,，

(韶關(guān)學(xué)院物理與機(jī)電工程學(xué)院，廣東 韶關(guān) 512005)

0 引言

基于云臺的攝像頭可移動式視頻監(jiān)控系統(tǒng)，通過攝像頭的移動，保證監(jiān)控對象始終位于攝像頭圖像中心區(qū)域，實現(xiàn)大視角范圍內(nèi)運動目標(biāo)的檢測跟蹤，已廣泛應(yīng)用于各類重要場所對可疑目標(biāo)或異常行為的實時監(jiān)控、預(yù)警[1]。但攝像頭移動狀態(tài)下復(fù)雜的動態(tài)背景，使得準(zhǔn)確、實時的運動目標(biāo)檢測變得困難[2]。

針對動態(tài)背景下的運動目標(biāo)檢測方法主要有光流法和背景補(bǔ)償法。光流法[3-4]依據(jù)攝像頭運動引起的背景光流與運動目標(biāo)光流不一樣來實現(xiàn)運動目標(biāo)的識別，但該算法要遍歷幀中所有像素點來評估光流，計算量大，難以滿足實時性要求。背景補(bǔ)償法[5]通過提取背景特征，得到基于匹配點的全局運動參數(shù)，對背景進(jìn)行補(bǔ)償，從而將動態(tài)背景情況下的運動目標(biāo)檢測轉(zhuǎn)化為靜態(tài)背景下的運動目標(biāo)檢測，目前主要通過基于圖像像素匹配算法(如SSDA算法[6])和基于圖像特征匹配算法(如SIUF算法[7]、SURF算法[8]和塊匹配算法[9])等算法，提高全局運動參數(shù)估計精度來保證背景補(bǔ)償精度，但這將導(dǎo)致運動目標(biāo)檢測實時性下降。

對此，提出基于狀態(tài)分割的運動目標(biāo)跟蹤方法，根據(jù)攝像頭運動與否，分別實施運動目標(biāo)檢測與運動目標(biāo)跟蹤，避免動態(tài)背景下的運動目標(biāo)檢測復(fù)雜算法對目標(biāo)跟蹤實時性的影響。在攝像頭靜止?fàn)顟B(tài)時，基于靜態(tài)背景實施運動目標(biāo)檢測，當(dāng)檢測到運動目標(biāo)后，對運動目標(biāo)進(jìn)行特征提取、匹配，基于目標(biāo)跟蹤算法，定位其運動軌跡和運動參數(shù)，并控制攝像頭實施目標(biāo)跟蹤，使運動目標(biāo)始終位于攝像頭圖像中心區(qū)域。

1 基于狀態(tài)分割思想的運動目標(biāo)實時跟蹤

1.1 運動目標(biāo)檢測算法

基于背景建模技術(shù)的背景差法是運動目標(biāo)檢測的一個重要方法，其利用當(dāng)前圖像與背景模型做差分運算來檢測運動目標(biāo)，進(jìn)而提取出完整的前景運動目標(biāo)的位置、大小、顏色和形狀等信息，算法簡單，檢測速度快。該算法關(guān)鍵在于背景模型的建立與實時更新?；旌细咚贡尘澳Ｐ?(GMM)[10]算法采用多個高斯模型分布的加權(quán)來表示背景圖像，模型中的參數(shù)隨著背景的不斷變化自適應(yīng)更新，可有效處理背景光照變化對目標(biāo)檢測準(zhǔn)確性的影響，其基本原理如下所述。

用K(取值3～5)個高斯模型來描述視頻圖像序列中的每個像素點的特征，任意像素點在時刻t處3個通道的觀察值為xt=[rt,gt,bt]T，屬于背景的概率ρ(xt)為：

(1)

(2)

將每一幀視頻圖像的像素值與上述的K個混合高斯模型的某個分布進(jìn)行匹配，比較此像素值與K個高斯分布中的某個分布是否滿足：

|xt-μt,i|≤Dσi

(3)

若滿足，則判定為背景像素點，否則判定為前景像素點。Dσi為用戶自定義參數(shù)。對匹配成功的高斯分布進(jìn)行更新，不匹配的高斯分布不變。

GMM算法需對圖像中每一個像素點單獨處理，為減少建模與更新時間，提高實時性，采用雙線性插值法對視頻圖像進(jìn)行縮小處理。假設(shè)原始圖像大小為m×n，縮小后圖像為a×b，圖像縮小前后像素點坐標(biāo)變換關(guān)系為：

i=int[(x+0.5)×a/m-0.5]

(4)

j=int[(y+0.5)×b/n-0.5]

(5)

i，j分別為縮小后圖像的行、列坐標(biāo)；x，y分別為原始圖像的行、列坐標(biāo)。

經(jīng)過GMM算法檢測到運動目標(biāo)后，按坐標(biāo)變換關(guān)系，將縮小圖像上的運動目標(biāo)坐標(biāo)映射到原始比例大小的視頻圖像上，實現(xiàn)運動目標(biāo)的檢測。

1.2 運動目標(biāo)跟蹤算法

運動目標(biāo)跟蹤是在運動目標(biāo)檢測的基礎(chǔ)上，通過對目標(biāo)進(jìn)行表觀建模，并基于一定的跟蹤算法，如基于特征匹配的Meanshift算法[11]、卡爾曼濾波算法[12]、粒子濾波算法[13]等目標(biāo)跟蹤方法，尋找運動目標(biāo)最優(yōu)位置的過程。本文針對目標(biāo)顏色與背景顏色可區(qū)分場景，通過提取運動目標(biāo)顏色特征信息，基于Camshift算法[14]，以逐幀處理視頻序列的方式完成運動目標(biāo)的連續(xù)跟蹤，具有良好實時性與魯棒性，其算法流程如下：

a.計算來自目標(biāo)顏色信息的色度直方圖。

b.對視頻序列圖像的單通道色度圖，按照色度直方圖轉(zhuǎn)化為反向投影圖。

c.提供一個用于對視頻序列圖像進(jìn)行匹配搜索的初始化搜索窗口，若當(dāng)前圖像是攝像頭運動階段的第1幀圖像，搜索窗口的中心位置和大小為靜止階段檢測到的目標(biāo)窗口位置和大小，若不是，則為上一幀搜索窗口的最終位置和大小。

d.計算搜索窗口的質(zhì)心。設(shè)(u,v)為搜索窗口內(nèi)的像素點坐標(biāo)，其在反向投影圖中的像素值為I(u,v)，定義搜索窗口的零階矩M00和一階矩M10，M01分別為：

(6)

(7)

(8)

則當(dāng)前搜索窗口質(zhì)心坐標(biāo)為：

(9)

e. 若搜索窗口質(zhì)心與窗口中心重合，記錄此時搜索窗口的中心和大小，其中心位置坐標(biāo)就是當(dāng)前幀圖像中運動目標(biāo)的中心坐標(biāo)；若不重合，則移動搜索窗口，使窗口中心與質(zhì)心重合，再對新的搜索窗口重新計算質(zhì)心，不斷迭代下去，直到窗口質(zhì)心與窗口中心重合或達(dá)到迭代最大次數(shù)。

2 基于OpenCV的運動目標(biāo)跟蹤算法實現(xiàn)

OpenCV是基于C++語言實現(xiàn)圖像處理與視覺處理通用算法的開源計算機(jī)視覺庫[15],其提供的庫函數(shù)可以非常便捷地完成復(fù)雜的計算機(jī)視覺處理。在OpenCV使用前，需要對開發(fā)環(huán)境VS2010進(jìn)行相關(guān)的工程配置。

2.1 運動目標(biāo)檢測算法實現(xiàn)

基于GMM算法的運動目標(biāo)檢測通過OpenCV提供的BackgroundSubtractorMOG2類來實現(xiàn)，主要實現(xiàn)步驟為：

a.利用VideoCapture類讀取攝像頭視頻圖像。

b.利用cv::resize()函數(shù)完成雙線性插值法對圖像尺寸的縮小，提高算法的處理速度。

c.利用BackgroundSubtractorMOG2類進(jìn)行混合高斯建模算法處理，得到處理結(jié)果圖像fgmask1。

d.利用medianBlur()函數(shù)、morphologyEx()函數(shù)對圖像fgmask1進(jìn)行中值濾波和形態(tài)學(xué)閉操作，并保存結(jié)果圖像fgmask2。

e.利用findContours()函數(shù)尋找圖像fgmask2的連通域，找出運動目標(biāo)輪廓。

f.通過boundingRect()計算運動目標(biāo)輪廓的垂直邊界最小矩形rect1坐標(biāo)位置和大小，再將其映射到到原始比例大小的視頻圖像上，得到矩形rect2，該矩形所在位置即為運動目標(biāo)所在實際位置和大小。

檢測獲取的運動目標(biāo)輪廓的垂直邊界最小矩形rect1和rect2，在原始比例視頻圖像上的位置和大小如圖1所示。

圖1 運動目標(biāo)檢測結(jié)果

2.2 運動目標(biāo)跟蹤算法實現(xiàn)

基于Camshift算法的運動目標(biāo)跟蹤通過OpenCV的Camshift()函數(shù)來實現(xiàn)，該函數(shù)的調(diào)用需要提供初始的搜索窗口(位置與大小)和運動目標(biāo)的顏色直方圖。

初始搜索窗口的位置和大小與運動目標(biāo)重合，由運動目標(biāo)檢測結(jié)果的rect2提供；對rect2確定的運動目標(biāo)進(jìn)行背景信息過濾等預(yù)處理，提取其顏色特征信息，建立運動目標(biāo)顏色直方圖，如圖2所示。

圖2 運動目標(biāo)顏色直方圖的建立

經(jīng)過上述處理得到初始搜索窗口和運動目標(biāo)顏色直方圖后，按如下步驟實現(xiàn)目標(biāo)跟蹤算法：

a.利用cvtColor()函數(shù)把視頻幀圖像格式轉(zhuǎn)為HSV格式。

b.從視頻幀圖像中分離出單通道色度值圖。

c.利用calcBackProject()函數(shù)，計算單通道色度值圖關(guān)于運動目標(biāo)顏色直方圖的反向投影，濾除反向投影圖上的噪聲干擾。

d.利用Camshift()函數(shù)，根據(jù)初始搜索窗口與運動目標(biāo)顏色直方圖，進(jìn)行Camshift算法運算，得到一個平面上的旋轉(zhuǎn)矩形。該矩形的中心位置就是跟蹤目標(biāo)的中心位置，將該中心坐標(biāo)加入到物體坐標(biāo)發(fā)送隊列里，用于攝像頭轉(zhuǎn)動控制。

e.用Ellipse()函數(shù)把旋轉(zhuǎn)矩形用橢圓表示出來，用circle()函數(shù)畫出旋轉(zhuǎn)矩形的矩形中心點。

3 實驗結(jié)果與分析

為評估本文提出方法的有效性，搭建了基于云臺的移動式攝像頭視頻監(jiān)控實驗系統(tǒng)。系統(tǒng)由上位機(jī)和下位機(jī)組成，其中，下位機(jī)負(fù)責(zé)云臺運動控制及視頻圖像信息采集，上位機(jī)開發(fā)了視頻實時監(jiān)控軟件，負(fù)責(zé)視頻圖像的顯示，運動目標(biāo)檢測、跟蹤，以及發(fā)送云臺控制指令等工作，兩者通過以太網(wǎng)通訊功能實現(xiàn)信息交流。

圖3a ～圖3e描述了運動目標(biāo)(圖中小車)跟蹤過程中不同時刻的實時跟蹤效果，圖3f描述了運動目標(biāo)在各個時刻的坐標(biāo)軌跡?？梢钥闯?，當(dāng)運動目標(biāo)進(jìn)入到攝像頭的視野范圍后，攝像頭精確地捕獲到了運動目標(biāo)，確定了其位置和區(qū)域，并快速地追隨運動目標(biāo)移動方向，使運動目標(biāo)始終位于攝像頭圖像中心區(qū)域。

圖3 運動目標(biāo)跟蹤結(jié)果

實驗結(jié)果表明，在目標(biāo)顏色特征顯著的情況下，基于狀態(tài)分割思想的運動目標(biāo)實時跟蹤方法，實現(xiàn)了移動式攝像頭對運動目標(biāo)的精確檢測與跟蹤，并具有很好的魯棒性和實時性。

4 結(jié)束語

針對基于云臺的攝像頭可移動式視頻監(jiān)控系統(tǒng)的運動目標(biāo)檢測與跟蹤，提出了一種基于狀態(tài)分割思想的運動目標(biāo)實時跟蹤方法。借助于OpenCV計算機(jī)視覺庫，便捷地實現(xiàn)了相關(guān)算法，并結(jié)合Windows平臺應(yīng)用程序開發(fā)環(huán)境VS2010，開發(fā)了用戶界面良好的視頻實時監(jiān)控應(yīng)用軟件。實驗結(jié)果表明，該方法較好地解決了移動式攝像頭對運動目標(biāo)檢測跟蹤的精確性和實時性問題，對于基于云臺的移動式視頻監(jiān)控系統(tǒng)的運動目標(biāo)跟蹤具有重要意義。

參考文獻(xiàn)：

[1] 黃凱奇，陳曉棠，康運鋒,等．智能視頻監(jiān)控技術(shù)綜述[J]．計算機(jī)學(xué)報，2015，38(6)：1093-1118．

[2] 陳杏源，鄭烈心，裴海龍．基于Camshift和SURF的目標(biāo)跟蹤系統(tǒng)[J]．計算機(jī)工程與設(shè)計，2016，37(4)：902-906．

[3] 蘭紅，周偉，齊彥麗．動態(tài)背景下的稀疏光流目標(biāo)提取與跟蹤[J]．中國圖象圖形學(xué)報，2016，21(6)：771-780．

[4] 崔智高，王華，李艾華,等．動態(tài)背景下基于光流場分析的運動目標(biāo)檢測算法[J]．物理學(xué)報，2017，66(8)：116-123．

[5] 于明，孫煒燁，閻剛,等．動態(tài)場景下基于精確背景補(bǔ)償?shù)倪\動目標(biāo)檢測[J]．計算機(jī)應(yīng)用與軟件，2013，30(10)：139-141,198．

[6] 王文勝，翟尚禮，白俊奇．基于SSDA的圖像匹配跟蹤算法[J]．指揮信息系統(tǒng)與技術(shù)，2016，7(6)：77-80．

[7] Lowe D G．Distinctive image features from scale-invariant keypoints[J]．International Journal of Computer Vision，2004，60(2)：91-110．

[8] Kalia R，Lee K D，Samir B V R，et al．An analysis of the effect of different image preprocessing techniques on the performance of SURF： Speeded up robust features[C]//17th Korea-Japan Joint Workshop on Frontiers of computer Vision，2001：1-6．

[9] 施家棟，王建中．動態(tài)場景中運動目標(biāo)檢測與跟蹤[J]．北京理工大學(xué)學(xué)報，2009，29(10)：858-860,876．

[10] Stauffer C，Grimson W．Adaptive background mixture models for real-time tracking [C]//Proceedings of the 1999 IEEE Conference on Computer Vision and Pattern Recognition，1999：246-252．

[11] Comaniciu D，Ramesh V，Meer P． Real-time tracking of non-rigid objects using mean shift[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition，2000：142-149．

[12] 梁錫寧，楊剛，余學(xué)才,等．一種動態(tài)模板匹配的卡爾曼濾波跟蹤方法[J]． 光電工程，2010，37(10)： 29-33．

[13] 李軒， 張紅．基于粒子濾波的檢測前跟蹤算法的改進(jìn)[J]．科學(xué)技術(shù)與工程，2017，17(30)：227-232．

[14] Bradski G R．Real time face and object tracking as a component of a perceptual user interface[C]//Proceedings of the Fourth IEEE Workshop on Applications of Computer Vision，1998：214-219．

[15] 李振偉，陳翀，趙有．基于OpenCV的運動目標(biāo)跟蹤及其實現(xiàn)[J]．現(xiàn)代電子技術(shù)，2008(20)：128-130,138．