田雨佳 天津工業(yè)大學(xué)

前言

我國數(shù)字視頻技術(shù)發(fā)展以來，智能監(jiān)測(cè)技術(shù)在較多領(lǐng)域中發(fā)揮著較為重要的作用，其中目標(biāo)跟蹤與檢測(cè)是視頻序列運(yùn)動(dòng)中較為重要的技術(shù)。但是，由于光照?qǐng)鼍耙约瓣幱暗葧r(shí)刻處于變化之中，這在較大程度上加大了監(jiān)控難度。為此，技術(shù)人員提出了多種解決方法。比如在地鐵與稀疏分解的魯棒主成成分析方法，將其應(yīng)用在運(yùn)動(dòng)目標(biāo)檢測(cè)中，具有較好的應(yīng)用優(yōu)勢(shì)，能夠?qū)Ρ尘皦K進(jìn)行有效的消除，可加快我國科學(xué)技術(shù)的發(fā)展速度，同時(shí)也為社會(huì)經(jīng)濟(jì)建設(shè)奠定良好的基礎(chǔ)。

1 Open CV 技術(shù)概述

Open CV 技術(shù)實(shí)質(zhì)上是計(jì)算機(jī)視覺庫，能夠在不同操作系統(tǒng)中進(jìn)行有效運(yùn)行，其中該技術(shù)主要是有C 函數(shù)與C++類構(gòu)成，在此基礎(chǔ)上優(yōu)化出了多種語言接口，以此對(duì)一些通用算法進(jìn)行全面共享。此外，Open CV 技術(shù)運(yùn)行高效，并且在此基礎(chǔ)上具有輕量級(jí)優(yōu)勢(shì)，將一些函數(shù)庫與用戶進(jìn)行分享，在這些函數(shù)庫有較多跨領(lǐng)域功能，能偶將其應(yīng)用在圖像優(yōu)化處理代碼中，能夠作為函數(shù)庫平臺(tái)進(jìn)行有效運(yùn)行，為后續(xù)研究工作奠定良好的基礎(chǔ)。

2 Open CV 特點(diǎn)

Open CV 技術(shù)是一種函數(shù)庫，主要是對(duì)圖像進(jìn)行分析、處理，該技術(shù)不能將其作為獨(dú)立軟件，是以C 語言為基礎(chǔ)的工具，一般情況下在VC 中進(jìn)行有效配置，并對(duì)函數(shù)庫中的函數(shù)進(jìn)行有效應(yīng)用[2]。Open CV 庫主要有產(chǎn)品界面、安全防護(hù)以及三維成像等領(lǐng)域函數(shù)接口，此外CV 能夠成為較多行業(yè)發(fā)展的工具庫，其中應(yīng)用較為廣泛的是企業(yè)與科研，主要是因Open CV 是開源的。除此之外，對(duì)函數(shù)庫源代碼實(shí)施了有效的優(yōu)化，這在較大程度上能夠提升計(jì)算機(jī)工作效率，主要體現(xiàn)在以下兩個(gè)方面：（1）Open CV 通過C 語言實(shí)施優(yōu)化，能夠確保在多核計(jì)算機(jī)中順利運(yùn)行；（2）提供機(jī)器視覺接口函數(shù)，并為實(shí)現(xiàn)高層次機(jī)器視覺相關(guān)產(chǎn)品奠定良好的基礎(chǔ)。

3 運(yùn)動(dòng)目標(biāo)檢測(cè)方法

云頂目標(biāo)檢測(cè)主要是指在視頻序列的基礎(chǔ)上，從場(chǎng)景中對(duì)運(yùn)動(dòng)區(qū)域?qū)嵤┯行z測(cè)，并在此基礎(chǔ)上將其提取的過程。此外，根據(jù)采集平臺(tái)不同，將其分為移動(dòng)攝像頭與固定攝像頭，一般情況下較多視頻監(jiān)控系統(tǒng)中的相機(jī)是固定不變，所以運(yùn)動(dòng)目標(biāo)中的檢測(cè)算法在靜態(tài)場(chǎng)景中的探究中尤為重要，采用的主要方法有光流法、幀差法以及背景減除法。

3.1 背景減除法

背景減除法是一種較為有效的檢測(cè)方法，該方法具有較為簡(jiǎn)便的優(yōu)勢(shì)，所以常應(yīng)用在視頻監(jiān)控領(lǐng)域中。把背景嫻熟模型看作背景圖片像素值，并且在此基礎(chǔ)上將背景圖像與目前時(shí)刻幀做差分計(jì)算，以此對(duì)完成運(yùn)動(dòng)目標(biāo)范圍檢測(cè)。此外，若像素范圍具有較大差距，需要將其劃分為運(yùn)動(dòng)區(qū)域，在此過程中若像素差范圍差距不明顯，應(yīng)將其劃分為背景圖像。由此可以看出，在對(duì)其進(jìn)行總結(jié)的過程中，算法核心問題是對(duì)背景進(jìn)行更新與建模，其中在進(jìn)行背景模型建立的過程中，應(yīng)當(dāng)與場(chǎng)景相符，這在較大程度程度上能夠避免動(dòng)態(tài)場(chǎng)景變化對(duì)于運(yùn)動(dòng)目標(biāo)檢測(cè)的不利影響。

3.2 幀間差分方法

幀間差分方法也叫做序列差分方法，主要算法思想是因運(yùn)動(dòng)目標(biāo)出現(xiàn)明顯變化，根據(jù)視頻序列中不同幀中的差分運(yùn)算，對(duì)運(yùn)動(dòng)目標(biāo)區(qū)域?qū)嵤┯行崛?。主要含義為：在視頻數(shù)據(jù)集中，子啊相鄰A 幀的兩幀圖像，在對(duì)采集到的兩幀做差，以此得到差分圖像，最后再根據(jù)差分圖像進(jìn)行值化處理，以此獲得二值圖像，從而實(shí)施連通性分析，在此過程中應(yīng)對(duì)值化圖像進(jìn)行形態(tài)學(xué)處理，得到運(yùn)動(dòng)目標(biāo)。

3.3 光流法

在20 世紀(jì)50 年代，有學(xué)者提出了光流理論，主要是指物體的運(yùn)動(dòng)能夠通過運(yùn)動(dòng)場(chǎng)進(jìn)行有效描述，若運(yùn)動(dòng)場(chǎng)出現(xiàn)不同變化，光線也會(huì)隨之改變，如流星般劃過，人們能夠真確體驗(yàn)到物體的運(yùn)動(dòng)。技術(shù)研究人員將此理論應(yīng)用在了計(jì)算機(jī)視覺處理研究中，由此提出了光流分析方法，主要是把圖像灰度變化與二維速度場(chǎng)進(jìn)行有效的聯(lián)系起來，若物體在現(xiàn)實(shí)中的運(yùn)動(dòng)具有連貫性，在攝像機(jī)傳感器中的圖像也應(yīng)當(dāng)具有連貫性。圖像中的光流場(chǎng)能夠在視頻中有效反映運(yùn)動(dòng)矢量，同時(shí)在圖像序列中，運(yùn)動(dòng)主要在圖像平面像素值中有較好的反映，由此可得，在現(xiàn)實(shí)中同一點(diǎn)在圖像中的投影點(diǎn)，順時(shí)灰度值固定不變。

4 運(yùn)動(dòng)目標(biāo)跟蹤改進(jìn)算法

4.1 卡爾曼濾波跟蹤算法

卡爾曼濾波器是在上世紀(jì)60 年代外國學(xué)者提出，主要是進(jìn)行預(yù)測(cè)矯正評(píng)估，特別是在最小化協(xié)方差誤差領(lǐng)域中有較為廣泛的應(yīng)用效果，并且在此基礎(chǔ)上在視覺目標(biāo)跟蹤領(lǐng)域中也有較為廣泛的應(yīng)用。此外，卡爾曼濾波算法原理主要是：對(duì)計(jì)算機(jī)系統(tǒng)狀態(tài)進(jìn)行有效的迭代預(yù)測(cè)，并且在此基礎(chǔ)上通過觀測(cè)值對(duì)系統(tǒng)狀態(tài)值實(shí)施有效更新。

4.2 粒子濾波跟蹤算法

粒子濾波算法也是基于估計(jì)理論最優(yōu)算法，其中該最后算法主要建立在Monte Karlo 與Bayes 的基礎(chǔ)之上，Monte Karlo 方法是一種隨機(jī)模擬方法，該方法主要是從實(shí)驗(yàn)中獲得，在對(duì)問題進(jìn)行解決的過程中，一般情況下需要通過隨機(jī)抽樣方法來實(shí)現(xiàn)，該模型的核心思想是構(gòu)建一個(gè)參數(shù)等于問題解的隨機(jī)過程與概率模型[4]。

4.3 Mean-shift 跟蹤算法

Mean-shift 跟蹤算法主要是一種核密度估計(jì)方式，在對(duì)目標(biāo)進(jìn)行跟蹤的過程中，此種方法一般情況下采用幀圖像的顏色統(tǒng)計(jì)直方圖信息作為匹配搜索的特征，在對(duì)局部進(jìn)行優(yōu)化的過程中，主要使用到概率密度的梯度爬升來實(shí)現(xiàn)，這在較大程度上能夠有效縮短搜索時(shí)間，可在最短時(shí)間內(nèi)鎖定目標(biāo)，在此基礎(chǔ)上還使用了巴氏系數(shù)作為目標(biāo)模板與候選目標(biāo)的相似函數(shù)，從而完成特征匹配。首先需要通過模板庫對(duì)目標(biāo)模板進(jìn)行有效選取，并在此基礎(chǔ)上提取有效顏色信息，再將其向HSV 圖像進(jìn)行轉(zhuǎn)化，提取對(duì)光照弱敏感分量，再對(duì)分量構(gòu)建顏色直方圖，最后獲得特征值數(shù)量。

5 結(jié)語

綜上所述，本位首先認(rèn)識(shí)了Open CV 技術(shù)，并且對(duì)運(yùn)動(dòng)目標(biāo)檢測(cè)方法與運(yùn)動(dòng)目標(biāo)跟蹤改進(jìn)算法進(jìn)行了深入分析，通過對(duì)實(shí)驗(yàn)平臺(tái)進(jìn)行有效的構(gòu)建，并且在此基礎(chǔ)上學(xué)習(xí)了目標(biāo)檢測(cè)圖像預(yù)處理等函數(shù)算法，在較大程度上解決了運(yùn)行環(huán)境配置問題，并且在此基礎(chǔ)上，通過不同模型理論，為后續(xù)研究奠定了良好的基礎(chǔ)。此外，在進(jìn)行模塊檢目標(biāo)檢測(cè)模塊中，根據(jù)不同檢測(cè)算法，提出了混合高斯模型融合三幀差算法，以此使目標(biāo)更加完整，并且在此基礎(chǔ)上能夠?qū)饩€變化消除問題進(jìn)行有效解決，以此為算法的正確性奠定良好的基礎(chǔ)，對(duì)我國智能檢測(cè)技術(shù)發(fā)展具有較大促進(jìn)作用。