下载文档原格式
多摄像机视频监控中运动目标检测与跟踪多摄像机视频监控中运动目标检测与跟踪近年来，随着安防技术和计算机视觉的发展，多摄像机视频监控系统在各个领域得到了广泛应用。
多摄像机视频监控系统采用多个摄像机同时监测同一个区域，可以提高监控的全面性和准确性。
然而，在这种系统中，大量的视频数据使得人工分析和处理变得困难和耗时。
因此，如何有效地进行运动目标检测与跟踪成为了研究的热点之一。
多摄像机视频监控系统中的运动目标检测与跟踪涉及到多个步骤，包括背景建模、目标检测、目标特征提取、目标跟踪等。
在背景建模阶段，需要通过对摄像机采集到的视频序列进行分析，提取场景的静态背景信息。
常用的背景建模方法有基于帧差法和基于聚类法等。
帧差法通过计算相邻两帧像素差异来得到目标的前景区域，而聚类法则通过对像素进行聚类来判断是否为目标。
这些方法可以较好地适应场景变化并获取较为准确的背景信息。
接下来，目标检测是通过将前景区域与背景进行对比来得到运动目标的方法。
常用的目标检测算法有基于混合高斯模型和基于自适应阈值的方法。
这些方法可以对目标进行初步的检测和分割。
然后，在目标特征提取阶段，需要从检测到的目标中提取出有用的特征。
例如，颜色、纹理、形状等特征可以用于目标识别和分类。
最后，在目标跟踪阶段，需要通过将目标的位置和运动轨迹进行精确计算和预测，从而进行目标的跟踪和定位。
在多摄像机视频监控中，由于摄像机的数量增加，场景复杂程度提高，造成了更大的挑战。
首先，摄像机之间存在视角差异，导致目标在不同摄像机视野中的外观和尺度变化。
为了解决这个问题，可以通过利用摄像机之间的几何关系来进行目标的位置和尺度的校正。
其次，多摄像机视频监控系统中的目标通常是多个摄像机录制的视频中的同一个目标。
因此，目标的跟踪需要在多个摄像机之间进行协同。
为了解决这个问题，可以通过利用目标的外观和运动信息来进行目标的匹配和关联。
最后，多摄像机视频监控系统需要将多个摄像机的视频数据进行融合和整合。
复杂背景下人体轮廓提取
论文的主要内容、理论意义和应用价值:
利用高斯混合模型对背景进行建模，采用背景减法获得前景物体，达到对存在渐变光照、缓慢周期性运动物体（如随风摆动的树叶）等条件下的鲁棒性的人体轮廓提取。
提出、采用基于混合高斯模型与三帧差分的运动目标检测改进算法，使用背景差分法检测运动目标，考虑解决被检测运动目标及其阴影部分的区分。
应用OpenCV及Visual C++实现。
本设计可以应用于多种场合及设备，如相机自动对焦、监控设备识别人体等，可以大幅度减少人力支出及成本，具有实际的应用价值。
前期准备：
复习大二已学习过的C语言相关知识，利用寒假期间学习了周民刚学章推荐的《21天掌握C++》教材，对C++有了一定的了解掌握，熟悉Visual Studio C++编程环境，编写了一则图片调取的小程序，实际了解C++的编程结构与应用方法。
搜索相关论文材料，对前人完成过的论文、书籍进行阅读分析，把握本设计需要考虑的各项问题与解决方法，以便之后自己完成时有一个相对明确的思路。
列写论文提纲，对要解决的问题进行列举，同时构思大体写作思路，以下是提纲摘要：
1、论文摘要、关键词
2、译文
3、引言，包括在实现设计目标时可以采用的各种方法，并对其进行比较，确定一种具有良好
操作性的方法，论证其可行性与实现方法。
4、参考相关书籍，对设计要求的高斯混合模型进行相关介绍，介绍实现人体轮廓提取时需要
采用的方法。
5、介绍OPENCV相关知识，编写相关程序。
6、介绍需要采用的检测方法。
7、相关实验数据、结论。
8、参考资料。
论文写作计划。
改进混合高斯模型的运动目标检测算法华媛蕾;刘万军【摘要】针对传统的混合高斯模型存在无法完整检测运动目标、易将背景显露区检测为前景等问题,提出了一种基于混合高斯模型的运动目标检测的改进算法.通过将混合高斯模型与改进帧差法进行融合,快速区分出背景显露区和运动目标区,从而提取出完整的运动目标.在运动目标由静止缓慢转为运动的情况下,为背景显露区给予较大背景更新速率,消除了背景显露区对运动目标检测的影响.在兼顾混合高斯模型在复杂场景中对噪声处理效果差的基础上,利用背景模型替换的方法来提高算法的稳定性.经过反复实验,结果表明改进后的算法在自适应性、正确率、实时性、实用性等方面有了很大的改进,能够在各种复杂因素存在的情况下正确有效地对运动目标进行检测.【期刊名称】《计算机应用》【年(卷),期】2014(034)002【总页数】5页(P580-584)【关键词】混合高斯模型;运动目标检测;帧差法;背景显露区;背景更新速率【作者】华媛蕾;刘万军【作者单位】辽宁工程技术大学软件学院,辽宁葫芦岛125105;辽宁工程技术大学软件学院,辽宁葫芦岛125105【正文语种】中文【中图分类】TP391随着社会经济的发展和城市化进程的加快，日益增长的交通容量的需求已经对现有的交通能力及管理设备造成了巨大压力。
基于视频的车流量检测系统是智能交通系统的重要环节，运动目标检测与提取成为了基本的热点问题。
随着计算机技术和图像处理技术的发展，基于视频采集和监控的智能交通系统会得到更大的发展，成为未来的发展方向。
对这方面的研究也将具有更大的价值[1]。
运动目标检测是从视频序列中检测和识别出运动目标的关键技术。
目前常用的基于视频的运动目标检测方法有光流法[2]、背景差法[3-6]、帧差法[7]以及统计模型法[8-9]等。
目前，最常用的、研究最多的方法是基于统计模型的目标检测方法。
本文以混合高斯模型为基础进行研究。
混合高斯背景模型最早由文献[10]提出，很好地描述了复杂的背景，在视频监控领域发挥了很大的优势；文献[11]提出了混合高斯背景模型与三帧差法结合的运动目标检测方法，并通过面积法对检测结果进行分析；文献[12]通过在颜色和空间上对像素点进行建模，使混合高斯背景模型的自适应性有了明显的改善，降低了环境的干扰；文献[13]通过为每个像素引入参考量来提高背景模型的自适应性。
基于改进混合高斯模型的运动目标检测作者：黄会敏杨松林陈燚玲来源：《数字化用户》2013年第20期【摘要】背景建模是运动目标图像检测算法中的一项技术，本文对背景建模中的经典混合高斯算法进行了学习研究，针对混合高斯模型在复杂场景中的适应性问题，本文提出了一种改进的混合高斯背景模型。
该模型通过建立一种自适应的参数更新方法，使得混合高斯的参数更新能够随着环境的变化自适应调整，从而提高算法的适应能力。
最后，通过编程仿真，验证了算法的有效性。
【关键词】背景建模混合高斯模型更新方程【Abstract】Background modeling is a technology of the moving target image detecting algorithm，and in this paper，the authors made research to the Classical Gaussian Mixture algorithm in Background modeling. As for the adaptability of Gaussian Mixture Model in complex scene， an improved Gaussian Mixture Model is put forward in this paper. The new model makes the parameters of the Gaussian Mixture updated with change of the environment adaptively by establishing an adaptive parameter updating method， thus， improving the adaptability of the algorithm. Finally，verif the effectiveness of the algorithm through the programming simulation.【Keywords】Background Modeling； Gaussian Mixture Model； Update Equation一、引言随着科技的进步智能视频监控被越来越多的被应用到交通、高危险区域工作区、敏感水域、军事区域、工厂重点保护区和金融等领域，其中运动目标检测技术是其中一个重要研究方向。
基于改进的混合高斯模型背景减除算法王占凤;郭星;徐秋月【摘要】背景减除法常采用混合高斯模型作为背景模型来进行目标检测,它可以自适应学习并表示分布复杂的背景.混合高斯模型在光线变化缓慢的情况下表现很好,但是在光线快速变化的情况下,由于高斯背景无快速更新机制,无法应对光线迅速变化的情况.通过对混合高斯模型进行优化,提出了一种改进的混合高斯模型检测算法,并通过实验证明了新算法明显提高了运动目标检测的准确度.【期刊名称】《河南工程学院学报（自然科学版）》【年(卷),期】2013(025)003【总页数】4页(P65-68)【关键词】混合高斯模型;背景减除法;运动目标检测【作者】王占凤;郭星;徐秋月【作者单位】巢湖学院计算机与信息工程学院,安徽巢湖238000;安徽大学计算机科学与技术学院,安徽合肥230031;巢湖学院计算机与信息工程学院,安徽巢湖238000【正文语种】中文【中图分类】TP39目前，国内外学者对图像中运动目标检测的研究很多，常用的方法有背景减除法[1]、帧间差分法[2]和光流法[3]等.前两种方法均采用当前图像与参考的差分图像进行差分运算来进行运动物体的检测，区别在于背景减除法中所采用的参考图像为视场中的背景图像，而帧间差分法所采用的参考图像通常为前几帧图像的平均值，这两种方法简单且实时性强.光流法需要进行若干次的迭代运算，所以时间复杂度比较高、耗时长.因此，人机交互这种实时性比较高的系统通常采用前两种方法.在背景较复杂的情况下，获取背景图像比较困难，在更新背景的自适应模型中Friedman与Russell[4]利用扩展的EM[5]算法，对图像中每个像素建立对应的混合高斯模型，该模型可以根据背景图像的变化自动更新，自适应地判别每个像素是背景还是前景.即使在目标运动速度比较缓慢的情况下，也能将运动目标从图像中提取出来，并且可以有效地消除阴影带来的影响.另外，Stringa[6]也提出了一种基于数学形态学的场景变化检测算法，在复杂的环境中取得了比较好的目标分割效果.1 混合高斯模型1.1 背景减除法背景减除法是物体检测中使用最为普遍的一类方法.一副图像信息可以分为前景信息和后景信息，前景信息就是需要识别检测的物体信息，这里指人体信息；背景信息就是除去前景信息后留下来的无关信息.背景减除法就是通过建立的背景模型来为每幅图像进行背景定位，然后使用差分法将前景图像从图像信息中提取出来的过程.这种方法的核心在于背景模型的选取，其速度快，能够提取较为完整的物体信息，但是对外来的噪声比较敏感[7].用背景减除法检测运动目标非常有效，基本上能够将运动目标的大小、位置和形状等信息提取出来，并且算法简单、复杂度低.但是，该方法对环境变化特别敏感，光线变化、灯照不稳定以及复杂的背景动态变化和运动目标自身由于光照产生的影子等都会造成错误背景的产生，导致检测目标不准确，所以建立有效、可靠的背景模型成为该方法的主要研究工作.1.2 高斯分布背景模型背景减除法中经常使用混合高斯模型作为背景模型进行目标检测，它可以自适应学习和表示分布复杂的背景.基于混合高斯模型的目标检测核心在于高斯模型参数的确定.(1)单高斯分布背景模型单高斯分布背景就是为背景图像中每个像素点建立一个高斯分布表示的模型η(x,μt,∑t)，其中t表示时间.设像素点的当前灰度值为Xt，若η(xt,μt,∑t)≤Tp，则该点被判定为前景点，否则为背景点，这里的Tp为概率阈值.但随着时间的推移，高斯分布模型需要根据当前帧对背景进行更新.假设更新率为α，则该像素点更新可表示为μt+1=(1-α)·μt+α·Xt，(1)(2)如果更新率为1，则背景模型方法退化为帧间差分方法.(2)多高斯分布背景模型高斯模型就是以时间域为标线，对每个元素都使用k个高斯分布模型去描述它某段时间内的k个历史取值.如果k=1，那么就是单一高斯模型，而k>1就是混合高斯模型.可以这样去描述它——对于某个像素P(x0，y0)，它在某时间段t内的取值集合为{X1，X2，…，Xt}，从中选取k个历史值使用高斯分布模型描述并记录下来，这样就可以得到当前像素值的概率(3)其中，Wk，j表示k个历史值所占的比重，并且有权值之和表示该时刻第j个高斯模型分布的均值，而∑k，j是该高斯模型分布的协方差.这里的高斯分布模型的数量也就是k的值不是固定的，一般视情况在3～5中选取.η是高斯概率密度函数，(4)这里，n表示元素值Xt的维度数.因为对每个元素都建立了k个高斯分布模型用作背景模型，在实际使用中，会选择一些包含背景信息较多的b个高斯分布模型作为背景模型.通常将k个高斯分布模型的权值与方差的比值w/σ按照降序进行排序，选前b个分布作为背景模型，并且满足公式(5)其中，T为阈值，表示B背景模型在k个高斯分布模型中所占的比例大小.如果T 取值较大，那么背景模型个数较多，选取的背景模型则比较全面；如果T取值较小，那么背景模型个数较少，选取的背景模型则比较片面.多高斯分布背景模型的更新需要更新自身参数，还要更新各分布模型的权值.若当前没有匹配的高斯分布，则将权值最小的删除，根据当前的像素点建立一个新的高斯分布，然后将所有的高斯分布重新分配权值，归一化处理.若第m个高斯分布与Xt匹配，则对第i个高斯分布的权值更新如下：其中，β是更新率.更新完毕后，再重新将k个高斯分布进行权值计算、排序，选择b个分布作为背景模型.2 改进的混合高斯模型检测算法混合高斯模型在光线变化缓慢的情况下表现很好，但是在光线快速变化的情况下，由于高斯背景更新率较低，则没有一个快速更新机制以应对光线迅速变换的情况，故本研究设计了一个快速背景更新机制以适应光线突变的情况，具体算法如下：(1)依照传统的高斯背景为每个像素建立高斯背景模型.(2)进行前景提取，并同时统计前景像素个数Spre，计算前景像素个数占总像素个数的比例r=Spre/Sall.(3)若r大于设置的阈值，则表示光线变化很大，应及时更新背景模型并以帧间差分方法进行前景检测.与此同时，进行新的高斯背景建模，建立完毕，就以高斯背景建模的方法进行前景检测.3 实验结果与分析本实验主要验证高斯背景物体检测方法的有效性和改进的高斯背景方法对光线突变情况下的有效性以及阴影去除的结果.本实验使用的检测平台是Windows 7，其实验环境是Visual 2010，实验结果见图1、图2和图3.由图1可以看出，高斯背景的物体检测基本可以满足要求，但是人体旁边的阴影也同样被检测出来了，从原图可以看出阴影部分.图2是在门突然打开的情况下的检测结果，可以看出门的地方长期处于检测状态下，而实际上该部分并不是运动物体，从而造成误识别.图3采用改进的方法进行检测，可以看出，有效地去除了门打开后由于光线变化造成的固定背景改变而误检测出的物体，可以看出快速更新时候检测上帧与当前重合部分没有检测出来.通过实验证明，经过改进的混合高斯模型检测算法可以更加有效地进行运动物体的检测.图1 正常的高斯背景物体检测结果Fig.1 Detection result of Gaussian background object on the normal condition图2 光线突然变化情况下高斯背景检测结果Fig.2 Detection result of Gaussian background object on the condition of abrupt light change图3 光线突然变化情况下改进的算法检测结果Fig.3 Detection result of improvedalgorithmin this paper on the condition of abrupt light change 4 总结根据运动目标检测的背景减除法以及算法中的混合高斯模型，提出了基于改进的混合高斯模型检测算法，并通过实验证明了改进的算法在光线突然变化的情况下能提高对运动目标检测的准确度.【相关文献】[1] Mittal A,Paragios N.Motion-based background subtraction using adaptive kernel density estimation[C]∥Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition.Colorado:Springs,2004:1335-1339.[2] Foresti G.Object recognition and tracking for remote video surveillance [J].IEEE Transactions on Circuits and Systems for Video Technology,1999,9(7):1045-1062.[3] Verri A,Uras S,DeMicheli E.Motion Segmentation from optical flow [C]∥Proceedings of the 5th Alvey Vision Conference.Brighton:Brighton University Press,1989:345-359.[4] Friedman N,Russell S.Image segmentation in video sequences: a probabilistic approach[C]∥Proceedings of the Thirteenth Conference on Uncertainty in Artificial Intelligence.Providence:Brown University,1997:264-269.[5] McLachlan G,Krishnan T.The EM algorithm and extensions [M].New York:Wiley,1997.[6] Stringa E.Morphological change detection algorithms for surveillance applications[C]∥Proceedings of British Machine Vision C onference.Brighton:Brighton University Press,2000:536-552.[7] Harville M,Gordon G,Woodfill J.Foreground segmentation using adaptive mixture models in color and depth[C]∥Proceedings of IEEE EventsWorkshop.Vancouver:Janeiro,2001:436-441.。
