视频监控中的运动目标检测与跟踪

科技风２０１６年３月上　科技前沿　

智能视频监控中运动目标跟踪技术论述　

王刚甘肃警察职业学院甘肃兰州７３００４６　

摘要：随着科学技术的迅速发展，视频监控技术也在不断的进步。在智能视频监控系统中最基本并且应用最广泛的技术就　

是目标的检测以及追踪技术。本文从运动目标检测的方法入手，针对智能视频监控中运动目标的检测以及跟踪技术进行详细的　

研究。　

关键词：运动目标检测；运动目标跟踪；背景差分　

运动目标跟踪与目标检测技术是监控领域中最为重要的　

问题以及关键的技术。计算机技术的发展既是挑战，也是一个　

机遇。在智能视频监控中，对运动目标进行跟踪已经应用在了　

工业生产、医药研究、交通监测，天文观测等诸多方面，这项技　

术需要建立在目标有效检测的基础之上，是在行为描述以及理　

解之前的技术。下面本文就将对智能视频监控中运动目标跟　

踪技术进行详细的介绍。　

１．目标跟踪技术基本介绍　

目标跟踪技术指的是对运动目标的位置以及形状、轮廓、　

颜色等基本特征进行一定了解之后再经过一些特殊的算法，通　

过与帧图像进行匹配之后，确定出观测目标的运动轨迹，通过　

这种方式实现运动目标的实时监控。在实际运用的过程中目　

标的遮掩、环境变化、景物等都会大大的对跟踪造成影响。而　

对目标跟踪技术的策略进行分类的话，可以分成３Ｄ方法以及　

２Ｄ方法。３Ｄ指的是在世界坐标系中完成对目标的追踪，而２Ｄ　

指的则是在图像平面内完成追踪。我们可以知道，在对目标进　

行追踪的这个过程中，采取合理的算法十分重要，因为它直接　

关系到了跟踪的准确性以及实时性等，虽然在经过人们的研究　

之后，发明了众多的跟踪算法。但是由于不同领域对运动目标　

跟踪的要求不同，因此还是要不同的场景采用不同的算法。下　

面，本文将对这些跟踪算法进行详细的介绍。　

２．基于均值偏移的跟踪算法研究　

均值偏移（Ｍｅａｎ—ｓｈｉｆｔ）是一个不断进行迭代的循环，通过　

不停的进行迭代寻找到跟踪目标的下一个位置。简单来说就　

视频序列中运动目标实时检测与跟踪方法研究　

蒋春营　

（西昌学院汽车与电子工程学院四川西昌６１５０１３）　

摘要：论文通过对蒙特卡洛粒子滤波算法进行改进，解决了跟踪过程中由于运动模型失效而引起的错误跟踪，估计ｇｌ标的运动趋势。实验结果表　

明，该算法能够实现复杂背景下的目标识别与跟踪，具有一定的现实意义与实用价值。　关键词：视频序列背景更新背景差分目标检测目标跟踪　

中图分类号：ＴＰ３９１．４１　文献标识码：Ａ　文章编号：１００７—９４１６（２０１１）０６—００７４—０２　

１、引言　

为适应部队的安全管理需求，实现对基地重要目标和要害　

部位以及关键试验要素、办公场所的有效监管，基地建立了视频　

监控管理系统。但是，目前普遍采用人工监控模式对视频信号进　

行监控管理，面对海量的视频监控信号，这种模式存在监控范围　

小、监控不及时、监控效率低等不足，大大影响了主动发现问　

题，及时处理问题的能力。因此，有必要在视频监控系统的后端　

建设运动目标实时检测和跟踪系统。　

视频序列中运动目标检测与跟踪方法流程如图１所示。运动　

目标检测就是实时的从视频序列中检测出运动目标，并将其提取　

出来。运动目标跟踪，就是在运动目标检测的基础上，利用目标　

有效特征，使用适当的跟踪算法，在序列图像中寻找与目标模板　

最相似的图像的位置，简单的说就是给目标定位。在实际应用　

中，运动目标检测与跟踪不仅可以提供目标的运动轨迹和准确定　

位目标，还可以为下一步的目标行为分析与理解提供可靠的数据　

来源。　

图１　

２、运动目标检测　

复杂背景下运动目标检测主要有四种常用的方法：光流法、　

帧间差分法、基于特征的方法和背景差法”－２】。其中背景差法具有　

速度快，检测准确等优点，但背景差法需要人工选择背景图像及　

阈值Ｔ，其普适性和实用性较差，因此论文借鉴背景差法目标检　测的思想，在背景差法的基础上提出一种基于自适应背景模型和　

动态阈值背景差算法的运动目标检测方法，对运动目标进行实时　

科协论坛 ・ 2007年第 7期 (下

技术与应用

法和国标法对过氧化值 (I2% 进行多次平行测定 , 结果见表

3, 由表中结果可以看出 , 本方法与国标法无显著差别。

表 3本方法与国标法比较 (n=5

6结论

采用可见分光光度法对油脂过氧化值进行测定 , 方法简 便 , 试剂用量少 , 污染小 , 精密度好 , 准确度高 , 适用于过氧化 值较低的油脂样品的测定。

样品编号

12345本方法 (I2% 0.03060.07150.1730.02910.0412国标法 (I2% 0.0318

0.0721

0.168

0.0304

0.0420

1引言

随着社会安全事件接连不断地发生 , 视频监控系统作为 一种安防的有效手段 ,

在许多方面得到了广泛的应用。然而 传统的数字视频监控系统仅仅提供了视频的捕获、存储、 分 发等简单的功能 , 对视频内容只能靠人来判断 , 不能主动提 供监测信息。智能视频监控则能通过自动地、 实时地分析所 监控场景的视频图像序列来发现场景中的活动目标 , 并识别 和跟踪目标 , 给出信息反馈以及不正常现象的警报等。 因此 , 从一个视频序列中检测动态目标是视频监控的首要的任务。 通常 , 背

景物体的特征应为一段时间固定不变的物体 , 运动 物体为移动或短暂出现的物体。

然而 , 在实际环境中 , 由于背 景图像 的 动 态 变 化 , 如 天 气 、

光 照 、 影 子 及 混 乱 干 扰 等 的 影 响 , 运动目标的检测成为一项相当困难的工作。

本文主要讨论分析了目前常见的几种检测运动目标的 技术的特点与不足 , 提出了基于颜色和纹理特征的运动目标 检测法。

2相关技术的分析

运动目标检测是指通过监控画面识别监控区域的图像 变化 , 从监控场景中将目标提取出来。目前运动目标检测通 常有背景相减法、 光流法、 时间差分法和不变矩特征检测法 几种方法。

工程技　ＳＣＩＥＮＣＥ＆ＴＥＣＨＮ０Ｌ００Ｙ　匪圆　种视频序列中运动目标的检测与跟踪方法①　申良　李中　（西安航空技术高等专科学校电气工程系　陕西西安　７１　００　７７）　摘要：运动目标的监控与测量在汽车导航和智能监控行业中得到大量应用。本文提出了基于统计背景模型和灰度质心模型的运动目标　检测和跟踪算法。在此方法中先建立背景的高斯模型，然后检测出场景中的运动目标，最后根据目标检测的结论，得到运动目标灰度质心　的计算结果，并在坐标系中记录位置，采用最小二秉法拟合实现了对运动目标的跟踪。相应的实验结果表明这种方法能有效检测和跟踪　运动目标。　关键词：背景模型　灰度质心　目标检测和目标跟踪　中图分类号：ＴＰ３９１．４　文献标识码：Ａ　文章编号：１　６　７　２—３７　９１（２０１０）０２（ｃ）一Ｏ０２５－－０１　本方法从视频序列图像中检测运动　目标并对其进行识别跟踪，有广泛的应　用前景。数字图像目标跟踪处理过程要完　成任务有：（１）确定目标存在区域；（２）分割　及识别目标；（３）确定目标点和运动轨迹。　运动检测方法较多，比如常见的背景差　分法，易于分割出运动目标，但对环境变　化如温度、光照等因素敏感。本文运用统　计背景模型方法分割运动物体。然后计算　运动目标灰度质心，最后在坐标系中记　录位置，运用最小二乘法拟合实现对运　动目标跟踪，可预测下一帧中可能出现　区域，充分利用检测结果，从而达到快速　跟踪运动目标的目的，有效解决摄像机　抖动、光线变化、运动缓慢等问题。　１基于统计背景模型的运动目标检测　运动目标检测关键是背景图像的描　述模型，背景建模是计算机视觉领域中　基本问题，国内外有多种数学模型应用　于描述背景，例如高斯分布＿３１。我们利用　统计学方法建立高斯分布模型，模型在　后续过程中将随每帧输入图像中场景变　化动态更新，然而场景中噪声影响会让　检测结果出现区域象素点被误测成运动　区域，可能出现目标内部漏检。周边物体　摇动能使该部分被误判为运动目标，要　消除上述影响，可用形态学方法对检测　结果处理，只留下待测目标运动区域以　提高精确度。　１．１高斯背景模型　摄像机采集到的图像序列初期背景变　化不大，所以对图像帧的每个象素点建立　高斯背景模型，使素点灰度值都认为服从　均值　和标准方差　的分布，每个象素点　高斯分布为独立。首先初始化背景获得图　像统计背景模型，此模型特点是计算量小，　便于实时处理。运动目标检测基本思想是：　设第ｔ帧图像中，象素点Ｐ的当前灰度值为　Ｙ　，若Ｙｐ‘　７　（　是概率阈值），那么该　点应判断为前景点，否则为背景点。如：　＝　一　ｔ，根据（　）　／　的取值设置检　测闽值，如下式：　＝｛　ｆ，（　）　／　＜　Ｄ　Ｐｒｗ　Ｐ　（１）　１．２背景模型更新　背景随着时间变化会发生光照的变　化，背景物体运动等相应变化。若一直使用　初始背景模型，长时后会有较大误差产生，　因此为了适应该变化，需要实时对背景模　型进行更新，即图像象素点分布参数更新，　采用如下自适应的更新模型（设０－　“为ｔ时　刻象素点Ｐ灰度值的方差；　为更新率，表　示更新的速度：　（　：“）　＝（１一　）・（　：）　＋　・（　）　（２）　这样保证了背景模型不断得到更新，　就可以与外界环境变化相一致。我们基本　上得到比较准确的二值化前景图像。运用　数学形态学算法后期处理，恢复之前的前　景区域　。　２质心轨迹跟踪　２．１计算质心　可用零、一阶矩计算Ｍ×Ｎ维数字二　值图像ｆ（ｉ，　）的目标灰度质心。根据惟一性　定理，若ｆ（ｉ，　）为分段连续，且在坐标平面　有限部分中存在非零值，那么各阶矩都存　在，并且矩序列ｍ　惟一被ｆ（ｉ，Ｊ）所确定　而ｍ　也惟一确定了ｆ（ｉ，Ｊ）。这就说明各　阶矩的存在性，我们得到含精确边缘的运　动区域后就可计算质心坐标。　２．２拟合质心轨迹　下面在坐标系中描绘出质心点，用最　小二乘法拟合出目标运动轨迹，再根据采　样间隔预测目标下个位置。目标在坐标系　中运动对应Ｘ、Ｙ坐标，跟踪过程中对Ｘ、Ｙ坐　标分别采用二次逼近公式预测下个位置的　准确坐标。　Ｌ（ｔ）＝ｂｏ＋６ｌｆ＋　ｆ　ｆ３）　ｔ是图像采集时间间隔，ｆ（ｔ　）（ｉ＝ｌ，２…　ｋ）是函数ｆ（ｔ）在Ｋ个顺序时刻的测量值，　ｌ　Ａ｝≠０。Ｃ腩是　ｍ（１，ｋ＝ｌ，２，３）的代数余　子式。　３实验分析　在ＡＭＤ２８００＋，１ＧＭ内存，Ｍａｔｌａｂ　６．５编　程环境中进行汽车检测实验，对帧间检测　时间是０．０３５ｓ，图像分辨率是３２０Ｘ２４０的　车辆运动序列流检测。计算运动目标灰度　质心坐标并描绘运动轨迹。因初始条件较　少，故初始时不进行下一点坐标预测，采样　次数越多，得到灰度质心点越多，经过校正　能迅速准确跟踪车辆。跟踪算法中输出的　车辆位置可对检测算法的结果修正，车辆　运动轨迹则更接近实际情况。　４结语　本文提出的是一种静止摄像机条件下　基于统计灰度质心模型和背景模型的运动　目标检测及跟踪算法。利用自适应统计背　景模型对序列流中运动目标检测，背景模　型参数随着场景变化自适应地进行更新。　实验证明：该方法能有效分割出场景中的　运动区域，实现目标运动轨迹实时跟踪。　参考文献　［１】Ｐａｒｋ　Ｄ　Ｋ，Ｙｏｏｎ　Ｈ　Ｓ，Ｗｏｎ　Ｃ　Ｓ．Ｆａｓｔ　ｏＮｅｃｔ　ｔｒａｃｋｉｎｇ　ｉｎ　ｄｉｇｉｔａｌ　ｖｉｄｅｏ．ＩＥＥＥ　Ｔｒａｎｓ　Ｃｏｎｓｕｍｅｄ　Ｅｌｅｃｔｒｏｎ，２０００，４６（３）：　７８５．　［２］Ａ　Ｌｉｐｔｏｎ　Ｈ　Ｆｕｊｉｙｏｓｈｉ　Ｍｏｖｉｎｇ　Ｔａｒｇｅｔ　Ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ａｎｄ　Ｔｒａｃｋｉｎｇ　ｆｒｏｍ　Ｒｅａｌ－　Ｔｉｍｅ　Ｖｉｄｅｏ［Ｃ】．ＩＥＥＥ　Ｐｒｏｃ．Ｏｎ　ＷＡＣＶ，　ｌ９９８．　［３】Ｗｒｅｎ　Ｃ　Ｒ．Ｒｅａｌ－ｔｉｍｅ　ｔｒａｃｋｉｎｇ　ｏｆ　ｔｈｅ　ｈｕｍａｎ　ｂｏｄｙ．ＩＥＥＥ　Ｔｒａｎｓ　Ｐａｔｔｅｒｎ　Ａｎａｌ　Ｍａｃｈ　Ｉｎｔｅｌｌ，１９９８，１９（７）：７８０　［４】章毓晋．图像处理和分析［Ｍ】．清华大学　出版社．　①作者简介：申良（１９８ｌ一）：男，陕西西安人，毕业于西安邮电学院，西安交通大学在读研究生，主要从事电子信息工程及应用电子技术　领域的教学、应用及研究工作。　科技资讯ＳＣＩＥＮＣＥ＆ＴＥＣＨＮＯＬＯＧＹ　ＩＮＦＯＲＭＡＴＩＯＮ