视频监控中运动物体的检测与跟踪

基金项目： 安徽省高技术产业化项目 （Anhui Province High-Tech Industrialization Project） 。 作者简介： 郑丹 （1983-） ， 男， 硕士研究生， 主要研究方向： 数字图像处理； 徐佩霞 （1941-） ， 女， 教授， 博士生导师， 主要研究方向： 多媒体信号处理； 何佳 （1976-） ， 男， 博士， 主要研究方向： 视频编码与传输。 收稿日期： 2009-03-16 修回日期： 2009-05-11
s ï init sp init sp init sp mean sp mean
4
背景更新模型
随着时间的推移， 背景必然会发生一些变化， 比如白天到
算法流程图如图 1。
序列 ainit 帧数 N 求平均值 a mean 求 ainit 和 a mean Sobel 处理,并分块
s s 对 ainit 和 a mean 对应块中 点数处理， 得到 b(i)
sp sp
如果两者的最小差值小于门限 T pt ， 则认为序列中此帧的小块 与真实背景最为接近， 就可作为背景帧的小块 b (i ) ， 反之， 则 认为此帧中小块和背景相差较大， 直接用平均结果作为 b (i ) ， 从而得到背景的组合结果。最终组合得到的背景结果大多是 从实际的视频序列的帧分块组合而来， 克服了平均法重建的 背景图像模糊的缺点， 鲁棒性好， 计算简单， 有利于后续处
缺点。然后用减背景方法检测运动物体， 并利用数学形态学方法对得到原始前景点作处理， 填补了运动物体内部的空洞， 减少了 噪声点， 改善了检测性能。为适应背景的变化， 对背景进行自适应更新， 并且通过对 Meanshift 算法的改进提高了跟踪的准确 性。实验结果表明， 算法在有效检测到运动物体的同时能够快速准确地跟踪运动物体。 关键词： 背景重建； 运动检测； 均值偏移； 运动物体跟踪 DOI： 10.3778/j.issn.1002-8331.2010.31.053 文章编号： 1002-8331 （2010） 31-0192-04 文献标识码： Ａ 中图分类号： TP301.6
a
s init
s 应块 a mean (i ) 的 Sobel 边缘检测点个数比较。对图像序列而
言， 如果场景中存在物体， 则检测得到的边缘点个数较多， 反 之， 则边缘点个数较少。平均法得到的背景图像虽然模糊， 但 是用 Sobel 边缘检测得到的个数不多， 可以近似看成没有运动 物体。因此利用此特性， 将 ainit (i j ) 和块 a mean (i ) 中点数比较，
二者的差值小于门限 T pt ， 则将背景中的小块 b (i ) 设为 a
s 否则设为 a mean (i ) 。 s ainit (i j') = arg min |ainit (i j ) - a mean (i )| sp sp j
s init
( i j' ) ，
（1） （2）
ìa (i j') |a (i j') - a (i )| < T pt b (i ) = í s ïa î mean (i ) |a (i j') - a (i )| ³ T pt （5） 最后将得到的 b (i ) 组成一幅完整的背景图 b 。
ì255 |I t ( x ) - B t ( x )| ³ T ft ( x ) = í （3） î0 |I t ( x ) - B t ( x )| < T 其中 T 为判别门限， 一般取 5～15 之间。 ft ( x ) = 255 的点看成
统计每个小块中的边缘点个数。其中 i 为每帧的小块序号， i = 1 2 ...éhù* éw ù ，j 为视频序列的帧号，j = 1 2 ... N ，h ê8ú ê 8 ú w 为视频序列的水平分辨率； 为视频序列的垂直分辨率，
1
引言
随着科技的发展和人们需求的增长， 视频监控技术得到
运动物体的跟踪是为了确定其运动轨迹， 为此， 就需要关 联前后 2 帧图像中检测得到的运动物体。而运动物体之间的 关联可以通过物体的大小、 形状、 位置、 颜色直方图等信息来 确定。提出了一种基于分块原理的背景提取算法， 利用减背 景方法检测到运动物体并对检测结果进行形态学处理， 这样 可以填补运动物体内部的空洞， 减少噪声点并改善检测性能，
s s s s 把 ainit 和 a mean 分成 8×8 的小块序列 ainit 同时 (i ) ， (i j ) 和 a mean
物体区域和背景图像之间的灰度值相差较大。有了背景图 像， 就可以利用简单有效的减背景方法来检测运动物体。假 设当前时刻 t 的输入图像 I t ( x ) 和背景图像 B t ( x ) ，x 表示图像 的像素位置， 两者差分后进行二值化处理， 结果为：
[3] [1]
最后通过改进的 Meanshift 跟踪算法来快速准确地跟踪运动 物体。 下文在背景重建、 运动目标检测与跟踪等方面阐述本文 算法的特点， 实验结果很好地验证了本文算法的有效性。
2
背景重建
常用的获取背景方法有： （1） 静态背景法， 即保存一幅当前场景下没有任何运动物
体的图片作为背景。但是场景在不同的时间、 光照、 天气条件 下都有较大的差别， 所以必须保存相应的静态图片， 同时当前 场景的实际背景与保存的背景图片之间的关联也比较复杂，
[2]
了飞速的发展， 在智能监控、 交通、 军事等许多领域都有着非 常广泛的应用。运动物体的检测和跟踪是计算机视觉处理的 重要研究内容， 也是智能交通系统 （ITS） 的核心， 因此它的技 术发展和应用前景都受到人们极大的关注。 运动物体的检测方法主要有： 光流法 、 帧差法 和背景差 分法 。基于光流的运动检测采用了光流随时间变化的特性， 从而能有效地检测和跟踪运动物体， 但是计算非常复杂， 抗噪 性能差， 在没有特殊硬件支持下很难达到实时性； 帧差法 （又 称时间差分法） 是在连续时间的图像序列中取两个或三个相 邻帧， 采用差分方法来提取运动区域， 方法简单， 对场景光线 的变化不敏感， 但是检测中容易在物体内部出现空洞， 使得提 取的运动区域不完整； 背景差分法是目前运动检测中最常用 的方法， 通过计算当前帧和背景帧之间的差分获取运动区域， 一般能得到比较完整的运动区域， 但是对光照和场景的变化 比较敏感， 可能会出现较多的噪声点， 从而影响检测效果[4]。
s （4） 对每帧中的小块 i ， 都将 ainit (i j ) 块中的 Sobel 边缘点 s 数 ainit (i j ) 和 a mean 挑选出 (i ) 中的边缘点数 a mean (i ) 进行比较， sp sp s 与 a mean (i ) 相差最小的块作为候选背景块， 设为 ainit 如果 ( i j' ) ， sp
Βιβλιοθήκη Baidu
是 t 时刻的前景点。 由于噪声的影响， 使得背景点可能被错判为前景点， 也可 能使前景点错判成背景点， 因此利用数学形态学方法[6]来处理 得到的原始前景点。先用闭运算处理填充空洞， 使分裂的区域 连通， 然后用开运算处理去除小的噪声点， 使图像平滑， 最后 通过连通区域分析来去除小的区域块， 得到满意的检测结果。
郑
丹， 徐佩霞， 何
佳： 视频监控中运动物体的检测与跟踪
2010， 46 （31）
193
因此工作量大， 并且易受外界环境变化的影响， 在实际中适应 性不好， 鲁棒性差； （2） 平均法， 即利用一段视频序列的平均值作为背景。算 法的思想是去除噪声对背景的影响， 此时把前景物体当成噪 声扰动来考虑。这个方法计算简单， 但是得到的背景比较模 糊， 而且受车流量的影响比较大， 在车流小的情况下效果还不 错， 但在车流量较大的情况下就不合适了； （3） 动态确定背景， 有高斯分布模型、 高 斯 混 合 算 法 [4] （GMA） 、 直方图统计法 [5]、 中值法 [4] 等方法。这些算法主要针 对单个像素点进行分析， 效果较好， 但是计算复杂， 花费的时 间较长， 实时性不好。 为了提高重建背景图像的质量， 提出一种分块组合的背 景重建算法。 算法的具体步骤如下： （1） 首先获得帧数为 N 的视频序列 ainit ； （2） 求得视频序列 ainit 的平均值 a mean ； （3） 对序列 ainit 和平均值 a mean 进行 Sobel 边缘提取得到
T pt 的经 理。经过大量实验显示， 可以得到 T s 的经验值为 50，
验值为 5。而且此算法同样适用于车流量较大的情况， 只要各 个小分块在视频中都能观察到静态背景即可。
3
运动物体检测
运动物体的检测就是得到当前图像的前景物体， 而前景
和a
s mean
， 将检测结果值中大于 T s 的点判定为边缘点。并
192
2010， 46 （31）
Computer Engineering and Applications 计算机工程与应用
视频监控中运动物体的检测与跟踪
郑 丹， 徐佩霞， 何 佳 ZHENG Dan， XU Pei-xia， HE Jia
中国科学技术大学 电子工程与信息科学系， 合肥 230027 Department of Electronic Engineering and Information Science， University of Science and Technology of China， Hefei 230027， China E-mail： zhengdan@mail.ustc.edu.cn ZHENG Dan， XU Pei-xia， HE Jia.Moving object detection and tracking in video surveillance.Computer Engineering and Applications， 2010， 46 （31） ： 192-195. Abstract： For the stationary scene， a block based background reconstruction algorithm is presented which can overcome fuzzy shortcoming by mean method.Then the background-subtraction method is used to detect the moving objects.After that the morphological process is adopted to fill the holes in moving objects， wipe out the noise spots and improve the detection. In order to fit to the background change， the adaptive background updating is used.To improve the accuracy of tracking， the modified Meanshift algorithm is carried out.Simulations show that this algorithm can detect objects effectively and track the objects rapidly and accurately. Key words：background reconstruct； moving detect； Meanshift； moving object tracking 摘 要： 针对固定摄像头下的交通监控场景， 首先给出一种基于分块原理的背景重建算法， 克服了平均法重建的背景图像模糊的
黑夜， 此时场景内容可以完全相同， 但是灰度值却发生了非常 大的变化。要使背景能够对外界环境的变化具有自适应性， 从而提高运动检测的鲁棒性， 必须对背景进行更新。考虑到 外界场景变化属于缓慢渐变， 可以利用当前时刻 t 的输入图 像 I t 和背景图像 B t ， 采用自适应背景更新模型 [3] 来得到 t + 1 时刻的背景图像 B t + 1 ， 更新模型如下：