合肥工业大学
硕士学位论文
基于CamShift算法的足球机器人目标跟踪算法研究
姓名：陈彬
申请学位级别：硕士
专业：计算机应用技术
指导教师：王浩
20080601
第一章绪论
１．１课题研究背景
计算机视觉的研究目的是使用计算机代替人眼及大脑对周围景物及环境进行感知、解释和理解。计算机视觉起源于上世纪五十年代的统计模式识别，当时的工作主要集中在二维图像的分析和识别上。经过几十年的研究，计算机视觉无论是在理论还是应用上都有了很大的发展，尤其是上世纪七十年代末出现的视觉计算理论，该理论对明确计算机视觉的研究内容和处理方式，使其形成比较清晰的理论体系起了极大的推动作用。计算机视觉研究的一个重要方面就是运动目标的检测和跟踪，它融合了计算机图像处理、模式识别、人工智能及自动控制等诸多相关领域的知识，形成了一种能从图像序列中自动检测目标并提取位置信息，自动跟踪目标的技术。
自上个世纪九十年代以来，随着科学技术的发展，自主移动机器人作为当前机器人领域的一个新的分支，具有广泛的应用前景。而ＲｏｂｏＣｕｐ中型组机器人比赛又作为检验机器人技术的一种有效手段，成为当前的研究热点。而计算机视觉作为机器人感知周围环境的一项重要技术手段被越来越广泛地应用在中型组机器人中。
ＲｏｂｏＣｕｐ（国际人工智能协会组织的机器人世界杯）竞赛现分有仿真组比赛、小型机器人组比赛、中型机器人组比赛、Ｓｏｎｙ四腿机器人比赛（Ｓｏｎｙ公司发起）、类人机器人组比赛等，中型组比赛代表了该领域的较高水平。符合ＲｏｂｏＣｕｐ中型组比赛要求的自主移动机器人也叫做中型组机器人，自主移动机器人通常包括运动控制子系统、视觉处理子系统和智能决策子系统等几个子系统。视觉处理子系统集中包括了计算机视觉中的图像实时处理、目标识别、目标跟踪等多方面的内容，视觉处理子系统成为了自主机器人感知周围环境，获取目标运动情况的主要信息来源。本文主要叙述了我们在视觉子系统中对小球目标进行检测和跟踪处理方面的研究和进展。
１．２国内外研究现状
１．２．１运动目标检测方法
运动目标检测的方法依照目标与摄像头之间的关系可以分为静态背景下运动检测和动态背景下运动检测，静态背景下运动检测就是摄像头在整个监视过程中不发生移动，只有被监视目标在摄像头的视场内运动；动态背景下运动检测就是摄像头在整个监视过程中发生了移动（如平动、旋转或多自由度运动），被监视目标在摄像头的视场内也发生了运动，这个过程就产生了目标与摄像头之间复杂的相对运动。
静态背景下运动目标检测主要常用的三种方法是：连续帧间差分法Ⅲ（２帧或３帧）、背景差分法醴１和光流法∞１。光流法计算复杂，不适宜实时处理；连续帧间差分法是将连续两帧进行比较，从中提取出运动目标的信息，这种提取出运动目标的完整性较差，但对动态环境有较好的适应性；背景差分法能够较完整地提取目标点，但对场景的动态变化（如光照或外部条件引起的场景变化）较为敏感。
基于这三种常用方法，有多种改进方法。一种是将连续帧间差分和背景差分相结合的方法Ｈ１，取得了较好的效果，但还存在着目标轮廓检测的不完整性和目标相关点保留较少的问题。使用背景差分法的前提是预先知道背景，除了直接获取法外，获取背景的方法还有统计平均法，它是通过对连续的图像序列进行统计平均来获得背景图像的一种方法。此外为了更好的得到背景，Ｒ．Ｔ．Ｃｏｌｉｎ等提出了建立单高斯背景模型叩１（在一段较长时间内，对视频序列图像中的每一个像素点建立单高斯分布模型，计算这个像素点的平均亮度以及方差，那么就把由该平均亮度和方差组成的具有高斯分布的图像作为背景图像），Ｇｒｉｍｓｏｎ叩３等提出自适应混合高斯背景模型来获取更精确的背景描述用以目标检测。同时为了增加它的鲁棒性，降低环境变化造成的影响，要对背景进行更新，如基于统计平均法的递推更新、使用简单的自适应滤波器递归口１的背景模型更新（单高斯分布建立背景模型采用模型参数更新，自适应混合高斯背景模型对整个模型进行更新）等等。
动态背景下运动检测由于存在着目标与ＣＣＤ之间复杂的相对运动，所以算法也要比静态背景下运动目标检测算法复杂的多，常用的动态背景下运动检测算法是匹配块法阳】、光流估计法阳１、图像匹配法以及全局运动估计法ｎ们等方法。
对于静态背景下的目标检测，存在如下问题：
①随时间变化，同一物体受光照影响，静止物体的灰度值也会发生变化。如室外的太阳光，室内的日光灯都会影响到检测的精度。
②天气的变化也会产生影响，如下雨会使检测的结果充满噪声。
③在室外场景中，背景中包含动态目标干扰，如树枝等。这会导致像素值不断变化，可能为树叶，树枝，天空等不同的值，造成运动目标误判。
④当视场中有大面积的多种运动时，会发生目标重叠，无法检测到独立的运动目标。如停车场，车辆之间相互重叠，人与车辆叠加，很难分别检测出人和车辆。
⑤摄像头的晃动使得静态场景变化也会影响到检测结果。一个好的检测算法应该适用于各种环境变化，但是实际应用中不但要考虑到算法适用的环境范围，还要在算法的复杂度、可靠性，以及实时性方面进行权衡。
１．２．２运动目标跟踪方法
运动目标跟踪是确定同一物体在图像序列不同帧中位置的过程，当运动物
２．２直方图
直方图是一种统计结果，反映了图像中像素的分布特性，描述了图像的一些统计特征（均值、方差、互相关值等）。直方图的应用范围很广，比如可以利用直方图特征进行图像的分割（直方图双峰法）。其基本思想是：假定一幅图像中的背景是浅色的，其中一个目标是深色的，那么统计得到的这幅图像的灰度直方图中目标像素产生了直方图上的左峰，而背景中大量的灰度级产生了直方图上的右峰如图，
图２．２灰度直方图示意图
从直方图中可以看出，目标与背景的交界附近具有两个峰值之间灰度级的像素数目相对较少，从而产生了两峰之间的波谷，可以选取两波峰之间的波谷所对应的灰度级作为阈值，能合理的将目标与背景分离开来。
直方图的统计特征在检测算法的研究中也得到了利用，比如分别计算垂直方向和水平方向上的直方图，设置合适的阈值进行运动目标的检测和跟踪。
在本课题的跟踪算法的研究中，主要是依据这些直方图的统计特征对两幅图像的匹配程度进行判断，利用直方图作为特征的运动目标跟踪算法很多，如计算目标模板的颜色直方图，求其概率，将其反投影到原图，再利用下文提到的均值漂移（ＭｅａｎＳｈｉｆｔ）算法目标进行跟踪，颜色直方图反投影图利用直方图的统计特性能够比较鲁棒的实现目标跟踪，并对目标的平移、旋转、尺度变化、变形等因素造成的影响不敏感。
２．３图像二值化处理
运动目标的视频序列图像进行预处理后，要对图像进行二值化处理ｎ引，逐点检测判断背景与运动目标，这是基于像素级的检测。传统的二值化方法是先将彩色图像转为灰度图像，并设定固定的灰度阈值Ｔ，当某像素点灰度值小于阈值Ｔ时，将其判为背景像素，反之则判定为目标像素。见式（２．１），
ｆ：严ｃｋｇｒｏ材ｎｄ／（ｘ，力＜丁（２．１）
川
Ｉｆｏｒｇｒｏｕｎｄ。，≥、。
【。，ｙＪ２
阈值的大小是由经验值确定的，在不同的环境条件下，阈值不是固定的，