，但高斯建模復(fù)雜，計算量大，不適用于實時系統(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Surendra G等提出的自適應(yīng)背景建模法作出改進[58]，背景模型隨毎幀圖像實時更新，較好地消除了場景變化及噪聲等的干擾，且計算簡單，便于在實時系統(tǒng)中實現(xiàn)。首先采用視頻序列第1幀圖像作為初始背景，以后序列幀中時刻當(dāng)前幀圖像 與前一時刻背景圖像進行差分運算，得到一個背景模型更新模板，由判決閥值對更新模板二值化得到： （）若當(dāng)前幀圖像與前一時刻背景圖像某些像素處的差值大于閥值，可認為該區(qū)域發(fā)生了變化，但由于不能判定該變化是由運動目標(biāo)進入場景而出現(xiàn)的前景區(qū)域還是背景區(qū)域發(fā)生的變化，當(dāng)前時刻背景圖像按如下方法更新： （）其中、為更新因子，且，此時將的像素點創(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，累積差分值加1，當(dāng)大于設(shè)定值時，基本可以認定差值較大的區(qū)域是場景中背景區(qū)域發(fā)生的變化即新出現(xiàn)的背景像素，此時背景圖像按如下方法更新： （）對于滿足條件的像素點，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(shè)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(jié)果Fig the result of background modeling 運動目標(biāo)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(biāo)，提取運動目標(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，由差值判斷運動目標(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的是運動目標(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的概率分布，圖像中運動目標(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，由差值的大小來判斷像素點是否為運動目標(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，圖像中運動目標(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。 檢測算法流程及實驗結(jié)果 檢測算法流程本文運動目標(biāo)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(biāo)，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(biāo)。整個檢測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、檢測后處理三個階段。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，運動目標(biāo)提?。粰z測后處理包括：形態(tài)學(xué)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(biāo)物體的不相干細節(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（）—（）更新算法對背景模型進行更新，更新參數(shù)取、本文設(shè)定更新90幀后開始檢測目標(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，使用開運算進行形態(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)。然后通過連通分量分析，將像素點按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整體，像素數(shù)目大于一定值即為檢測出的運動目標(biāo)，輸出檢測結(jié)果。 檢測算法實驗結(jié)果對本文運動目標(biāo)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(dāng)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(jié)果 本文算法檢測結(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(fēng)吹動產(chǎn)生干擾，（b）當(dāng)前幀灰度直方圖設(shè)定閥值對差分結(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(jié)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(biāo)跟蹤算法研究運動目標(biāo)跟蹤是智能視頻監(jiān)控系統(tǒng)的主要應(yīng)用部分，是整個系統(tǒng)有效地、智能地運行的關(guān)鍵，是運動目標(biāo)檢測的延續(xù)。運動目標(biāo)跟蹤[6168]是對檢測出的運動目標(biāo)，根據(jù)目標(biāo)參數(shù)，對序列幀中的目標(biāo)進行匹配，確定目標(biāo)位置，從而得到目標(biāo)的運動軌跡。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。運動目標(biāo)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(biāo)移動將目標(biāo)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(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)實驗該算法能有效地跟蹤序列幀中的運動目標(biāo)。 常用運動目標(biāo)跟蹤算法分析目前，常用的運動目標(biāo)跟蹤算法主要有卡爾曼（Kalman）濾波算