一种多运动目标检测跟踪方法研究和实现.docVIP

一种多运动目标检测跟踪方法研究和实现 　　摘要：针对固定监控场景提出了一种运动目标检测与跟踪方案。在运动目标检测中，利用像素梯度及色度均值、方差分布建立并实时更新背景模型。在目标跟踪模块，引入卡尔曼滤波器预测目标参数，合并目标碎片，建立帧间目标匹配矩阵完成目标匹配。通过实际图像序列测试，算法能较好地实现运动目标跟踪，获得运动目标的轨迹，具有良好的实时性和适应环境变化的能力。 　　关键词： 背景模型；目标跟踪； 卡尔曼滤波；匹配矩阵 　　中图法分类号：TP391．41文献标识码：A 　　文章编号：1001－3695(2007)01-0199－04 　　 　　运动目标的检测、跟踪是智能视觉监控的重要课题，是各种后续高级处理，如目标分类、行为理解等的基础。近年来，它得到了日益广泛的研究，其难点在于： 　　①图像序列具有复杂性。光线、目标动态变化使得获取背景图像困难，背景的实时变化需要动态更新，而如何从视频帧中正确分割背景和检测运动物体（前景目标）是后续跟踪、识别处理的基础。 　　②跟踪过程中在物体暂时消失、相互遮挡时丢失目标信息，如何在这些复杂情况中跟踪目标、获得目标的运动轨迹。 　　已有的解决方法有：用多个摄像机构建系统来处理多个运动目标相互遮挡的问题[1]；用EM算法将被跟踪人体依据颜色信息建立跟踪[2]；基于区域的跟踪[3]、基于模型的跟踪[4]、基于活动轮廓的跟踪[5]等。为了提高跟踪实时性，降低算法复杂度，本文采用将运动目标符号化的方法[6]，即对检测出的目标用其外接矩形框标注，目标跟踪建立在矩形框层次上，从而提高了算法的实时性，改进了文献[7]中提出的通过建立帧间矩阵实现目标匹配的方法，将跟踪情况分为五种状态分别进行处理，并且引入Kalman滤波器实时预测目标外接矩形框参数，在目标暂时消失、相互遮挡等复杂情况下可恢复其运动信息。 　　 　　1检测运动目标?? 　　 　　目标检测流程如图1所示。?? 　　图1运动目标检测流程图 　　根据不包含目标的一段时间内的背景帧得到背景图像中每个像素的均值、方差参数，建立背景模型[8]：?? 　　 　　模型参数分别为R，G，B通道的均值和方差。 ?? 　　假设光线变化相对于物体运动为缓慢变化。背景模型中均值和方差用递归算法更新，并只用于非目标区域中，目标区域对应到背景模型中的区域其均值、方差参数不变。已知在t+1时刻的背景中某像素值z??t+1，则?? 　　 　　场景中由于光线变化引起阴影变化被视为目标区域，从而影响目标的正确检测。根据阴影区域在亮度上的变化大于色度，则任何亮度突变而色度无突变的情况都是由阴影引起的。像素色度计算如下：?? 　　 　　分割前景目标时，当背景色度与前景目标色度差别不大时，前景目标内会出现空洞或目标碎片，影响下一步的聚类分析。在这种情况下，不能基于零阶、像素级上检测目标，而需要结合一阶图像梯度信息得到较为准确的目标分割。?? 　　 　　本文采用基于色度、梯度建立背景模型检测目标，如像素的梯度或色度信息满足式(6)或式(7)，则像素标记为前景点。?? 　　背景减除后的图像采用3×3中值滤波器、形态学闭运算去噪声及连通像素区域标记法，得到目标个数及其外接矩形框参数；然后计算目标间中心点的欧式距离，若X,Y方向的距离均小于阈值T??d（实验中设T??d＝15），则目标合并；将得到的目标依次判断它的面积是否小于阈值T??area（实验中设T??area=20），如小于面积阈值则丢弃。通过目标检测，可得到目标的个数，及其外接矩形框的中心点、左上点坐标和长、宽。?? 　　目标检测结果如图2所示，视频序列中取a=2。图2(a)是视频序列中某帧图像；图2(b)是对图2（a)的检测结果，背景模型采用像素RGB值建立，无法消除阴影；图2（c)是对图2（a)的检测结果，背景模型采用像素的梯度、色度值建立，可有效消除阴影，从而分割出前景目标，如图2（d)所示。检测出的目标用不同颜色矩形框标注，基本上达到目标检测的要求。 　　图2目标检测 　　 　　2运动目标跟踪?? 　　 　　跟踪等价于在连续的图像帧间创建基于位置、速度、形状、纹理、色彩等有关特征的对应匹配问题。对于单个目标，可以通过获得目标在每一帧中的位置得到运动轨迹，即建立跟踪；但对于多个目标，情况较为复杂，在运动目标遮挡、暂时消失等情况下目标信息丢失使跟踪失败。?? 　　目标跟踪流程如图3所示。本文采用Kalman滤波器预测目标在下一帧中的参数，以此合并目标碎片，建立目标匹配，确定当前帧中的目标所属序列，从而得到运动轨迹，实现多运动目标跟踪。?? 　　 　　图 3多目标跟踪流程图 　　下面将分别阐述利用Kalman滤波器预测目标参数，根据预测参数聚类（进