運動目標的監(jiān)測與跟蹤

1、運動目標的監(jiān)測與跟蹤（曾輝華南理工大學自動化學院學號：200720111097）摘要:對所要求的場景提出了一種檢測運動物體跟蹤運動物體的方法。用背景差分得到運動人體的區(qū)域通過卡爾曼濾波對人體進行跟蹤，并給出實例關鍵詞:運動檢測運動跟蹤卡爾曼濾波1概論概論視頻圖像分析主要是對運動圖像序列進行分析處理，它通常涉及到運動檢測、目標分類、目標跟蹤及行為理解與描述幾個過程。其中，運動目標檢測與跟蹤處于整個視覺監(jiān)視系統(tǒng)的最底層，是視頻圖像分析中最基

2、本的方法，是各種后續(xù)高級處理如目標分類、行為理解等的基礎。視頻圖像指動態(tài)圖像(movingimage)，可以認為是隨時間變化的靜態(tài)圖像序列(StillframeimagepictureSequence)。在靜態(tài)圖像中，信息密度隨空間分布，且相對于時間為常量而動態(tài)圖像的空間信息密度特征隨時間分布。所以，在視頻圖像的目標識別中，既有靜態(tài)圖像處理的特點，可以借用靜態(tài)圖像處理的一些方法同時還有動態(tài)圖像自身的特點，即動態(tài)圖像連續(xù)幀之間的相關性。根

3、據(jù)視頻圖像中攝像機和場景之間是否運動將物體的運動劃分為四種模式:1攝像機靜止一目標靜止，這實際上就是靜態(tài)場景，對其處理方法就是靜態(tài)圖像中的處理方法。2.攝像機靜止一目標運動，這是一類非常重要的動態(tài)場景，對其處理一般包括運動目標檢測、目標特性估計等，主要用于預警、監(jiān)視、目標跟蹤等場合。3.攝像機運動一目標靜止，這主要用于機器人視覺導航、電子地圖的自動生成以及三維場景理解等。4.攝像機運動一目標運動，這是運動物體的檢測和跟蹤最復雜的一種情況

4、，但也是最普通的情況，目前關于這方面的研究還較少，理論還不夠成熟。本試驗中采用的物體運動模式為攝像機靜止一目標運動模式[1]一個運動物體跟蹤系統(tǒng)的基本過程如下：1.在圖像序列中檢測出運動物體及運動區(qū)域2.對檢測到的運動物體提取特征建立目標匹配模板3.計算目標的形心4.預測目標在下一時刻可能運動到的位置，確定目標在下一時刻的搜索范圍5.在預測的搜索范圍內(nèi)，用前一時刻的模板進行匹配搜索，尋找最佳匹配位置，當在預測范圍內(nèi)未找到目標時需進行例外

5、處理。[2]2運動物體的檢測方法運動物體的檢測方法運動目標的檢測是一個重要、困難的研究課題，它除了能將運動分量和背景分量分割開，還能用檢測出的運動塊為以后的識別、分類以及行為分析提供感興趣的區(qū)域。從分割的角度來看，運動物體檢測被認為是視頻對象的空間域分割。具體說來是指把序列圖像中獨立運動的區(qū)域逐幀檢測分割出來。換言之，所謂運動物體檢測，就是當場景中有新物體進入或者場景中有物體移動時，通過檢測算法得知有物體出現(xiàn)，而分割則是把進入場景的物體

6、從背景圖像中分割出來。[4]目前，對運動物體的檢測和運動參數(shù)測量的研究方法主要有人工神經(jīng)網(wǎng)絡方法和圖像處理方法。本文研究運用圖像處理的方法進行運動物體的檢測。該方法大體上可以分為四輸出的灰度圖像的對應像素的值為0.299R0.587G十0.114B運動檢測的目的是在圖像序列中將前景運動區(qū)域從背景圖像中提取出來。運動檢測是運動物體分類、跟蹤和行為理解的基礎，該階段處理結果的質量直接影響到以后處理的效果，所以運動檢測在人體運動分析中的作用非

7、常重要。然而，由于背景圖像的動態(tài)變化，如天氣、光照、影子及混亂干擾等的影響，使得運動檢測成為一項相當困難的工作。[1]本實驗中進行對象檢測所使用的是背景相減(baekgroundsubtraetion)的方法，是目前運動分割中最常用的一種方法，它是利用當前圖像與背景圖像的差分來檢測運動區(qū)域的一種技術，其主要工作過程如圖所示:首先利用公式(1一1)計算背景圖像與當前圖像的差，然后對差分圖像進行二值化，并對二值化后的圖像進行連通性分析，當某

8、一連通區(qū)域的面積(像素數(shù))大于一定的閾值，則認為檢測到目標出現(xiàn)，并且認為這個連通的區(qū)域就為提取出的目標圖像。圖2基于背景相減的運動檢測算法流程圖（21）????1()kkkDxyfxybxy???（22）??????01kkkbackgroundwhenDxythresholdRxyfegroundwhenDxythreshold????????該方法一般能夠提供最完全的特征數(shù)據(jù)，但對于動態(tài)場景的變化，如光照和外來無關事件的干擾等特別敏

9、感。最簡單的背景模型是時間平均圖像，大部分研究人員目前都致力于開發(fā)不同的背景模型，以期減少動態(tài)場景變化對于動態(tài)分割的影響。例如，Haritaoglu等利用最小、最大強度值和最大時間差分值為場景中每個像素進行統(tǒng)計建模，并且進行周期性的背景更新McKenna等利用像素色彩和梯度信息相結合的自適應背景模型來解決影子和不可靠色彩線索對于分割的影響Karmann與Brt、Kilger采用基于卡爾曼濾波(Kalmanfiltering)的自適應背景

10、模型以適應天氣和光照的時間變化Stauffer與Grimson利用自適應的混合高斯背景模型(即對每個像素利用混合高斯分布建模)，并且利用在線估計來更新模型，從而可靠地處理了光照變化、背景混亂運動的干擾等的影響。[2]此外還有以下其他方法：時間差分方法(tempaldifference)。時間差分是在連續(xù)的圖像序列中兩個或三個相鄰幀之間采用基于像素的時間差分并且閾值化來提取圖像中的運動區(qū)域，其基本過程如圖3所示。首先，利用公式（13）計算