一種基于背景差分算法的實時運動檢測跟蹤系統的設計

龔鼎+曹廣忠

摘要：本文提出一種基于回歸型背景差分算法的實時運動檢測跟蹤系統的設計。通過載入攝像頭實時圖像與建立好的背景模型進行差分運算，并對差分運算的結果進行連通域分析，檢測出運動物體與攝像頭的相對位置并實時準確跟蹤。實驗結果表明，該文設計的實時運動檢測與跟蹤系統，能夠達到實時的、準確的、跟蹤目標。

關鍵詞：背景差分算法；連通域分析；運動檢測

中圖分類號：TP311 文獻標識碼：A 文章編號：1009-3044（2016）22-0207-03

隨著計算機技術、通信技術、圖像處理技術的不斷發(fā)展，運動目標檢測在智能交通流量檢測、商用安防檢測、模式識別等場合的作用越來越重。運動檢測是運動圖像分析、智能監(jiān)控、可視人機交互中的重要處理步，通過運動檢測可以得到圖像中的運動信息，提取圖像中的運動人物或目標，然后進行定位跟蹤，在需要安全防范的應用場合下具有十分重要的意。

針對這個問題，本文設計了一種利用回歸型背景差分算法進行實時運動檢測與跟蹤的系統。不同于對已存儲視頻的分析，系統直接對攝像頭輸出的當前幀進行分析處理，首先建立一個可靠的背景模型，然后載入攝像頭的實時幀圖像，對背景圖像和當前幀進行初步處理后通過差分算法得到完整可靠的運動目標圖像，最后用形態(tài)學濾波進行后處理，以消除噪聲和背景擾動帶來的影響，最后通過對連通域分析將當前視頻中的運動目標檢測出來并實時跟蹤達到實時檢測跟蹤的目的，提高了實時性。

1系統概述

本系統模擬實際應用場合，系統硬件采用中博斯科技USB攝像頭模組，型號XC2440，廣角120度。系統軟件采用在32位Windows10系統上運行的matlabR2011b。整體由固定位置的攝像頭和基于matlab的圖像處理程序組成，程序分為圖像載入，背景模型建立，差分運算預處理，灰度處理，二值化分析，差分運算結果連通域分析，運動檢測與跟蹤，背景模型更新等過程，同時設計了一個交互方便的GUI，對數據監(jiān)測和數據處理流程進行全方位的展示。界面設計如圖1。設計了四個axes，左上角為preview，主要顯示當前攝像機拍攝到的畫面；右上角為Detection_minus，主要灰度處理、二值化和圖像差分等操作后的圖像實時顯示；左下角為camera，主要用于顯示讀入的圖片數據、拍攝照片后的圖片數據；右下角為figure_centeroid，主要用于畫出檢測到的運動物體的質心相對于坐標軸的坐標位置。

2整體設計

2.1實時圖像預處理

在MATLAB中采用videoinput命令讀取USB攝像頭數據保存到一個類中，將圖像幀從YUV模式轉為RGB顏色表顯示。通過get函數將類中的圖像數據讀出，用image函數轉存為圖像。由于RGB是三維數據，不能直接進行差分運算，需要預先使用RGB2GRAY函數將RGB圖像轉為灰度圖，彩色圖像的像素色為RGB（R，G，B），灰度圖像的像素色為RGB（r，r，r），R、G、B 可由彩色圖像的顏色分解獲得。R、G、B的取值范圍為 0-255，所以灰度的級別只有 256 級?；叶然奶幚矸椒ㄖ饕捎眉訖嗥骄捣ǎ焊鶕硞€指標例如重要性給 R、G、B 賦予不同的權值，并使 R、G、B 等于它們的值的加權和。

即： R=G=B=（R*WR+G*WG+B*WB）/3 （2-1）

其中，WR，WG，WB分別是 R、G、B 的權值。由于人眼對綠色的敏感度最高，對紅色的敏感度次之，對藍色的敏感度最低，研究表明，當 WR=0.30，WG=0.59，WB=0.11 時，可以得到由彩色圖像轉換過來的最合理的灰度圖。轉化為灰度圖像后再使用im2bw函數將圖像轉化為二值化圖像。

2.2回歸型背景差分算法

根據建立的背景模型是否具有自適應更新的功能，可以將背景建模劃分成非回歸型和回歸型兩。非回歸型是預先根據若干幀圖像的數據恢復出背景，這類方法運算速度較，而且對于后續(xù)的處理較為簡便，缺點是不能適應后續(xù)圖像中背景的漸變?；貧w型則是根據每次輸入的圖像更新背景模型，這種方法能夠適應背景的漸變，排除光照等因素對檢測結果造成的影。

假設攝像機輸出圖像轉為灰度圖后為f（x，y，t），其中t表示幀數，將t=1時設置為初始的背景模型，即f（x，y，1）；任意時刻的圖像為f（x，y，t），背景差分算法則是將圖像模型進行（1）運.

其中D（x，y，t）為當前環(huán)境下的差分圖，再對其進行二值化，即設定決策閾值Th，將大于此閾值的像素點設置為1，反之為0；如式（2）所示。

由此可以進行像素點量化統計，如式（3）所示

其中TH 為二值化后圖像總像素點的閾值量TH，當總像素和小于TH時即表示此時處于背景模型狀態(tài)中，對ans 進行連續(xù)計數，如式（4）所示，當ans大于一定程度時，即表示此時的圖像長期不變可，此時可更新背景模型減小光照強度變化等對差分算法的影響，其中T為當前幀的像素圖 。

根據背景差分算法的，對圖像處理的流程進行細致分析，具體流程圖如圖4所示。

2.3形態(tài)學濾波

差分檢測之后，由于當前環(huán)境的光強的微弱變化和攝像機位置的微弱震動都會導致差分之后的圖像的噪聲出現，此時就需要對差分之后的圖像鏡像形態(tài)學。因此，為了去除一些噪聲，使用開運算，在MATLAB函數庫中，可直接用imopen進行開運算，先腐蝕后膨脹，可以去除隔離的噪點和小橋連接處等。設定形態(tài)學濾波元素為半徑為2像素的。開運算之后，使用bwareaopen刪除面積小于200的對象。

2.4實時運動物體檢測

形態(tài)學濾波后，程序流程進行到了多運動目標連通區(qū)域的識別，多運動目標連通區(qū)域的質心和面積的提取，當判斷為運動物體時，對最大面積的連通區(qū)域的質心在當前幀圖像上進行矩形框標記。讀取濾波后的圖像數據，利用regionprops函數進行連通區(qū)域處理。Regionprops是用來度量圖像區(qū)域屬性的函數，常用來統計被標記的區(qū)域的面積分布，顯示區(qū)域。利用max函數，取出最大面積的塊的面積參數和質心參數，判斷當前最大面積的塊的面積參數是否達到被檢測物體的閾值，記錄其質心，利用MATLAB中的矩形函數在預覽畫出以質心為中心的矩形框，并利用MATLAB的plot函數坐標軸中畫出此時被檢測運動物體的坐標位置。完成實時運動物體的檢測。

3實驗結果及分析

將一個圓形物體從畫面中以4cm/s，如圖6所示，在差分結果框中顯示了差分效果圖，由連通域面積分析法可知當前畫面包含運動物體，于是如圖5中所示，在preview中將物體的運動軌跡檢測并跟蹤，達到了實時運動物體檢測與跟蹤的要求。運動檢測查分效果圖如6所示。

為檢測系統的實時性，建立一個單擺模型幫助檢測，在攝像頭前放置一個自然下垂的圓形物體，讓其自然下垂于攝像頭前，通過控制單擺的起擺角度來控制運動物體的速度。觀察不同角度下的檢測與跟蹤效果。本文對30度時的情況進行檢測分析。

當角度為30度時，由于單擺的運動特性，即運動到最低點時速度最大，運動到最高點時速度最小，理論上左右兩邊的運動檢測點將比中線的運動檢測點多且密度較大。如圖7和圖8所示，由檢測效果圖可得，該系統對30度時的單擺檢測效果良好，清晰的檢測并跟蹤了運動物體的運動狀態(tài)和坐標。

4結論

本文針對目前廣泛的視頻運動物體檢測，提出了一種實時運動物體檢測與跟蹤的方法，不同對視頻的檢測分析，該方法從攝像頭初始幀中實時讀取當前攝像頭數據；利用回歸型背景算法實時更新背景；通過差分運算的結果進行連通域分析進而完成運動物體的檢測與跟蹤；從數據源中增加了運動物體檢測的實時性，達到了實時檢測并跟蹤的要求；同時設計了交互方便GUI界面，可對運動物體檢測與跟蹤的處理流程和其涉及的重要參數進行全方位展示，具有一定的適用價值。

參考文獻：

[1] 苑晶，劉鋼墩.激光與單目視覺融合的移動機器人運動目標跟蹤[J].控制理論與應用，2016（2）.

[2] 於正強，潘赟.一種結合幀差法和混合高斯的運動檢測算法[J].計算機應用與軟件，2015（4）.

[3] 劉曉悅，孟研.運動目標檢測與跟蹤算法的研究[J].河北聯合大學學報（自然科學版），2015（1）.

[4]陳鋼，李鴻燕.基于運動檢測的自適應降噪算法及的實現[J].上海工程技術大學學報，2015（6）.

[5] Jia Yubo，Xia Guanghu，Zhang Qian，et al.An Improved Apriori Algo-rithm Based on Association Analysis[C]//Proceedings of 2012 Third International Conference on Networking and Distributed Computing，2012： 208-211.

[6] KONDAXAKIS P， BALTZAKIS H， TRAHANIAS P. Learning moving objects in a multi-target tracking scenario for mobile robots that use laser range measurements [C] //Proceedings of IEEE/RSJ Inter-national Conference on Intelligent Robots and Systems. St. Louis， USA： IEEE， 2009： 1667–1672.

[7]張星明.視頻圖像捕獲及運動檢測技術的實現[J].計算機工程，2002（7）.

[8] Shi Jian bo，Carlo tomasi. Good features to track[C]//Proceedings of IEEE Conference on Computer Vision and Pattern Recognition （CVPR94），USA，1994： 593-600.

[9] 甘玲，趙華翔.一種改進的Vibe算法結合多特征融合的陰影移除方法[J].微電子學與計算機，2015（7）.

[10]李毅，孫正興.一種改進的幀差和背景減相結合的運動檢測方法[J].中國圖象圖形學報，2009（8）.

[11]劉曉悅，孟研.運動目標檢測與跟蹤算法的研究[J].河北聯合大學學報，2015（6）.

[12] 管飛，王榮.基于Horn-Schunck光流法的運動目標檢測的研究[J].儀表技術，2015（8）.