梁 成

（西安醫(yī)學(xué)院 公共課部計(jì)算機(jī)教研室，陜西 西安710021）

1 目標(biāo)區(qū)域的重心跟蹤

1.1 目標(biāo)區(qū)域的重心

我們利用連通域標(biāo)記[1]來(lái)判斷行人。 根據(jù)連通域的外接矩形的重心的跟著軌跡來(lái)判斷行人。 目標(biāo)區(qū)域由于背景提取和二值化的偏差，目標(biāo)物的中心往往不是目標(biāo)物的重心。所以本文根據(jù)目標(biāo)區(qū)域計(jì)算目標(biāo)區(qū)域的重心[2]。 從而對(duì)重心進(jìn)行跟蹤。

由于二值化的影響使連通域標(biāo)記的外接矩形的不能更好的反應(yīng)目標(biāo)物地真實(shí)情況。 現(xiàn)在為了避免上述情況，本文在確定外接矩形前進(jìn)行二值化投影。先進(jìn)行行投影。統(tǒng)計(jì)每行中的塊為白色的塊數(shù)，再進(jìn)行列投影，統(tǒng)計(jì)每列中的塊為白色的塊數(shù)。

根據(jù)行投影和列投影計(jì)算目標(biāo)物的重心。以重心的列的坐標(biāo)計(jì)算為例，其計(jì)算思想：設(shè)圖像目標(biāo)物塊數(shù)為N，列數(shù)為［0，L－1］，對(duì)應(yīng)列i的目標(biāo)物塊數(shù)為ni，幾率為：

則重心的列y=i*pi。

1.2 目標(biāo)區(qū)域的重心軌跡分析

得到目標(biāo)物重心以后，進(jìn)行目標(biāo)物重心的跟蹤，跟蹤的思想：得到重心后，保存重心的行和列，第二幀在上一幀中的重心附近進(jìn)行搜索，搜索的范圍本文設(shè)定為行數(shù)塊數(shù)為4 塊列數(shù)的塊數(shù)為8 塊，如果搜索到有目標(biāo)物的重心，就認(rèn)為兩幀為同一目標(biāo)物，更新重心的列和行坐標(biāo)，搜索下一幀。 本文搜索的幀數(shù)設(shè)定為10 幀。 根據(jù)每十幀目標(biāo)物重心的跟蹤軌跡[3]，分析目標(biāo)物的速度。 由于車輛速度較快，行人速度較慢，但閾值的選取有困難，所以目標(biāo)物的速度在本文中是十幀的位移矢量和，這樣做是為了放大速度之間的差距。

2 目標(biāo)區(qū)域特征點(diǎn)的跟蹤

2.1 特征點(diǎn)的選取

目標(biāo)物的特征點(diǎn)[4]的選取直接影響到目標(biāo)物的跟蹤，所以選取目標(biāo)物的特征點(diǎn)要有代表性和特征性。本文選取目標(biāo)物的棱角作為它的特征點(diǎn)。

特征點(diǎn)選取思想： 在目標(biāo)物的左右邊緣兩側(cè)的像素的灰度值差別是非常大的，一側(cè)是目標(biāo)物本身，另一側(cè)為背景，同樣，在目標(biāo)物的上下邊緣兩側(cè)的像素得灰度值差別也是非常大的， 一側(cè)是目標(biāo)物本身，另一側(cè)為背景。 所以我們利用目標(biāo)物左右和上下邊緣兩側(cè)的像素灰度差的來(lái)選取特征點(diǎn)。

特征點(diǎn)選取過(guò)程：

（1） 搜索圖像， 當(dāng)搜索到目標(biāo)物上的像素時(shí) （目標(biāo)物像素值為255，背景像素值為0）計(jì)算它的左上與右上像素灰度值的差，正前與正后的像素灰度值差，左下與右下的像素灰度值差，并將他們之差的絕對(duì)值求和。

（2）當(dāng)求得的和大于所設(shè)定閾值時(shí)，認(rèn)為這一點(diǎn)在目標(biāo)物的邊界上。

（3）對(duì)（2）中的點(diǎn)計(jì)算它的左上與左下的像素灰度值差，正上與正下的像素灰度值差，右上與右下的像素灰度值差，并將他們之差的絕對(duì)值求和。

（4）當(dāng)求得的和大于所設(shè)定閾值時(shí)，認(rèn)為這一點(diǎn)是目標(biāo)物的特征點(diǎn)。 否則不是目標(biāo)物的特征點(diǎn)。

2.2 特征點(diǎn)的跟蹤

特征點(diǎn)跟蹤是根據(jù)第i 幀中得到的模板在第i+1 幀得到匹配最佳的目標(biāo)區(qū)域。影響跟蹤效果好壞的四個(gè)因素為：模板[5]，候選目標(biāo)，相似度的衡量。 本文的跟蹤方法模板都是需要更新的，即第i 幀中的模板在第i+1 幀中找到最佳匹配的目標(biāo)區(qū)域后， 在第i+2 幀以i+1 幀中找到最佳匹配的目標(biāo)區(qū)域作為新的模板，以此類推。

（1）模板表示。 跟蹤方法模板的表示為特征點(diǎn)為中心的矩形框內(nèi)的像素值。由于目標(biāo)幀間運(yùn)動(dòng)小，可以為下一幀的搜索指定一個(gè)范圍。模板匹配的模板以塊（Block）為存儲(chǔ)結(jié)構(gòu)的匹配過(guò)程就是基于塊匹配[6]。塊匹配跟蹤的思想是將視頻圖像中的每一幀圖像分成多個(gè)相互不重疊的子塊（M*N），并假設(shè)塊內(nèi)所有像素點(diǎn)的位移矢量完全是相同的，把分出來(lái)的每個(gè)子塊當(dāng)作實(shí)際運(yùn)動(dòng)的目標(biāo)物體。對(duì)于當(dāng)前幀中的每一個(gè)子塊，在前一幀或后一幀某一設(shè)定的搜索范圍（K*L）內(nèi)，根據(jù)給定的匹配準(zhǔn)則，找到與當(dāng)前幀當(dāng)前塊塊相似度最高的子塊，即為匹配塊。由上一幀或者下一幀得到的匹配塊，和當(dāng)前塊的相對(duì)的位置可以得到這兩幀的物體運(yùn)動(dòng)位移， 所得到的運(yùn)動(dòng)位移作為當(dāng)前塊運(yùn)動(dòng)矢量，用D 來(lái)表示。

設(shè)可能當(dāng)前幀中的運(yùn)動(dòng)位移的最大矢量為D（dx，dy），則下一幀的塊的搜索窗口的相應(yīng)的大小可用（M＋2dx）*（N＋2dy）表示。當(dāng)前匹配塊與搜索窗口間的關(guān)系可用下圖表示：

圖1 匹配塊與搜索窗口關(guān)系示意圖

對(duì)視頻圖像中的每個(gè)含有目標(biāo)的塊（8*6）進(jìn)行跟蹤，從而可以得到目標(biāo)的運(yùn)動(dòng)軌跡。

（2）候選目標(biāo)表示。 候選目標(biāo)的表示為和特征點(diǎn)為中心的矩形框內(nèi)灰度值。

（3）目標(biāo)物特征點(diǎn)的相似度衡量。 相似度衡量是根據(jù)相應(yīng)的計(jì)算來(lái)完成的，相關(guān)計(jì)算值大的表示相似程度高。 在計(jì)算相似度的衡量上用的函數(shù)最小平均絕對(duì)差值函數(shù)：

最小平均絕對(duì)差值函數(shù)（MAD）：

3 結(jié)語(yǔ)

目標(biāo)物體的跟蹤是判斷交通事件的重要途徑，區(qū)域的跟蹤和目標(biāo)特征點(diǎn)的跟蹤是要基于圖像二值化，圖像二值化的準(zhǔn)確程度直接決定了跟蹤的準(zhǔn)確性，特別是特征點(diǎn)的跟蹤。 當(dāng)多個(gè)目標(biāo)物體出現(xiàn)重疊或者遮擋時(shí)，區(qū)域的跟蹤和目標(biāo)特征點(diǎn)的跟蹤的方法就失去了作用。所以目標(biāo)物體的遮擋問(wèn)題是今后應(yīng)該重點(diǎn)研究的方向。

［1］黃衛(wèi),陳里得.智能運(yùn)輸系統(tǒng)(ITS)概述[M].北京:人民交通出版社,2001.

［2］黃若蕓,莫玉龍.用于智能交通“車流量監(jiān)測(cè)”的壓縮域內(nèi)運(yùn)動(dòng)目標(biāo)監(jiān)測(cè)[J].上海大學(xué)學(xué)報(bào)，2003,9(2):100-104.

［3］于艷玲.視頻檢測(cè)中的的車輛速度檢測(cè)技術(shù)研究[D].西安:長(zhǎng)安大學(xué),2009.

［4］高紅波,王衛(wèi)星.一種二值化圖像連通區(qū)域標(biāo)記的新算法[J].計(jì)算機(jī)應(yīng)用,2007.

［5］章毓晉.圖像工程(上冊(cè))：圖像處理和分析[M].北京:清華大學(xué)出版社,1999:256-265.

［6］肖志堅(jiān).H.264 幀間編碼技術(shù)的分析與改進(jìn)[D].西安:西安電子科技大學(xué),2005.

［7］彭小寧,楊明.基于局部圖金字塔的不規(guī)則塊匹配視頻分割方法[J].計(jì)算機(jī)科學(xué), 2008.