【正文】 首先，對(duì)當(dāng)前幀中的目標(biāo)計(jì)算其幾何特征參數(shù)。 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(jié)構(gòu)簡(jiǎn)單，計(jì)算量小，便于在實(shí)時(shí)系統(tǒng)中實(shí)現(xiàn)，預(yù)測(cè)結(jié)果具有最小協(xié)方差，根據(jù)當(dāng)前幀目標(biāo)特征，預(yù)測(cè)下一幀中目標(biāo)特征，根據(jù)物體的灰度概率分布即灰度直方圖的差異，對(duì)預(yù)測(cè)的目標(biāo)進(jìn)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(duì)檢測(cè)出的運(yùn)動(dòng)目標(biāo)進(jìn)行跟蹤，獲得了較好的跟蹤效果。就實(shí)現(xiàn)了序列幀圖像的目標(biāo)跟蹤。即： （）因此，對(duì)于點(diǎn)，基于核函數(shù)的概率密度估計(jì)梯度與基于核函數(shù)的概率密度估計(jì)成正比，均值漂移向量的方向?yàn)楦怕拭芏仍黾幼畲蟮姆较?，將上次?jì)算得到的作為代入（）式，經(jīng)過(guò)不斷迭代，均值漂移向量沿著概率密度估計(jì)梯度方向向上移動(dòng)，最終收斂于點(diǎn)附近的峰值處。接著，在當(dāng)前反向投影圖中，利用Mean Shift算法搜索目標(biāo)，具體過(guò)程是計(jì)算初始搜索框的色度質(zhì)心，將搜索框中心移動(dòng)到色度質(zhì)心，重復(fù)計(jì)算質(zhì)心、移動(dòng)中心迭代過(guò)程，直到結(jié)果收斂即搜索框色度質(zhì)心與目標(biāo)模板色度質(zhì)心距離小于搜索終止條件。該算法利用目標(biāo)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(biāo)，在連續(xù)幀中將前一幀的搜索結(jié)果數(shù)據(jù)作為后一幀的初始數(shù)據(jù)，實(shí)現(xiàn)連續(xù)幀圖像中的運(yùn)動(dòng)目標(biāo)跟蹤[7679]。 CAMShift算法CAMShift算法即連續(xù)自適應(yīng)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。、為相互獨(dú)立的正態(tài)分布白噪聲，即滿足： （） （）其中、分別為過(guò)程激勵(lì)噪聲和觀測(cè)噪聲的協(xié)方差矩陣，假設(shè)為由時(shí)刻狀態(tài)預(yù)測(cè)時(shí)刻狀態(tài)的先驗(yàn)狀態(tài)估計(jì)，為由時(shí)刻觀測(cè)修正當(dāng)前時(shí)刻狀態(tài)的后驗(yàn)狀態(tài)估計(jì)，那么先驗(yàn)、后驗(yàn)估計(jì)誤差和協(xié)方差如下： （） （）其中、為先驗(yàn)估計(jì)誤差及協(xié)方差，、為后驗(yàn)估計(jì)誤差及協(xié)方差，根據(jù)貝葉斯準(zhǔn)則，后驗(yàn)狀態(tài)估計(jì)的更新取決于先驗(yàn)狀態(tài)估計(jì)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(yàn)狀態(tài)估計(jì)可表示為： （） （）其中為預(yù)測(cè)值與觀測(cè)值之間的差異，為增益因子，濾波的目的就是通過(guò)的不同取值使最小，卡爾曼濾波實(shí)質(zhì)上是一種預(yù)測(cè)修正算法，狀態(tài)方程預(yù)測(cè)先驗(yàn)狀態(tài)估計(jì)及其誤差協(xié)方差，觀測(cè)方程修正后驗(yàn)狀態(tài)估計(jì)及其誤差協(xié)方差，完整的狀態(tài)、觀測(cè)方程如下： （） （）首先根據(jù)時(shí)刻狀態(tài)變量計(jì)算先驗(yàn)狀態(tài)估計(jì)及誤差協(xié)方差，然后由計(jì)算結(jié)果和時(shí)刻觀測(cè)變量計(jì)算后驗(yàn)狀態(tài)估計(jì)及誤差協(xié)方差 ，本次計(jì)算得到的后驗(yàn)估計(jì)又作為下一時(shí)刻即時(shí)刻先驗(yàn)估計(jì)的輸入，如此不斷地重復(fù)，遞歸次數(shù)的增加使濾波結(jié)果越來(lái)越接近真實(shí)值。 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]。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)。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。 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)。 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。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)。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)。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)提取；檢測(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)。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）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)。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。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)。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。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。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。 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。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。 （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]。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)。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)。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。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。 幀間差分法流程圖Fig the flow chart of interframe difference 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)。 幀間差分法幀間差分法是對(duì)連續(xù)視頻序列幀圖像，進(jìn)行像素的幀間差分運(yùn)算來(lái)提取相鄰幀的變化區(qū)域，從而得到運(yùn)動(dòng)物體的方法[3842]。本章主要研究了靜態(tài)背景下的運(yùn)動(dòng)目標(biāo)檢測(cè)算法，提出了一種基于累積差分更新的背景減除法，經(jīng)實(shí)驗(yàn)該算法能實(shí)時(shí)有效地檢測(cè)出運(yùn)動(dòng)物體。運(yùn)動(dòng)目標(biāo)檢測(cè)算法根據(jù)背景區(qū)域運(yùn)動(dòng)與否可分為靜態(tài)背景檢測(cè)與動(dòng)態(tài)背景檢測(cè)，靜態(tài)背景是指攝像機(jī)鏡頭位置固定，動(dòng)態(tài)背景是指攝像機(jī)鏡頭位置隨運(yùn)動(dòng)物體變化。（a）4鄰接方式 （b）8鄰接方式 連通分量標(biāo)記Fig connected ponent stable3 運(yùn)動(dòng)目標(biāo)檢測(cè)算法研究運(yùn)動(dòng)目標(biāo)檢測(cè)是智能視頻監(jiān)控系統(tǒng)的核心部分，是整個(gè)系統(tǒng)能夠準(zhǔn)確、實(shí)時(shí)、穩(wěn)定運(yùn)行和后續(xù)運(yùn)動(dòng)目標(biāo)跟蹤、目標(biāo)識(shí)別與分析的基礎(chǔ)。（a）4鄰接 （b）8鄰接 鄰接方式示意圖Fig the schematic diagram of adjoining manner假設(shè)像素為，從出發(fā)找到滿足迭代公式（）的二值圖像中的像素，當(dāng)即迭代算法收斂時(shí)，元素組成一個(gè)集合，該集合就是二 （）值圖像中的一個(gè)連通分量，找出所有的連通分量后，將同一連通分量中的元素標(biāo)上相同的標(biāo)記，（a）為結(jié)構(gòu)元素B為4鄰接方式的結(jié)果，（b）為結(jié)構(gòu)元素B為8鄰接方式的結(jié)果?；叶戎禐?的像素是待提取的像素，與該像素相鄰的像素規(guī)定了兩種鄰接方式：4鄰接，水平與垂直方向上的相鄰像素；8鄰接，除水平與垂直方向外還包括對(duì)角方向上的相鄰像素。（a）集合A和結(jié)構(gòu)元素B（b）開運(yùn)算過(guò)程（c）閉運(yùn)算過(guò)程 形態(tài)學(xué)運(yùn)算示意圖Fig the schematic diagram of morphologic operation 連通分量分析二值圖像經(jīng)過(guò)開運(yùn)算后，應(yīng)進(jìn)行連通分量分析[31]，提取出圖像中的物體。（c）顯示了用B對(duì)A進(jìn)行閉運(yùn)算的過(guò)程，經(jīng)閉運(yùn)算后，比B小的細(xì)長(zhǎng)鴻溝被填充，連接和突出部分被保存下來(lái)，圖形邊緣方向角變得圓滑。（a）給出不規(guī)則多邊形集合A，圓形結(jié)構(gòu)元素B。閉運(yùn)算可以消彌狹窄間斷和細(xì)長(zhǎng)鴻溝、填充細(xì)小孔洞等同樣使物體輪廓光滑，對(duì)中的集合A和B，使用結(jié)構(gòu)元素B對(duì)集合A進(jìn)行閉運(yùn)算定義如下： （）因此，使用B對(duì)A進(jìn)行閉運(yùn)算的定義是先用結(jié)構(gòu)元素B對(duì)集合A進(jìn)行膨脹，然后再用結(jié)構(gòu)元素B對(duì)膨脹后的結(jié)果進(jìn)行腐蝕。腐蝕運(yùn)算通過(guò)消除物體邊界像素來(lái)收縮物體邊界、間斷連通物體以及消除不相關(guān)細(xì)節(jié)等，對(duì)于中的集合A和B，使用結(jié)構(gòu)元素B對(duì)集合A進(jìn)行腐蝕定義如下： （）其中為結(jié)構(gòu)元素B按向量的平移，則A被B腐蝕的定義是結(jié)構(gòu)元素B進(jìn)行z向量平移后還完全包含于集合A中。形態(tài)學(xué)的4種基本運(yùn)算是：膨脹、腐蝕、開運(yùn)算和閉運(yùn)算。數(shù)學(xué)形態(tài)學(xué)以集合論為基礎(chǔ)，其基本思想是用具有一定形態(tài)的結(jié)構(gòu)元素B去度量和提取二值圖像集合A中對(duì)應(yīng)的形狀，優(yōu)化圖像中物體形狀結(jié)構(gòu)，去除不相干結(jié)構(gòu)的干擾。 （a）