龔鼎+曹廣忠

摘要：本文提出一種基于回歸型背景差分算法的實時運動檢測跟蹤系統(tǒng)的設(shè)計。通過載入攝像頭實時圖像與建立好的背景模型進行差分運算，并對差分運算的結(jié)果進行連通域分析，檢測出運動物體與攝像頭的相對位置并實時準(zhǔn)確跟蹤。實驗結(jié)果表明，該文設(shè)計的實時運動檢測與跟蹤系統(tǒng)，能夠達(dá)到實時的、準(zhǔn)確的、跟蹤目標(biāo)。

關(guān)鍵詞：背景差分算法；連通域分析；運動檢測

中圖分類號：TP311 文獻標(biāo)識碼：A 文章編號：1009-3044（2016）22-0207-03

隨著計算機技術(shù)、通信技術(shù)、圖像處理技術(shù)的不斷發(fā)展，運動目標(biāo)檢測在智能交通流量檢測、商用安防檢測、模式識別等場合的作用越來越重。運動檢測是運動圖像分析、智能監(jiān)控、可視人機交互中的重要處理步，通過運動檢測可以得到圖像中的運動信息，提取圖像中的運動人物或目標(biāo)，然后進行定位跟蹤，在需要安全防范的應(yīng)用場合下具有十分重要的意。

針對這個問題，本文設(shè)計了一種利用回歸型背景差分算法進行實時運動檢測與跟蹤的系統(tǒng)。不同于對已存儲視頻的分析，系統(tǒng)直接對攝像頭輸出的當(dāng)前幀進行分析處理，首先建立一個可靠的背景模型，然后載入攝像頭的實時幀圖像，對背景圖像和當(dāng)前幀進行初步處理后通過差分算法得到完整可靠的運動目標(biāo)圖像，最后用形態(tài)學(xué)濾波進行后處理，以消除噪聲和背景擾動帶來的影響，最后通過對連通域分析將當(dāng)前視頻中的運動目標(biāo)檢測出來并實時跟蹤達(dá)到實時檢測跟蹤的目的，提高了實時性。

1系統(tǒng)概述

本系統(tǒng)模擬實際應(yīng)用場合，系統(tǒng)硬件采用中博斯科技USB攝像頭模組，型號XC2440，廣角120度。系統(tǒng)軟件采用在32位Windows10系統(tǒng)上運行的matlabR2011b。整體由固定位置的攝像頭和基于matlab的圖像處理程序組成，程序分為圖像載入，背景模型建立，差分運算預(yù)處理，灰度處理，二值化分析，差分運算結(jié)果連通域分析，運動檢測與跟蹤，背景模型更新等過程，同時設(shè)計了一個交互方便的GUI，對數(shù)據(jù)監(jiān)測和數(shù)據(jù)處理流程進行全方位的展示。界面設(shè)計如圖1。設(shè)計了四個axes，左上角為preview，主要顯示當(dāng)前攝像機拍攝到的畫面；右上角為Detection_minus，主要灰度處理、二值化和圖像差分等操作后的圖像實時顯示；左下角為camera，主要用于顯示讀入的圖片數(shù)據(jù)、拍攝照片后的圖片數(shù)據(jù)；右下角為figure_centeroid，主要用于畫出檢測到的運動物體的質(zhì)心相對于坐標(biāo)軸的坐標(biāo)位置。

2整體設(shè)計

2.1實時圖像預(yù)處理

在MATLAB中采用videoinput命令讀取USB攝像頭數(shù)據(jù)保存到一個類中，將圖像幀從YUV模式轉(zhuǎn)為RGB顏色表顯示。通過get函數(shù)將類中的圖像數(shù)據(jù)讀出，用image函數(shù)轉(zhuǎn)存為圖像。由于RGB是三維數(shù)據(jù)，不能直接進行差分運算，需要預(yù)先使用RGB2GRAY函數(shù)將RGB圖像轉(zhuǎn)為灰度圖，彩色圖像的像素色為RGB（R，G，B），灰度圖像的像素色為RGB（r，r，r），R、G、B 可由彩色圖像的顏色分解獲得。R、G、B的取值范圍為 0-255，所以灰度的級別只有 256 級?；叶然奶幚矸椒ㄖ饕捎眉訖?quán)平均值法：根據(jù)某個指標(biāo)例如重要性給 R、G、B 賦予不同的權(quán)值，并使 R、G、B 等于它們的值的加權(quán)和。

即： R=G=B=（R*WR+G*WG+B*WB）/3 （2-1）

其中，WR，WG，WB分別是 R、G、B 的權(quán)值。由于人眼對綠色的敏感度最高，對紅色的敏感度次之，對藍(lán)色的敏感度最低，研究表明，當(dāng) WR=0.30，WG=0.59，WB=0.11 時，可以得到由彩色圖像轉(zhuǎn)換過來的最合理的灰度圖。轉(zhuǎn)化為灰度圖像后再使用im2bw函數(shù)將圖像轉(zhuǎn)化為二值化圖像。

2.2回歸型背景差分算法

根據(jù)建立的背景模型是否具有自適應(yīng)更新的功能，可以將背景建模劃分成非回歸型和回歸型兩。非回歸型是預(yù)先根據(jù)若干幀圖像的數(shù)據(jù)恢復(fù)出背景，這類方法運算速度較，而且對于后續(xù)的處理較為簡便，缺點是不能適應(yīng)后續(xù)圖像中背景的漸變。回歸型則是根據(jù)每次輸入的圖像更新背景模型，這種方法能夠適應(yīng)背景的漸變，排除光照等因素對檢測結(jié)果造成的影。

假設(shè)攝像機輸出圖像轉(zhuǎn)為灰度圖后為f（x，y，t），其中t表示幀數(shù)，將t=1時設(shè)置為初始的背景模型，即f（x，y，1）；任意時刻的圖像為f（x，y，t），背景差分算法則是將圖像模型進行（1）運.

其中D（x，y，t）為當(dāng)前環(huán)境下的差分圖，再對其進行二值化，即設(shè)定決策閾值Th，將大于此閾值的像素點設(shè)置為1，反之為0；如式（2）所示。

由此可以進行像素點量化統(tǒng)計，如式（3）所示

其中TH 為二值化后圖像總像素點的閾值量TH，當(dāng)總像素和小于TH時即表示此時處于背景模型狀態(tài)中，對ans 進行連續(xù)計數(shù)，如式（4）所示，當(dāng)ans大于一定程度時，即表示此時的圖像長期不變可，此時可更新背景模型減小光照強度變化等對差分算法的影響，其中T為當(dāng)前幀的像素圖 。

根據(jù)背景差分算法的，對圖像處理的流程進行細(xì)致分析，具體流程圖如圖4所示。

2.3形態(tài)學(xué)濾波

差分檢測之后，由于當(dāng)前環(huán)境的光強的微弱變化和攝像機位置的微弱震動都會導(dǎo)致差分之后的圖像的噪聲出現(xiàn)，此時就需要對差分之后的圖像鏡像形態(tài)學(xué)。因此，為了去除一些噪聲，使用開運算，在MATLAB函數(shù)庫中，可直接用imopen進行開運算，先腐蝕后膨脹，可以去除隔離的噪點和小橋連接處等。設(shè)定形態(tài)學(xué)濾波元素為半徑為2像素的。開運算之后，使用bwareaopen刪除面積小于200的對象。

2.4實時運動物體檢測

形態(tài)學(xué)濾波后，程序流程進行到了多運動目標(biāo)連通區(qū)域的識別，多運動目標(biāo)連通區(qū)域的質(zhì)心和面積的提取，當(dāng)判斷為運動物體時，對最大面積的連通區(qū)域的質(zhì)心在當(dāng)前幀圖像上進行矩形框標(biāo)記。讀取濾波后的圖像數(shù)據(jù)，利用regionprops函數(shù)進行連通區(qū)域處理。Regionprops是用來度量圖像區(qū)域?qū)傩缘暮瘮?shù)，常用來統(tǒng)計被標(biāo)記的區(qū)域的面積分布，顯示區(qū)域。利用max函數(shù)，取出最大面積的塊的面積參數(shù)和質(zhì)心參數(shù)，判斷當(dāng)前最大面積的塊的面積參數(shù)是否達(dá)到被檢測物體的閾值，記錄其質(zhì)心，利用MATLAB中的矩形函數(shù)在預(yù)覽畫出以質(zhì)心為中心的矩形框，并利用MATLAB的plot函數(shù)坐標(biāo)軸中畫出此時被檢測運動物體的坐標(biāo)位置。完成實時運動物體的檢測。

3實驗結(jié)果及分析

將一個圓形物體從畫面中以4cm/s，如圖6所示，在差分結(jié)果框中顯示了差分效果圖，由連通域面積分析法可知當(dāng)前畫面包含運動物體，于是如圖5中所示，在preview中將物體的運動軌跡檢測并跟蹤，達(dá)到了實時運動物體檢測與跟蹤的要求。運動檢測查分效果圖如6所示。

為檢測系統(tǒng)的實時性，建立一個單擺模型幫助檢測，在攝像頭前放置一個自然下垂的圓形物體，讓其自然下垂于攝像頭前，通過控制單擺的起擺角度來控制運動物體的速度。觀察不同角度下的檢測與跟蹤效果。本文對30度時的情況進行檢測分析。

當(dāng)角度為30度時，由于單擺的運動特性，即運動到最低點時速度最大，運動到最高點時速度最小，理論上左右兩邊的運動檢測點將比中線的運動檢測點多且密度較大。如圖7和圖8所示，由檢測效果圖可得，該系統(tǒng)對30度時的單擺檢測效果良好，清晰的檢測并跟蹤了運動物體的運動狀態(tài)和坐標(biāo)。

4結(jié)論

本文針對目前廣泛的視頻運動物體檢測，提出了一種實時運動物體檢測與跟蹤的方法，不同對視頻的檢測分析，該方法從攝像頭初始幀中實時讀取當(dāng)前攝像頭數(shù)據(jù)；利用回歸型背景算法實時更新背景；通過差分運算的結(jié)果進行連通域分析進而完成運動物體的檢測與跟蹤；從數(shù)據(jù)源中增加了運動物體檢測的實時性，達(dá)到了實時檢測并跟蹤的要求；同時設(shè)計了交互方便GUI界面，可對運動物體檢測與跟蹤的處理流程和其涉及的重要參數(shù)進行全方位展示，具有一定的適用價值。

參考文獻：

[1] 苑晶，劉鋼墩.激光與單目視覺融合的移動機器人運動目標(biāo)跟蹤[J].控制理論與應(yīng)用，2016（2）.

[2] 於正強，潘赟.一種結(jié)合幀差法和混合高斯的運動檢測算法[J].計算機應(yīng)用與軟件，2015（4）.

[3] 劉曉悅，孟研.運動目標(biāo)檢測與跟蹤算法的研究[J].河北聯(lián)合大學(xué)學(xué)報（自然科學(xué)版），2015（1）.

[4]陳鋼，李鴻燕.基于運動檢測的自適應(yīng)降噪算法及的實現(xiàn)[J].上海工程技術(shù)大學(xué)學(xué)報，2015（6）.

[5] Jia Yubo，Xia Guanghu，Zhang Qian，et al.An Improved Apriori Algo-rithm Based on Association Analysis[C]//Proceedings of 2012 Third International Conference on Networking and Distributed Computing，2012： 208-211.

[6] KONDAXAKIS P， BALTZAKIS H， TRAHANIAS P. Learning moving objects in a multi-target tracking scenario for mobile robots that use laser range measurements [C] //Proceedings of IEEE/RSJ Inter-national Conference on Intelligent Robots and Systems. St. Louis， USA： IEEE， 2009： 1667–1672.

[7]張星明.視頻圖像捕獲及運動檢測技術(shù)的實現(xiàn)[J].計算機工程，2002（7）.

[8] Shi Jian bo，Carlo tomasi. Good features to track[C]//Proceedings of IEEE Conference on Computer Vision and Pattern Recognition （CVPR94），USA，1994： 593-600.

[9] 甘玲，趙華翔.一種改進的Vibe算法結(jié)合多特征融合的陰影移除方法[J].微電子學(xué)與計算機，2015（7）.

[10]李毅，孫正興.一種改進的幀差和背景減相結(jié)合的運動檢測方法[J].中國圖象圖形學(xué)報，2009（8）.

[11]劉曉悅，孟研.運動目標(biāo)檢測與跟蹤算法的研究[J].河北聯(lián)合大學(xué)學(xué)報，2015（6）.

[12] 管飛，王榮.基于Horn-Schunck光流法的運動目標(biāo)檢測的研究[J].儀表技術(shù)，2015（8）.