盛家川　楊巍　海巖

摘 要：為了能夠從監(jiān)控視頻中快速準(zhǔn)確地分析運動目標(biāo)，文章提出了一種新的運動目標(biāo)自動檢測、跟蹤和提取方法。首先通過混合高斯模型背景差分法獲得運動目標(biāo)初始二值輪廓。然后結(jié)合Kalman濾波和Blob匹配法跟蹤物體的運動軌跡，并用矩形框架標(biāo)記圖像序列中的運動目標(biāo)。最后傳遞矩形參數(shù)，采用迭代算法實現(xiàn)最優(yōu)化分割，對運動目標(biāo)進行準(zhǔn)確提取。實驗結(jié)果表明，該方法具有較高的魯棒性和準(zhǔn)確性。

關(guān)鍵詞：目標(biāo)檢測；混合高斯模型；卡爾曼濾波；GrabCut

中圖分類號：TP277；TP391.41 文獻標(biāo)識碼：A 文章編號：1006-8937（2015）12-0071-02

隨著人工智能和信息技術(shù)的發(fā)展，運動目標(biāo)的檢測、跟蹤和提取在軍事、工業(yè)、智能交通和科學(xué)研究等諸多領(lǐng)域得到了廣泛的應(yīng)用，檢測、跟蹤和提取研究逐漸由單目標(biāo)轉(zhuǎn)為多目標(biāo)。

目前，國內(nèi)外學(xué)者在運動目標(biāo)的檢測、跟蹤和提取的研究領(lǐng)域進行了比較深入的研究，提出了很多有效的算法。[1-2]但在實際應(yīng)用中，由于自然環(huán)境復(fù)雜，目標(biāo)機動性高，在研究運動目標(biāo)檢測、跟蹤和提取技術(shù)時的干擾因素多，容易導(dǎo)致檢測不準(zhǔn)確，跟蹤效率不高且信息提取不完整。在對檢測、跟蹤和提取技術(shù)的研究現(xiàn)狀和存在的問題進行深入分析的基礎(chǔ)上，本文以混合高斯建模和卡爾曼濾波器為切入點，提出了一種新的運動目標(biāo)自動檢測、跟蹤和提取算法改進。

1 運動目標(biāo)自動檢測、跟蹤和提取

基于，混合高斯模型，本文使用背景差分法檢測運動前景，在得到目標(biāo)初始輪廓的基礎(chǔ)上，采用Kalman濾波器與Blob分析法相結(jié)合的方法，實現(xiàn)運動目標(biāo)的跟蹤。目標(biāo)跟蹤獲得矩形框架以此為參數(shù)進行傳遞，通過運動目標(biāo)自動提取算法分離視頻幀的前景，獲得運動目標(biāo)的完整圖像。

1.1 初始輪廓檢測

首先通過混合高斯模型得到背景圖像B，用前景圖像I減去背景圖像B，得出差分圖像Id，將圖像Id轉(zhuǎn)為灰度圖像進行中值濾波，然后利用歸一化的閾值對圖像進行二值處理。得到二值圖像后，對其進行形態(tài)學(xué)的處理，填補空洞，膨脹與腐蝕，開運算和閉運算，最后得到目標(biāo)的初始輪廓。

為了驗證算法的有效性，在實驗中采用實際的監(jiān)控視頻序列進行運動目標(biāo)檢測，其中用來拍攝的攝像機是靜止的。運動檢測結(jié)果如圖1所示，圖1（a）是從監(jiān)控視頻中提取的一幀圖像，圖1（b）是該幀圖像二值化后的輪廓檢測結(jié)果圖。

1.2 基于Kalman濾波器和Blob匹配法的目標(biāo)跟蹤

本文將Kalman濾波器和Blob匹配法相結(jié)合，共同完成運動目標(biāo)跟蹤，具體算法如下。

①在混合高斯法得到的初始輪廓基礎(chǔ)上，尋找各連通的前景區(qū)域，每個區(qū)域標(biāo)記為一個Blob。計算每個Blob的形心位置、輪廓大小以及空間矩特征，將這些Blob編號與其特征一起存儲在一個序列中。同時，本文對每一個Blob塊標(biāo)記矩形框架，保證剛好覆蓋連通區(qū)域，并隨著運動目標(biāo)的移動不斷更新。

②根據(jù)當(dāng)前幀之前目標(biāo)形心位置的運動狀況，用Kalman濾波器算法預(yù)估各Blob在下一幀將出現(xiàn)的位置。根據(jù)從當(dāng)前幀中測量到的Blob的形心位置和長寬，利用Kalman濾波器對當(dāng)前幀中Blob的位置進行估計，然后利用該估計值對Blob在下一幀中的位置做出預(yù)測。因為相鄰兩幀之間的時間間隔很小，所以假設(shè)Blob以一個恒定的速度移動，則該系統(tǒng)是線性動態(tài)系統(tǒng)。根據(jù)Kalman濾波器等式：

Xt=AXt-1+Wt（1）

Yt=BXt-1+Vt（2）

其中，A是傳遞矩陣，B是測量矩陣，Xt和Xt-1是t時刻和t-1時刻Blob的狀態(tài)向量。定義X=（x，y，w，h，dx，dy，dw，dh）T，這里（x，y）是Blob的形心坐標(biāo)，（w，h）是Blob的大小，而dx，dy，dw，dh分別對應(yīng)x，y，w，h的速度。同時，定義對Blob標(biāo)記的矩形框架rect=（x，y，w，h），（x，y）為矩形框架中心坐標(biāo)，（w，h）為矩形框架的寬度和高度。Wt，Vt是符合高斯分布的N（0，Rt）隨機變量，Yt是測量方程。

③在預(yù)估位置附近根據(jù)Blob的輪廓形狀、大小、空間矩特征，尋找匹配的Blob。若找到匹配的Blob則將它標(biāo)記為同一個編號，否則給一個新的編號，更新Blob存儲序列和矩形標(biāo)記框架。運動目標(biāo)跟蹤結(jié)果如圖2所示。

圖2（a）和圖2（b）實驗視頻是一段交通監(jiān)控圖像，每一輛行駛通過的汽車被視為一個新的目標(biāo)進行跟蹤，并標(biāo)注序號。當(dāng)多輛汽車同時駛過，就會同時被跟蹤，并且通過序號可以知道出現(xiàn)的先后順序，黃色標(biāo)記矩形為運動目標(biāo)提取傳遞參數(shù)。

當(dāng)實驗視頻中出現(xiàn)噪音點，如圖2（c）所示，視頻中前景人物在花壇前面行走，背景中有路人走過（紅色方框內(nèi)），樹葉也在隨風(fēng)輕輕擺動，由于運動范圍不大，本文算法忽略不計，只對前景人物進行目標(biāo)跟蹤，可見算法具有魯棒性。

1.3 運動目標(biāo)自動提取

在GrabCut算法[3]的基礎(chǔ)上，提出運動目標(biāo)自動提取算法。通過基于Kalman濾波器和Blob匹配法的運動目標(biāo)跟蹤算法，視頻中的運動目標(biāo)在每一幀視頻圖像上獲得標(biāo)記的矩形框架rect=（x，y，w，h），矩形框架中心位置（x，y），寬和高為（w，h），即為運動目標(biāo)自動提取算法的參數(shù)傳遞。有了矩形框架輸入，本文算法就可以用混合高斯模型初始化每個像素的初始值，然后執(zhí)行最優(yōu)化分割，算法流程如下：

①給視頻圖像上標(biāo)記的矩形框架rect=（x，y，w，h）內(nèi)的每一個像素點賦GMM初值：

④重復(fù)步驟①至③，直至收斂。

算法收斂后就可以得到運動目標(biāo)的提取結(jié)果。多個運動目標(biāo)提取結(jié)果如圖3所示，圖3（a）是對單個運動目標(biāo)的提取，圖3（b）是對多個運動目標(biāo)的提取。

2 結(jié) 語

本文針對靜止攝像機戶外視頻監(jiān)控系統(tǒng)，提出一種新的運動目標(biāo)自動檢測、跟蹤和提取方法。首先采用混合高斯模型背景差分法完成運動目標(biāo)的粗檢測，然后將Blob匹配法和Kalman濾波器相結(jié)合共同完成運動目標(biāo)跟蹤，最后采用GrabCut迭代算法實現(xiàn)最優(yōu)化分割，檢測得到準(zhǔn)確的運動目標(biāo)輪廓。在室外和正常光照條件下，該方法具有良好的魯棒性和準(zhǔn)確性。

參考文獻：

[1] Nazre B，Rama R，Detection and Inpainting of Facial Wrinkles using Texture Orientation Fields and Markov Random Field Modeling[J].IEEE Transactions on Image Processing，2014，（9）.

[2] 陳遠，謝昭，吳克偉.面向部件遮擋補償?shù)能囕v檢測模型[J].中國圖象圖形學(xué)報，2014，（12）.

[3] 周良芬，何建農(nóng).基于GrabCut改進的圖像分割算法[J].計算機應(yīng)用，2013，（1）.

[4] 劉偉峰，楊愛蘭.基于BIC準(zhǔn)則和Gibbs采樣的有限混合模型無監(jiān)督學(xué)習(xí)算法[J].電子學(xué)報，2011，（3A）.