视频序列中运动目标检测与跟踪方法研究

确定图像的分割阈值。
二值化后的图像往往会含有许多孤立的点、 小
区域以及小空隙和孔洞， 为了解决阈值分割后的差
分图像可能会存在的一些目标空洞和少量的孤立噪
声的问题， 这些均会对今后目标位置的判断存在干
扰， 导致接下来跟踪丢失或者跟踪错误。 因此， 本
文使用了数学形态学图像处理， 适当地选取形态运
算子和滤波窗口可以很好地排除杂点， 消除物体内
Research on the Method of Detecting and Tracking Moving Target in Video Sequence
SHAO Na, YING Jie (Optical & Electronic Information Engineering College, University of Shanghai for Science and Technology,
|G[f(x，y)]|的大小来判定的， 当|G[f(x，y)]|≥T 时， 就认
定像素 (x，y) 为轮廓。 LG 是根据需要指定的一个灰 度 级 ， 它 将 明 显 边 缘 用 一 个 固 定 的 灰 度 级 LG 来 实
现。
2.1.4 背景灰度规定化输出
当背景的灰度变化造成图像轮廓不明显突出
时， 若只想突出轮廓而允许非轮廓像素的灰度层次，
244，221. [5] 施华,李翠华.视频图像中的运动目标跟踪 [J]. 计算机工程与应用, 2005, 10：56-58. [6] 蔡梅艳，吴庆宪，姜长生.改进 Otsu 法的目标图像分割 [J].光电与控制, 2007，14（6）：118-119，151. [7] 孔晓明，郭坚.AR 系统中目标跟踪技术的研究 [J].信息技术与信息化, 2007，4：79-81. [8] Cmaniciu D, Ramesh V, Meer P. Kernel-Based Object Tracking [J]. IEEE Translations on Pattern Analysis and
由实验结果可知， 锐化效果最好的是第 5 种方 法， 即二值图像输出方法。 这种方法基本上可以准 确地检测出运动物体； 虽然还存在一些细小空洞， 但在对其进行形态学滤波之后便可以完全消除， 如 图 1 中 (g) 所示。
www.omeinfo.com.cn 33
Feb. 2009
光机电研究论坛
OME Research Forum
运动目标检测与跟踪算法性能直接影响运动目 标跟踪系统的精确度和稳定性， 因此， 研究一种鲁 棒性好、 精确、 高性能的运动目标检测与跟踪算法 是提高监控系统性能的关键。 本文从视频图像的获 取、 预处理及目标检测与跟踪方法进行研究， 并对 采用不同方法得到的实验结果进行了对比分析。
2 运动目标检测
运动目标检测是在一段序列图像的每帧图像中 找到感兴趣的运动目标所在的位置， 其难点在于如 何快速而可靠地从一帧图像中匹配目标。 在本系统 中， 由于摄像头固定， 采集到的图像背景基本不变， 故选取基于运动的帧间差分法。
3 运动目标跟踪
阈值分割的图像经过形态学的处理后运动目标 的大概位置已经明显可以确定， 为了方便后续的跟 踪处理， 必须选择合适的表达目标的方法， 本系统 采用的是最小外接矩形的方式。 对于矩形框位置的 确定， 这里采用的是投影法， 即将形态学处理后的 二值图像作水平和垂直方向的投影， 投影后的图像 中突变的地方分别对应着运动目标区域的起始边 界。 这样就可以确定出表达目标的矩形框的大小及 位置， 还可以确定运动目标的中心点— ——水平及垂 直投影的最大值位置。 为了排除毛刺和不连续点， 需要考察两个跳变点之间的距离， 如果该距离小于 某一阈值， 则认为此处为干扰点。
出最优方法。
2.2 差分检测
预处理之后的图像成为适合于计算机分析处理
的图像， 然后进行运动目标的检测。
帧间差分法是基于运动图像序列中相邻两帧图
像间具有强相关性而提出的检测方法。 在摄像头固
定的情况下， 对连续的图像序列中的相邻两帧图像
采用基于像素的时间差分来提取图像中的运动区
域， 设在 t1 时刻和 t2 时刻采集到同一背景下的两幅 运动图像为 f1(x，y)和 f2(x，y)， 则差分图像的定义为： fd(x，y)=f1(x，y)-f2(x，y)。 对上式的差分结果进行阈值处
部的细小空隙。 主要方法为膨胀和腐蚀。 本系统分
别使用 3 阶和 5 阶窗口进行形态学滤波操作。
2.4 运动目标检测实验结果
首先将采集到的图像序列 （见图 1 （a）、 （b））
光机电研究论坛
OME Research Forum
转变为灰度图像， 然后进行中值滤波和灰度均衡。 采用 2.1 中的 5 种图像锐化方法分别对 两 幅 滤 波 后 的图像进行处理， 然后利用 5 种锐化后的图像进行 帧间差分以及阈值分割， 最终得到含有运动目标的 二值图像。 效果如图 1 所示。
图 像 采 集 采 用 CCD 摄 像 头 。 为 减 少 处 理 运 算 量， 将采集到的彩色图像转换为灰度图像， 再进行 预处理及目标检测。 真彩图像到灰度图像的变换为 Y=0.299R+0.587G+0.114B， 其中 Y 为灰度图像的灰 度值， R、 G、 B 为红、 绿、 蓝三通道颜色值。 2.1 图像增强及其锐化
理， 就可以提取出运动的物体。
2.3 阈值分割及形态学滤波
图像分割是图像分析、 理解和计算机视觉中的
难点。 在图像分割的诸多方法中， 阈值化技术是一
种简单有效的方法， 最大类间方差 （Otsu） 是广泛
使用的阈值分割方法之一[3]。 其基本思想是利用图像
的灰度直方图， 以目标和背景的方差最大来动态地
上保持灰度变化平缓的背景不受破坏。
2.1.3 轮廓灰度规定化输出
在某些场合下， 需要把轮廓设置成一个特殊的
灰度级值， 而其他非轮廓区域的灰度仍然保持原灰
度值不变。 这种输出表达式为
＜LG
g(x，y)=
|G[f(x，y)]|≥T
（2）
f(x，y) |G[f(x，y)]|＜T
式中 T 为轮廓阈值。 轮廓的确定是根据梯度值
素， 这时可以采用二值化的图像输出方式， 其表达
式为
32
光机电信息 Feb. 2009
≥LG |G[f(x，y)]|≥T
g(x，y)=
（4）
LB |G[f(x，y)]|＜T
按这种方式输出的图像， 结果是整幅图像上所
有像素只有两种可能的灰度值。
这 5 种不同的锐化方法各有优点， 在完成帧间
差分及阈值分割后将会对这 5 种方法进行比较， 找
很高， 故输出图像 g(x，y)总体上讲显得非常暗淡。
2.1.2 加阈值的梯度输出
Βιβλιοθήκη Baidu
加阈值的梯度图像表达式为：
＜|G[f(x，y)]|，|G[f(x，y)]|≥T
g(x，y)=
（1）
f(x，y), |G[f(x，y)]|＜T
其中， T>0 为阈值。 从表达式可以看出， 适当地选
择 T， 既可使图像轮廓清晰突出， 又可在一定程度
是正确可行的。
4 结束语
本系统选择了一种适合帧间差分法预处理的图 像锐化算法， 从而快速准确地检测出了运动目标。 但是， 对于运动速度较快的物体及复杂场景下的运 动物体检测效果不佳， 还有待继续研究改进。
参考文献
[1] 贾云得. 机器视觉 [M]. 北京：科学出版社，2002. [2] 冈萨雷斯. 数字图像处理 [M]. 北京：电子工业出版社，2007. [3] 于殿泓. 图像检测与处理技术 [M]. 西安：西安电子科技大学出版社，2006. [4] 李庆忠, 刘怀强, 侯永海, 等. 视频序列中运动目标自动提取的研究 [J]. 微计算机信息，2006, 22 (10)：243-
Shanghai 200093，China) Abstract: An algorithm of detecting and tracking moving target in color images which were captured by camera was proposed. Firstly, a series of color images were changed into gray images and several kinds of image -sharpening methods were studied and compared. Secondly, the video sequences were differentiated and threshold segmentation was done in order to separate the moving target from the background. At last, the size and position of the moving target were acquired by projection method. The experimental results showed that the method of moving target detecting and tracking was simple, effective and high real time. Keywords: moving target detecting； tracking； image sharpening； threshold segmentation
设输出图像为 g (x，y)， 梯度图像直接输出的表 达式为 ： g(x，y)=|G[f(x，y)]|。 原图像所有灰度变化平
缓的区域， 在 输 出 图 像 g(x，y)上 均 变 成 了 暗 区 ， 只
有图像的轮廓部分在 g (x，y) 上才表现为亮区 （点、
线或区）。 由于图像上相邻像素的灰度值相关性一般
图像增强采用了中值滤波和灰度均衡化技术。 由于滤波后的图像边界、 轮廓往往会变模糊， 需要 利用图像锐化技术使图像的边缘变清晰。 对一幅图 像 f(x，y)， 它的梯度是一个矢量， 梯度值的大小与相 邻像素的灰度差值成正比。 计算出图像 f(x，y)的梯度 值后， 可以采用不同形式突出图像的轮廓， 现采用 下列方法进行了研究。 2.1.1 梯度图像直接输出
(a) 原始序列第5帧
(b) 原始序列第6帧
(c) 梯 度 图 直 接 输 出 差 分 效果
(d) 加 阈 值 的 灰 度 输 出 差 分效果
(e) 轮 廓 灰 度 规 定 化 输 出 差分效果
(f) 背 景 灰 度 规 定 化 输 出 差分效果
(g) 二值图像输出差分效果 图1 运动目标检测效果图
可把背景 （非轮廓像素） 规定成一个灰度级 LB， 其
表达式为
＜|G[f(x，y)]| |G[f(x，y)]|≥T
g(x，y)=
（3）
LB
|G[f(x，y)]|＜T
按这种方式输出的图像， 认定为非轮廓的像素均变
为 LB， 而认定是轮廓的像素的灰度值以其梯度值来 代替。
2.1.5 二值图像输出
若只关心每个像素是轮廓像素还是非轮廓像
www.omeinfo.com.cn 31
Feb. 2009
光机电研究论坛
OME Research Forum
1引 言
近年来， 随着计算机处理速度的不断提高以及 数字图像处理技术研究的不断深入， 视觉跟踪已成 为一个热点研究问题 。 [1~4] 视频运动目标检 测与跟踪 技术广泛应用于军事及民用监控系统， 它能够大大 减少人力物力， 保障监控场所安全[5]。
光机电研究论坛
OME Research Forum
视频序列中运动目标检测与 跟踪方法研究
邵 娜，应 捷
（上海理工大学光电学院， 上海 200093）
摘 要： 提出了一种从摄像头获取的彩色图像中准确地检测出运动目标并进行实时跟踪的算法。 首先将采集 到的彩色视频图像序列转化为灰度图像， 研究了几种图像锐化方法并进行了比较。 然后进行帧间差分和阈值 分割， 成功分离出运动目标。 最后采用投影法得到运动目标的大小及位置。 实验结果表明， 提出的运动目标 检测与跟踪方法简单、 有效、 实时性高。 关键词： 运动目标检测； 跟踪； 图像锐化； 阈值分割 中图分类号： TP391.4
为了检验算法的可行性， 对多个图像序列进行 了测试。 图 2 是基于图像锐化方法的第 5 种— ——二 值化输出方法进行的跟踪效果图。 可以看出， 这是 一种很有效的锐化方法， 在其基础上进行的一系列 目标跟踪算法可以准确地检测出运动物体， 并能够 实时跟踪运动物体。 从整体上来说， 这套跟踪方案
图 2 视频序列中第 5， 7， 13 帧的跟踪效果图