一種優(yōu)化的運(yùn)動(dòng)目標(biāo)檢測與跟蹤算法?

谷東亮 徐曉剛 金 鑫

（1.海軍大連艦艇學(xué)院研究生管理大隊(duì) 大連 116018）（2.海軍大連艦艇學(xué)院航海系 大連 116018）

一種優(yōu)化的運(yùn)動(dòng)目標(biāo)檢測與跟蹤算法?

谷東亮1徐曉剛2金 鑫3

（1.海軍大連艦艇學(xué)院研究生管理大隊(duì) 大連 116018）（2.海軍大連艦艇學(xué)院航海系 大連 116018）

在攝像頭固定不動(dòng)的情況下，為準(zhǔn)確對視頻序列中運(yùn)動(dòng)目標(biāo)的位置進(jìn)行跟蹤，提出一種優(yōu)化的運(yùn)動(dòng)目標(biāo)檢測與跟蹤算法。將中值濾波處理后的待檢測圖像和背景圖像做差得到背景差分圖像，對其進(jìn)行閾值分割與形態(tài)學(xué)處理提取出運(yùn)動(dòng)區(qū)域。確定運(yùn)動(dòng)目標(biāo)的位置后采用基于顏色特征的粒子濾波算法對目標(biāo)進(jìn)行跟蹤。實(shí)驗(yàn)結(jié)果表明，論文的運(yùn)動(dòng)目標(biāo)檢測與跟蹤算法可以穩(wěn)定、準(zhǔn)確地對運(yùn)動(dòng)目標(biāo)進(jìn)行檢測和跟蹤，具有一定的魯棒性。

背景差分；運(yùn)動(dòng)檢測；形態(tài)學(xué)處理；粒子濾波；目標(biāo)跟蹤

1 引言

運(yùn)動(dòng)目標(biāo)檢測與跟蹤的算法一直以來都是計(jì)算機(jī)視覺領(lǐng)域中的核心課題，也是智能視頻監(jiān)控系統(tǒng)中的關(guān)鍵技術(shù)［1］。它主要包含了人工智能模式識、模式識別、圖像處理等領(lǐng)域內(nèi)的成果，不但有著非常重要的實(shí)際意義，而且對計(jì)算機(jī)視覺其他領(lǐng)域都有著重要的推動(dòng)作用［2］。運(yùn)動(dòng)目標(biāo)檢測就是把感興趣的運(yùn)動(dòng)區(qū)域和不感興趣的背景區(qū)域區(qū)分開，最常用的方法有光流法、幀間差分法、背景差分法等［3～5］。

本文主要在攝像頭固定不動(dòng)的情況下進(jìn)行研究，采用背景差分的方法對運(yùn)動(dòng)目標(biāo)進(jìn)行檢測。這種方法不能很好地適應(yīng)光照變化明顯的環(huán)境，但是由于大多數(shù)環(huán)境相對比較穩(wěn)定且其計(jì)算量小，所以得到了十分廣泛的應(yīng)用［6］。運(yùn)動(dòng)目標(biāo)跟蹤不僅可以表示出目標(biāo)的運(yùn)動(dòng)狀態(tài)和運(yùn)動(dòng)軌跡，而且可以用在對運(yùn)動(dòng)進(jìn)行行為分析、檢測突發(fā)事件等方面［7～8］。本文采用的基于顏色特征的粒子濾波算法是通過找到一組隨機(jī)的樣本點(diǎn)（粒子）對目標(biāo)狀態(tài)的后驗(yàn)概率分布進(jìn)行大致地估計(jì)，并且顏色特征是目標(biāo)特征中十分重要的一種特征，其對于目標(biāo)的遮擋、旋轉(zhuǎn)等問題具有很好的魯棒性［9～10］。實(shí)驗(yàn)結(jié)果表明，本文的目標(biāo)檢測跟蹤算法可以穩(wěn)定、準(zhǔn)確地對運(yùn)動(dòng)目標(biāo)進(jìn)行檢測和跟蹤，且對較復(fù)雜的背景有很好的抑制作用。

2 基于背景差分的運(yùn)動(dòng)目標(biāo)檢測

本文的運(yùn)動(dòng)目標(biāo)檢測方法是通過當(dāng)前時(shí)刻的圖像與預(yù)先得到的背景圖像進(jìn)行相減實(shí)現(xiàn)運(yùn)動(dòng)目標(biāo)檢測的［11］。定義正整數(shù)n為視頻圖像序列中的總幀數(shù)，其基本思路如下：

Step1：圖像的預(yù)處理

通過獲取連續(xù)幾幀的圖像進(jìn)行灰度化處理，將這些灰度圖像相疊加，取其平均值并且進(jìn)行中值濾波處理得到背景圖像。再將視頻中當(dāng)前幀圖像進(jìn)行同樣的中值濾波處理后得到待檢測的當(dāng)前幀圖像。

Step2：差分運(yùn)算

將待檢測圖像與背景圖像進(jìn)行差分運(yùn)算，以此得到差分圖像，該過程可用如下公式來表示。

式中：k：代表圖像序列中某一幀圖像，且k∈{1 ，2，…n-1} ；Bk(x，y)：代表第 k幀背景圖像；Fk(x，y)：代表第 k 幀原始圖像；Dk(x，y)：代表Fk(x，y)與Bk(x，y)做差后得到的差分圖像。

Step3：閾值分割

對上述得到的差分圖像Dk(x，y)進(jìn)行閾值化分割。先選取一個(gè)合適的閾值T，若差分圖像Dk(x，y)中某個(gè)像素點(diǎn)的值大于選取的閾值T，則該像素點(diǎn)被歸于目標(biāo)區(qū)域，若該像素點(diǎn)的值小于選取的閾值T，則該點(diǎn)屬于背景區(qū)域。閾值分割后得到前景圖像Tk(x，y)，該過程可用如下公式表示［12］。

Step4：形態(tài)學(xué)處理

由于在目標(biāo)與預(yù)先得到的背景Bk(x，y)之間有灰度信息或部分顏色息相似和有噪聲干擾等情況下，得到的差分圖像Dk(x，y)通常會(huì)包含有許多孤立的小區(qū)域、孤立點(diǎn)和小孔洞等。本文使用5*5的圓盤形結(jié)構(gòu)對前景圖像Tk(x，y)進(jìn)行開運(yùn)算操作，有效地平滑了運(yùn)動(dòng)區(qū)域的邊緣，去除了無用的孤立點(diǎn)和孤立的小區(qū)域。

通過以上四步可以有效地提取出運(yùn)動(dòng)區(qū)域，為后續(xù)的運(yùn)動(dòng)目標(biāo)跟蹤提供了基礎(chǔ)。通過定位出運(yùn)動(dòng)目標(biāo)后對運(yùn)動(dòng)目標(biāo)進(jìn)行跟蹤。

3 基于顏色特征的粒子濾波跟蹤

粒子濾波主要是以重要性采樣為基礎(chǔ)，通過找到一組隨機(jī)的樣本點(diǎn)（粒子）對目標(biāo)狀態(tài)的后驗(yàn)概率分布進(jìn)行大致地估計(jì)。由于顏色特征是目標(biāo)特征中非常重要的一種特征，且其對于目標(biāo)的遮擋、旋轉(zhuǎn)等問題具有不變性，所以本文采取了基于顏色特征的粒子濾波算法對運(yùn)動(dòng)目標(biāo)進(jìn)行跟蹤，其基本思路如下：

Step1：初始化

讀取出圖像的數(shù)據(jù)，通過尋找最大運(yùn)動(dòng)區(qū)域的方法對運(yùn)動(dòng)目標(biāo)進(jìn)行定位，將第一幀圖像中檢測出的運(yùn)動(dòng)目標(biāo)作為目標(biāo)的模型，采用顏色概率直方圖的方法在RGB顏色空間中計(jì)算目標(biāo)模型的顏色分布，運(yùn)動(dòng)目標(biāo)區(qū)域內(nèi)的顏色概率直方圖的數(shù)學(xué)表達(dá)式可用如下公式表示：

式中：?(x)表示Delta函數(shù)；q(u)表示u分量的值，并且 q={q(u)，u=1，…，m}表示目標(biāo)的模型；g(xi)表示xi處像素的量化值；C表示一個(gè)常數(shù)；k(x)表示權(quán)重函數(shù)，即核函數(shù)，其定義形式如下式所示。

a：表示核函數(shù)k(x)窗的寬度；

引入k(x)這一函數(shù)的目的是賦予離目標(biāo)中心較近的像素一個(gè)比較大的權(quán)值，賦予離目標(biāo)中心較遠(yuǎn)的位置一個(gè)較小的權(quán)值。

Step2：更新粒子權(quán)值：

從第二幀開始在RGB顏色空間中采用和計(jì)算目標(biāo)模型相同的方法計(jì)算候選目標(biāo)的顏色分布，由目標(biāo)運(yùn)動(dòng)方程xt=Axt-1+Wt更新得到新的粒子集{i=1，2，…，N } 。為了衡量兩個(gè)區(qū)域顏色概率分布直方圖相似的程度，引入了Bhattacharyya距離的數(shù)學(xué)表達(dá)式：

式中：q ：q={q(u)，u=1，…，m}表示目標(biāo)模型的顏色概率分布；p()：表示第i個(gè)粒子對應(yīng)候選目標(biāo)中的顏色概率分布；ρi[q，p()]：表示 Bhattacha?ryya系數(shù)，可以用其衡量第i個(gè)粒子對應(yīng)的目標(biāo)和候選目標(biāo)之間的相似程度，可用如下公式來進(jìn)行計(jì)算：

求出Bhattacharyya距離di[q，p()]后，可以用其來衡量目標(biāo)模型與候選模型的相似程度。其值越大表明越相似，此時(shí)應(yīng)該賦予該粒子較大的權(quán)值；否則賦予該粒子較小的權(quán)值。求出Bhattacha?ryya距離后，可用如下公式計(jì)算顏色特征的觀測似然函數(shù)：

由這一公式可以看出，觀測似然函數(shù)越大則目標(biāo)模型和候選目標(biāo)顏色分布的相似程度越高，即候選目標(biāo)是真實(shí)目標(biāo)的概率也就越高。

得出觀測似然函數(shù)后，可用如下公式計(jì)算出每個(gè)粒子的權(quán)值：

最后，用下式對得到的粒子權(quán)值進(jìn)行歸一化處理，式中 ω?(ti)為歸一化后的粒子權(quán)值。

Step3：重采樣

采用下式計(jì)算有效粒子的數(shù)目Ne，如果有效粒子的數(shù)目小于預(yù)先設(shè)定的閾值則進(jìn)行重采樣，否則繼續(xù)執(zhí)行下一步。

Step4：估計(jì)目標(biāo)狀態(tài)

依據(jù)加權(quán)平均的方法采用下式對目標(biāo)的狀態(tài)進(jìn)行估計(jì)，畫出目標(biāo)的運(yùn)動(dòng)軌跡，然后繼續(xù)讀取下一幀圖像。

采用以上基于顏色的粒子濾波算法可以有效的對運(yùn)動(dòng)目標(biāo)進(jìn)行跟蹤，且具有一定的魯棒性。

4 實(shí)驗(yàn)結(jié)果

4.1 運(yùn)動(dòng)目標(biāo)檢測

本文選取視頻中的前五幀圖像來構(gòu)造背景圖像。首先將前五幀圖像轉(zhuǎn)換成灰度圖像并進(jìn)行中值濾波處理，求取這五幀圖像的平均值，得到背景圖像如下圖1所示。然后將從第六幀開始的每一幀圖像轉(zhuǎn)換成灰度圖像并進(jìn)行中值濾波處理得到處理后的待檢測圖像如下圖2所示，圖2為視頻序列中第六幀圖像處理后的結(jié)果。將其與預(yù)先得到的背景圖像做差，得到背景差分圖像。將閾值選取為256/5對背景差分圖像進(jìn)行閾值分割得到二值圖像，對二值圖像進(jìn)行形態(tài)學(xué)處理提取出完整的運(yùn)動(dòng)目標(biāo)區(qū)域如下圖3所示。

實(shí)驗(yàn)結(jié)果表明，本文的背景差分算法可以有效地檢測出運(yùn)動(dòng)目標(biāo)，并且可以較好地提取出運(yùn)動(dòng)區(qū)域，且對類似于海面的較復(fù)雜背景有一定的抑制作用。

4.2 運(yùn)動(dòng)目標(biāo)跟蹤

通過找最大運(yùn)動(dòng)區(qū)域的方法對視頻序列中第六幀圖像中的運(yùn)動(dòng)目標(biāo)進(jìn)行定位。選取長方形作為目標(biāo)模型，粒子數(shù)目N為100，粒子的初始化權(quán)值為1/N，在重采樣過程中有效粒子數(shù)目的門限值為2N/3。用長方形對跟蹤到的船只進(jìn)行標(biāo)記，將目標(biāo)中心點(diǎn)用折線連接，從第二十幀開始每隔150幀截取一次跟蹤結(jié)果，其結(jié)果如下圖4～6所示。

實(shí)驗(yàn)結(jié)果表明，本文采用的基于顏色特征的粒子濾波算法在旋轉(zhuǎn)、背景干擾等情況下均可以很好地對目標(biāo)進(jìn)行跟蹤。

5 結(jié)語

本文以一種優(yōu)化的背景差分算法檢測出運(yùn)動(dòng)目標(biāo)。通過找到最大運(yùn)動(dòng)區(qū)域的方法對運(yùn)動(dòng)目標(biāo)實(shí)現(xiàn)定位，并在此基礎(chǔ)上采用基于顏色特征的粒子濾波算法對運(yùn)動(dòng)目標(biāo)進(jìn)行跟蹤。本文進(jìn)行優(yōu)化后的運(yùn)動(dòng)目標(biāo)檢測與跟蹤算法在連續(xù)的320幀海面背景圖片上進(jìn)行了實(shí)驗(yàn)，在背景比較復(fù)雜、運(yùn)動(dòng)物體發(fā)生旋轉(zhuǎn)等情況下均能有效、穩(wěn)定地檢測出運(yùn)動(dòng)目標(biāo)并對運(yùn)動(dòng)目標(biāo)進(jìn)行跟蹤。實(shí)驗(yàn)結(jié)果表明，該算法具有一定的魯棒性。

［1］楊維斌.基于視頻圖像的運(yùn)動(dòng)目標(biāo)檢測與跟蹤算法研究［D］.重慶：重慶大學(xué)，2009.

［2］袁國武.智能視頻監(jiān)控中的運(yùn)動(dòng)目標(biāo)檢測和跟蹤算法研究［D］.昆明：云南大學(xué)，2012.

［3］劉潔.基于光流法的運(yùn)動(dòng)目標(biāo)檢測和跟蹤算法研究［D］.徐州：中國礦業(yè)大學(xué)，2015.

［4］胡敬舒.基于幀間差分的運(yùn)動(dòng)目標(biāo)檢測［D］.哈爾濱：哈爾濱工程大學(xué)，2013.

［5］張毅剛，曹陽，項(xiàng)學(xué)智.靜態(tài)背景差分運(yùn)動(dòng)目標(biāo)檢測研究［J］. 電子測量與儀器學(xué)報(bào)，2010（05）：494-499.

［6］汪沖，席志紅，肖春麗.基于背景差分的運(yùn)動(dòng)目標(biāo)檢測方法［J］. 應(yīng)用科技，2009（10）：16-18，30.

［7］張貝貝.視頻運(yùn)動(dòng)目標(biāo)跟蹤系統(tǒng)研究［D］.重慶：西南大學(xué)，2008.

［8］霍玲玲，楊瑩.運(yùn)動(dòng)目標(biāo)跟蹤算法綜述［J］.電子技術(shù)與軟件工程，2016（24）：162.

［9］韓云生，劉國棟.一種自適應(yīng)顏色特征的目標(biāo)識別與跟蹤法［J］.江南大學(xué)學(xué)報(bào)（自然科學(xué)版），2009（02）：164-168.

［10］張軍輝.粒子濾波跟蹤算法研究［D］.開封：河南大學(xué)，2009.

［11］陳毓晶.視頻圖像序列中運(yùn)動(dòng)目標(biāo)的檢測與跟蹤［D］.大連：大連理工大學(xué)，2009.

［12］李祥茹.基于視頻監(jiān)控的特定目標(biāo)識別研究［D］.南京：南京郵電大學(xué)，2012.

An Optimized Algorithm for Moving Object Detection and Tracking

GU Dongliang1XV Xiaogang2JIN Xin3
（1.Administrative Division for Postgraduates Dalian Naval Academy，Dalian 116018）（2.Department of Navigation，Dalian Naval Academy，Dalian 116018）

In order to accurately track the moving object in video sequences when the camera is fixed，this paper proposes an optimized algorithm for moving object detection and tracking.Subtract the background image from the image to be detected after the median filtering is applied to them，background difference image is obtained.By the way of carrying out threshold segmentation and morphological processing of background difference image，the moving region is extracted.After the location of moving object is de?termined，the particle filter algorithm based on color feature is used to track the object.The experimental results show that the mov?ing object detection and tracking algorithm proposed in this paper can detect and track the moving object accurately and stably，and it has a certain robustness.

background subtraction，motion detection，morphological processing，particle filter，object tracking

TP301.6

10.3969/j.issn.1672-9730.2017.11.010

Class Number TP301.6

2017年5月9日，

2017年6月28日

國家自然科學(xué)基金（編號：61471412；61273262）；遼寧省自然科學(xué)基金（編號：2015020086）；遼寧省博士啟動(dòng)基金（編號：201501029）。

谷東亮，男，碩士，研究方向：交通信息工程及控制。徐曉剛，男，博士，教授，研究方向：交通信息工程及控制。金鑫，男，博士，講師，研究方向：交通信息工程及控制。