《基于交通监控视频的运动目标检测与跟踪算法研究.pdf》由会员分享，可在线阅读，更多相关《基于交通监控视频的运动目标检测与跟踪算法研究.pdf（87页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、浙江理工大学学位论文原创性声明本人郑重声明：我恪守学术道德，崇尚严谨学风。所呈交的学位论文，是本人在导师的指导下，独立进行研究工作所取得的成果。除文中己明确注明和引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写过的作品及成果的内容。论文为本人亲自撰写，我对所写的内容负责，并完全意识到本声明的法律结果由本人承担。学位论文作者签名：，可云日期：占叼年岁月缃浙江理工大学学位论文版权使用授权书学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅或借阅。本人授权浙江理工大学可以将本学位论文的全部或部分内容编入有关数据库
2、进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。本学位论文属于保密口，在不保密。学位论文作者签名：吖司灰日期：泖年岁月步E t年解密后使用本版权书。指导教师签名：i 筒磁日期：沙年；月髟日摘要基于视频的运动目标检测与跟踪是计算机视觉领域的一个重要研究方向，在安防监控、智能交通、机器视觉导航等诸多领域有着广阔的应用前景。就智能交通领域而言，交通监控视频提供了广域场景下的实时路面交通信息，通过对监控场景内运动目标的检测、跟踪及识别分析处理，可以获取如车流量、车速、道路通行能力等交通信息，为交通调度、诱导、信号配时提供科学的决策参考，从而使城市交通路网高效、安全的运行。本论文以单路
3、口交通监控视频为研究对象，深入研究了摄像机静止情形下交通监控视频的运动目标检测与跟踪问题。论文的主要内容及成果概括如下：(1)研究了静态单摄像机拍摄的视频序列的背景建模问题，引入了一种基于影响因素描述的背景模型，利用M e a nS h i f t 算法搜索视频序列像素潜在分布的局部极值获取理想的背景。该模型对环境的噪声、摄像机抖动等干扰因素具有鲁棒性，能从包含混乱运动目标的视频序列中提取出清晰的视频背景，效果优于常用的均值滤波法及混合高斯模型。(2)分析了I I R 滤波背景更新算法在应用中可能存在背景失效的不足，提出了一种基于双帧填补法的背景更新方法，改进了I I R 滤波法不能反映真实的
4、监控场景的缺陷。同时，考虑到实际监控应用中对算法的实时性和鲁棒性需求，结合所述几种算法的优缺点，论述了基于时间区段划分综合运用多种算法的背景更新策略。(3)针对采用图像最大熵阈值进行目标分割计算量较大、实时性不好的问题，提出了一种基于量化线性压缩图像灰度的计算方法，并直接对压缩灰度后的图像进行目标分割，实验表明目标分割效果不受影响，有效减少了算法的计算量，提高了算法的实时性。(4)在目标跟踪阶段，采用灰色预测与目标多特征匹配相结合的方法进行目标跟踪。通过获取前几帧目标的位置数据建立灰色预测模型，预测目标在下一帧中的位置，减少目标匹配的搜索区域。针对灰色预测模型存在的预测偏差和不稳定性缺陷，引入
5、了马尔可夫随机过程理论对原模型预测值进行残差修正，提高了预测精度。然后通过提取目标的局部角点及部分全局特征进行特征匹配运算，能有效实现交通监控场景中的运动目标跟踪。论文对摄像机静止情形下交通监控视频的运动目标检测与跟踪课题进行了研究，具体讨论了背景建模、背景更新、目标分割、预测跟踪等几方面问题，提出了有效的解决方案。在此基础上，利用O p e n C V 提供的目标跟踪框架实现了一个运动目标检测与跟踪系统，能有效实现车辆目标检测和跟踪。关键词：运动检测；背景建模：背景更新；目标分割；灰色马尔可夫模型IT h eR e s e a r c ho nm o v i n go b je c td e
6、 t e c t i o na n dt r a c k i n gb a s e do nt r a f f i cs u r v e i l l a n c ev i d e oA b s t r a c tT h em o v i n go b j e c td e t e c t i o na n dt r a c k i n gb a s e do nv i d e oh a v eab r o a da p p l i c a t i o np r o s p e c ti nm a n yf i e l d ss u c ha ss e c u r i t ys u r v e
7、i l l a n c e，i n t e l l i g e n tt r a n s p o r t a t i o n，n a v i g a t i o na n dS Oo n,t h u st h e ya t t r a c tg r e a ta t t e n t i o nf r o mt h es c h o l a r si nt h ef i e l do fc o m p u t e rv i s i o n T a k et h eI n t e l l i g e n tT r a n s p o r t a t i o nF i e l df o re x a
8、 m p l e，t h et r a f f i cs u r v e i l l a n c ev i d e op r o v i d e st h er e a l-t i m et r a f f i ci n f o r m a t i o no nr o a di nw i d e-a r e as c e n e s T h r o u g hd e t e c t i n g，t r a c k i n ga n di d e n t i f y i n gt h em o v i n go b j e c t si nt h es u r v e i l l a n c e
9、s c e n e，w ec a no b t a i nt h et r a f f i ci n f o r m a t i o n，s u c ha st r a f f i cf l o w,s p e e d，r o a dc a p a c i t y,w h i c hC a no f f e rs o m es c i e n t i f i cr e f e r e n c ef o rt h et r a f f 五cc o n t r o l l i n g，i n d u c t i o na n ds i g n a lt i m i n gd e c i s i o
10、 n sa n dc o n s e q u e n t l ym a k et h eu r b a nt r a f f i cn e t w o r ko p e r a t ee f f i c i e n t l ya n ds a f e l y T a k e nt h es i n g l ej u n c t i o nt r a f f i cs u r v e i l l a n c ev i d e oa st h er e s e a r c ho b j e c t，t h i st h e s i se x p l o r e st h e i s s u eo
11、ft h em o v i n go b j e c td e t e c t i o na n dt r a c k i n go ft h et r a f f i cs u r v e i l l a n c ev i d e oi nas t a t i o n a r ym o n i t o r i n gc a m e r a T h em a i nc o n t e n ta n dr e s u l t sa r es u m m a r i z e da sf o l l o w s：(1)A f t e ra n a l y z i n gt h eb a c k g
12、r o u n dm o d e l i n gi s s u eo ft h ev i d e ot a k e nf r o mas t a t i o n a r yc a m e r a,w ei n t r o d u c ean e wm o d e lb a s e do nE f f e c tC o m p o n e n t sD e s c r i p t i o n，a n du s et h eM e a ns h i f ta l g o r i t h mt ol o c a t et h em o d e so ft h eu n d e r l y i n g
13、d i s t r i b u t i o np i x e l si nt h ei m a g es e q u e n c e st og e n e r a t ea ni d e a lb a c k g r o u n d T h i sM o d e li sr o b u s tt ot h ei n t e r f e r i n gf a c t o r s，s u c ha st h en o i s e，t h ev i b r a t i o no ft h ec a m e r a,a n dC a ne x t r a c tav e r yc l e a rb
14、a c k g r o u n dw i t h o u tb l u re f f e c tf r o mt h ei m a g es e q u e n c e sw i t hc l u t t e r e dm o v i n go b j e c t sa n dt h er e s u l ti sb e t t e rt h a nt h ec o m m o n l yu s e dM e a nF i l t e rM o d e la n dG a u s s i a nM i x t u r eM o d e l(2)A n a l y z et h ep o t e
15、 n t i a ld e f e c to ft h eI I Rf i l t e rb a c k g r o u n du p d a t i n ga l g o r i t h mi np r a c t i c ea n dp r o p o s ea na p p r o a c hb a s e do nt w of r a m e sw h i c hC a na v o i dt h ed e f e c to fl I Rf i l t e rt h a tc a n n o tr e f l e c tt h er e a lm o n i t o r i n gs
16、c e n a r i o M e a n t i m e，c o n s i d e r i n gt h er e a d t i m ea n dr o b u s td e m a n do ft h ea l g o r i t h mi np r a c t i c a la p p l i c a t i o n，w ei l l u s t r a t eab a c k g r o u n du p d a t i n gs t r a t e g yu s i n gv a r i o u sa l g o r i t h m sb a s e do nt i m e p
17、e r i o ds e g m e n t a t i o nc o m b i n ea c c o r d i n gt ot h ea d v a n t a g e sa n dd i s a d v a n t a g e so ft h ea l g o r i t h m sp r e s e n t e d(3)D u et ot h ed e f e c to ft h e i s s u et h a tt h ei m a g es e g m e n t a t i o na l g o r i t h mb a s e do nI lM a x i m u mE n
18、 t r o p yh a sal a r g ea m o u n to fc a l c u l a t i o na n di st i m e-c o n s u m i n g，w ep r o p o s e san e ww a yb a s e do nl i n e a rs c a l ec o m p r e s s i o no ft h ei m a g e，a n dd i r e c t l ys e g m e n t st h ei m a g e sw h o s e伊a ys c a l eW a sc o m p r e s s e d T h er e
19、 s u l t so ft h ee x p e r i m e n t ss h o wt h a tt h ee f f e c t so ft h eo b j e c ts e g m e n t a t i o na r en o ta f f e c t e d T h i sm e t h o dr e d u c e st h ea m o u n to fc o m p u t a t i o ne f f e c t i v e l y,a n dc a ni m p r o v et h er e a l t i m ep r o c e s s i n g(4)I n
20、t h ep h a s eo fo b j e c tt r a c k i n g，a na l g o r i t h mc o m b i n e 谢t l lg r a yp r e d i c t i o na n dm u l t i-f e a t u r em a t c h i n gW a su t i l i z e d T h eg r a yp r e d i c t i o nm o d e lW a se s t a b l i s h e dt h r o u g ht h em o v i n go b j e c tl o c a t i o nd a t
21、 at op r e d i c tt h ep o s i t i o no ft h em o v i n go b j e c ti nt h en e x tf r a m e，w h i c hc a nr e d u c et h es e a r c ha r e af o rt a r g e tm a t c h i n g C o n s i d e r i n gt h ed e f e c tt h a ts o m e t i m e st h eg r a yp r e d i c t i o ni su n s t a b l ea n dh a sd e v i
22、 a t i o n，w ei n t r o d u c et h eM a r k o vm o d e lt or e v i s et h ep r e d i c t i o nd e v i a t i o na n di m p r o v ep r e d i c t i o na c c u r a c y T h e n，t h er e a l-t i m et r a c k i n go ft h em o v i n go b j e c ti nt h et r a f f i cs u r v e i l l a n c es c e n ec a nb ei
23、m p l e m e n t e db yf e a t u r em a t c h i n go p e r a t i o nw h i c he x t r a c t sf r o mt h ec o m e ra n dp a r to ft h eg l o b a lf e a t u r e so ft h em o v i n go b j e c t T h i st h e s i ss t u d i e st h ed e t e c t i o na n dt r a c k i n gi s s u eo ft h et r a f f i cs u r v
24、e i l l a n c ev i d e ot a k e nf r o mas t a t i o n a r yc a m e r a S p e c i f i c a l l y,w ed i s c u s st h ea l g o r i t h m so fb a c k g r o u n dm o d e l i n g，b a c k g r o u n du p d a t i n g，o b j e c ts e g m e n t a t i o n，p r e d i c t i o n-t r a c k，a n df i n a l l yp r o p
25、o s es o m ee f f e c t i v es o l u t i o n s O nt h i sb a s i s，a d d i n gt ot h eh e l po ft h eO p e n C V sf r a m e w o r k，t h es t u d yp r o p o s e sas y s t e mf o rm o v i n go b j e c td e t e c t i o na n dt r a c k i n gw h i c hC a nd e t e c ta n dt r a c kt h ev e h i c l e si nt
26、 h ev i d e o K E YW O R D S：M o t i o nd e t e c t i o n B a c k g r o u n dm o d e l i n g；B a c k g r o u n du p d a t i n gO b j e c ts e g m e n t a t i o n；G r e yM a r k o vM o d e lI I I目录摘要。1A B S T R A C T 2第一章绪论11 1 本课题的研究背景及意义11 2 课题相关领域的研究现状21 2 1 智能交通系统发展的国内外现状21 2 2 运动目标检测与跟踪的研究现状。31
27、2 2 1 运动目标检测31 2 2 2 运动目标跟踪41 2 2 3 存在的主要问题51 3 本文的主要创新点及结构安排61 _ 3 1 本文的主要创新点61 3 2 本文的章节安排7第二章运动目标检测算法介绍82 1 运动目标检测算法82 1 1 光流法82 1 2 帧间差分法。92 1 3 背景减除法1 02 1 4 A d a B o o s t 算法1 12 1 5 本文选用算法1 22 2 典型的背景建模算法1 32 2 1 均值滤波法。1 32 2 2 基于参数密度估计的背景建模1 42 2 3 基于非参数密度估计的背景建模1 62 3 本章小结1 8第三章本文运动目标检测策略1
28、 93 1 背景建模算法1 93 1 1 E C D 背景建模算法原理1 9I V3 1 2 E C D 背景建模算法实现2 23 1 2 1 M e a nS h i f t 算法介绍2 23 1 2 2 E C D 建模的具体求解2 53 2 背景更新算法2 73 2 I l I R 背景更新算法介绍2 73 2 2 改进|I R 背景更新算法2 93 2 3 背景更新算法的选择策略3 23 3 图像分割算法3 23 3 1K S w 熵阈值分割算法原理3 23 3 2 改进的K S W 熵阈值分割3 33 4 阴影检测及形态学处理3 63 4 1 阴影检测与消除3 63 4 2 图像形态
29、学处理3 83 5 目标外接矩形提取3 93 6 运动目标检测算法实验结果4 03 7 本章小结4 1第四章运动目标跟踪算法研究4 34 1 视频跟踪理论概述4 34 1 1 两大理论框架4 34 1 2 常用跟踪算法。4 44 1 2 1M e a nS h i f t 跟踪算法4 44 1 2 2K a l m a n 滤波跟踪算法4 64 1 3 本文跟踪思路4 74 2 基于灰色预测模型的目标预测4 84 2 1G M(1，1)预测模型4 84 2 2 改进的G M(1，1)预测模型4 94 3 目标的多特征匹配跟踪5 14 3 1 跟踪区域设置5 14 3 2 目标特征匹配5 24
30、3 2 1 角点特征匹配5 2V4 3 2 2 全局特征匹配5 44 3 3 匹配实验结果5 54 4 基于视频的交通参数的获取5 64 4 1 车流量5 64 4 2 车辆速度。5 74 4 3 车辆运行轨迹5 74 5 运动目标跟踪算法实验结果5 74 6 本章小结5 9第五章系统设计与实现6 05 1 系统硬件设备与软件开发平台6 05 1 1 系统硬件平台6 05 1 2 软件开发平台6 15 2O P E N C V 目标跟踪框架介绍。6 15 2 1 前景检测模块6 15 2 2 新团块检测模块6 25 2 3 团块跟踪模块6 25 2 4 轨迹生成模块6 35 2 5 轨迹后处理
31、模块一6 45 2 6 跟踪流程处理模块6 55 2 7 自定义功能模块添加6 65 2 7 1 自定义运动检测模块。6 65 2 7 2 自定义运动跟踪模块6 65 2 7 3 软件运行界面6 75 3 本章小结6 8第六章全文总结与展望6 96 1 论文工作总结6 96 2 下一步研究展望6 9参考文献7 1致谢7 7攻读学位期间的研究成果7 8V T浙江理工大学硕士学位论文第一章绪论1 1 本课题的研究背景及意义视觉是人类获取外界信息、认知世界的主要手段。统计资料表明，人类通过视觉获取的信息量接近8 0。通过视频采集设备及图像处理、模式识别等学科理论与算法，构建机器的“视觉系统”，辅助人
32、们进行数据的监测、采集和分析，从而实现机器自动化、智能化决策，具有重大的现实意义。二十世纪中后期，通信、电子科学发展日新月异，人工智能、模式识别等新兴学科理论也不断取得新进展，为实现人类这一构想提供了必要基础。在此背景下，随着安防监控、智能交通及相关产业发展的信息化、智能化，基于视频的智能监控技术成为受到人们广泛关注的一个研究领域。城市交通系统是承载人类活动的基本构件之一。然而，现代城市在快速发展过程中普遍面临着严重的交通拥堵、安全、污染等系列问题。这不仅导致了不必要的能源消耗，加剧环境污染，也影响了人们正常生活秩序和生命健康。智能交通系统(I n t e l l i g e n tT r a
33、 n s p o r t a t i o nS y s t e m，简称I T S)，即充分运用现代信息技术实现对城市交通的科学管理、调度，保障交通路网的安全、高效运行。通过摄像机采集实时路面交通信息，以智能视频信息处理技术进行分析处理，获取和识别关键的交通信息并计算最优化交通控制方案，相当于智能交通系统的“大脑中枢，具有至关重要的作用。基于交通监控视频的运动目标检测与跟踪是智能交通系统的基础研究课题之一。通过对交通监控视频的运动分析处理，实时获取通行车速、交通流量、道路通行能力等信息，可以为智能交通系统实施交通调度、诱导及动态规划交通信号配时提供决策参考。传统的交通信息检测手段大多采用测速雷
34、达、环形检测线圈、超声波检测器等设备，不仅安装、维护困难，而且检测精度不高，检测范围小，获取的交通信息可靠性得不到保证。而基于视频的信息处理以视频采集设备获取路面交通信息，将图像处理、计算机视觉、信号与信息处理等多领域的技术综合于一体，获取场景内每个运动目标并分析其交通行为特征，从而获得全面直观的广域场景下的交通信息，具备可视化、智能化、可再现的特点，具有传统检测方式无法比拟的优势。近些年来，基于交通视频信息处理吸引了国内外大批学者的关注。车牌检测【l】、车型识别2 1、运动车辆检测与跟踪【3 5 1、道路交通信息检测【6-8 1 及车载视频导航【9 1 等都不断取得新的进展。本课题以单路口交
35、通监控视频为研究对象，对运动车辆检测与跟踪算法进行了深入研究，对智能交通系统的建立有重要意义。浙江理工大学硕士学位论文1 2 课题相关领域的研究现状1 2 1 智能交通系统发展的国内外现状汽车工业自上世纪七八十年代开始得到快速的发展，西方发达国家大多进入汽车社会化时代。汽车的普及虽然方便了人们的出行，但相伴而生的交通拥堵、交通事故、环境污染及能源短缺等诸多交通问题对人类的生命、健康、生存环境构成了威胁，成为世界各国城市面临的主要的“城市病”之一，严重的制约着城市的可持续发展。建设智能交通系统【lo J 改善城市交通状况在9 0 年代中后期成为世界范围内的普遍共识。智能交通系统将车辆、道路、交通
36、参与者综合考虑，运用各种高新技术，集交通信息采集系统、交通管理调度系统、交通智能导航系统、交通信息服务系统、交通事故预防和紧急救援系统等多个系统的优势，对整个城市交通进行科学的智能化调度和管控，充分运用城市道路通行能力，减少环境污染，有效保障城市交通安全、畅通运行。早在2 0 世纪6 0 年代，美国就开始进行I T S 的先驱性研究，电子路径诱导系统(E l e c t r i cR o u t eG u i d a n c eS y s t e m，简称E R G S)项目【1 1 1 是I T S 的最早起源。在I T S 研究的早期工作中，美国主要开展了车路系统智能化的探索研究，1 9
37、9 0 年美国运输部专门成立了智能车辆道路系统(I n t e l l i g e n tV e h i c l e H i g h w a yS y s t e m，简称I V H S)组织，促进了美国的I V H S 系统、全面的发展。美国交通部早在1 9 9 5 年就开始部署“国家智能交通系统项目规划”，明确了交通管理、运营调度、电子收费、车辆控制、应急管理等领域及相关服务的功能，制定了开发计划。2 0 0 1 年4 月，美国组织了I T S 行业专家全国高层讨论会，勾勒了未来I T S 的使命和发展目标，明确了为实现I T S 的发展目标所必须采取的行动。目前美国在I T S 的组织、
38、规划及研究、开发、运作等方面进行了大量的投资与部署，在I T S 的实际应用方面处于国际领先地位。欧洲从1 9 8 6 年开始涉足I T S 的研科1 2】。欧洲I T S 的部署由欧洲智能交通协会起草，该组织在欧洲有1 8 0 个伙伴，组建了2 7 个分会，完善的组织促进了智能交通在欧洲的发展。欧洲I T S 研究的特点是：在广泛的I T S 交通领域都进行着研究与开发；在道路上部署了大量车辆信息采集设备，使用先进的传感器和车辆定位系统，可通过互联网、电子信息公告板及移动电话、电视等手段为用户提供交通信息，实现数据采集、信息发布的一体化策略；欧洲重视公共交通的发展，公交乘客信息系统己广泛投入
39、使用；任何最新的I T S 技术方案，都可以在环境不同的1 2 个国家分别进行现场实验，具有可适应各种环境的技术及发展新技术的可能性。如目前欧洲各国正在广泛测试“车辆协同监控系统的装置，可大大缓解城市交通堵塞，且能实现自动寻找停车位、付停车费，方便驾驶者出行。2浙江理工大学硕士学位论文日本的I T S 发展也比较早，在2 0 世纪7 0 年代就进行了I T S 的研究探索，最初正式投入的汽车综合控制系统【1 2】(C o m p r e h e n s i v eA u t o m o b i l eC o n t r o lS y s t e m，简称C A C S)。8 0 年代以后又推动
40、了建设以省为主导的道路、车间通信系统(R o a d A u t o m o b i l eC o m m u n i c a t i o nS y s t e m，1 9 8 4 1 9 8 9)和以警察厅为主导的新汽车交通信息通信系统(A d v a n c e dM o b i l eT r a f f i cI n f o r m a t i o na n dC o m m u n i c a t i o nS y s t e m，1 9 8 7 1 9 8 8)两个I T S 项目。1 9 9 4 年日本成立了道路车辆智能化推进协会(V e h i c l e，R o a da n
41、dT r a f f i cI n t e l l i g e n c eS o c i e t y，简称V E R T I S)，专为制定日本I T S 的发展策略、协调工业和公用部门，推进日本的I T S 发展。日本的I T S研究成果直接面向市场，促进了I T S 相关项目的开发与应用。目前，日本在先进的交通管理系统(A d v a n c eT r a f f i cM a n a g e m e n tS y s t e m，简称A T M S)和先进的出行者信息系统(A d v a n c eT r a v e l e rI n f o r m a t i o nS y s t e
42、 m，简称A T I S)的实际应用方面处于国际领先地位。我国的智能交通监控技术研究也得到国家重视。科技部先后组织了“城市交通系统的组织优化与控制、“智能交通系统关键技术开发和示范工程等项目。国家8 6 3 计划中首次设立现代交通技术领域，启动了一批与I T S 相关的研究课题。国内的众多高校也在智能交通监控领域开展了深入研究。清华大学开发的“交通自动检测视觉系统V S 3 0 0 1”和哈尔滨工业大学的V T D 2 0 0 0 系列视频交通动态信息采集系统都实现了交通流信息采集的基本功能，但是系统的稳定性和可靠性有待进一步完善。上海交通大学图像处理和模式识别研究小组，开展了对车辆运动目标检
43、测的研究；国内也有不少公司推出了相关产品，如清华紫光的视频交通流量检测系统V S 3 0 0 1、深圳神州交通系统有限公司开发的V i d e oT r a c e T M、厦门恒深智能软件系统有限公司开发的H e a dS u nS m a r tV i e w e r-I I 视频交通检测器【1 3】等。1 2 2 运动目标检测与跟踪的研究现状现实生活中大量有意义的视觉信息都包含在运动目标之中。在机器视觉领域，基于视频的运动目标检测与跟踪研究也具有重要意义，在安防监控、智能交通、军事制导、虚拟现实及机器人技术等诸多领域具有广阔的应用前景。目前，在运动目标检测与跟踪这一课题的研究中已经取得了
44、很多成果，下面进行简要介绍。1 2 2 1 运动目标检测一般而言，运动目标检测算法的选择要考虑在具体应用中运动目标的背景和运动特性。如根据摄像机的工作方式不同，可以将运动目标背景分为静态背景和动态背景；运动特性主要指运动目标本身的颜色、大小、形状、数量、刚度等特征。目前实际的监控系统一般采用单摄像机静止采集图像的工作方式，而摄像机运动的情形，如车载视频导航、自动驾浙江理工大学硕士学位论文驶技术等，目前实际应用产品并不多见，主要在理论的研究探索阶段。背景减除法【1 4 d 9 1 是运动目标检测的最常用的一种方法，它是利用视频中的当前帧与背景图像进行差分运算，通过阈值判定来分割出运动目标。该算法
45、适用于静态背景下面积不大的运动目标检测，能较完整的分割出运动目标，但对于场景中的光照变化和其它干扰等特别敏感。学习和维护一个鲁棒的背景模型是背景减除法的关键。目前主要的背景模型有：均值滤波法【2 0 2 2 1、混合高斯法 2 3。2 7 1、隐马尔科夫模型法【2 9 3 0 1、非参数核密度法【2 8】【3 1 1 等。帧间差分法【3 2。3 4 1 是利用视频序列的连续两帧图像进行差分运算，并对差分图像进行阈值化来提取运动目标。该算法对动态环境具有较强的自适应性，但难以提取运动目标的所有的特征像素点，且对目标的运动速度有一定要求。若运动速度过于缓慢，帧差法难以有效提取运动目标，该算法主要适
46、用于目标运动稍快且对图像分割精度要求不高的场合。光流法【3 5。3 卅检测运动目标的原理是将视频序列图像的像素点看成一个速度矢量，图像上的点与三维物体上的点一一对应。根据各个像素点的速度矢量特征，可以对图像进行动态分析。该算法对静态、动态背景均有较好的适应性，能检测出独立的运动目标，而无需知道场景的先验信息。但是大多数的光流计算方法过于复杂，且抗噪性差，需要借助特殊的硬件支持。除以上常用的运动检测算法外，近年来各种新的算法不断涌现，如小波法【3 7】，人工神经网络法【3 羽、立体视觉法【3 9】等。文献【3 7】在分析T 4,波变换的基础上，提出了基于H a r r 小波变换的低信噪比小目标检
47、测算法，对复杂场景下的弱小目标的运动检测有较好的实时性和鲁棒性；文献【3 8】提出将图像分为4 0 x 4 0 的子块投影到一个线性滤波器组得到不同的图像模式，然后将这些不同的图像模式根据预先计算得到的聚类原形进行分类，最后用训练得到神经网络分类器来判断图像模式是否包含目标，具有很高的识别率。文献【3 9】论述了基于立体视觉的多目标运动检测问题。通过双目摄像机对场景进行拍摄，获取立体图像序列对并进行匹配求取场景的视差图，再运用基于视差的背景差分法获取含有运动目标的前景区域，根据前景区域的视差和位置分布准确定位各运动目标，有效克服了光线、阴影干扰，在多个目标发生部分遮挡时仍能正确区分各个运动目标
48、。1 2 2 2 运动目标跟踪运动目标跟踪，即对检测到的运动目标进行实时跟踪，从而描述目标的运动轨迹，提取其目标的动态特征。在视频跟踪领域，有多种不同类型的跟踪算法。根据所属类型的不同可以对它进行分类，比如：有刚性目标的跟踪算法和非刚性目标的跟踪算法；也有基于运动分析的跟踪算法和基于模型的跟踪算法等。实际上，无论哪种跟踪算法，本质上都可4浙江理工大学硕士学位论文以概括为期望目标与潜在目标的匹配过程。根据匹配属性的不同，可将跟踪算法分为基于区域的跟踪、基于变形模板的跟踪、基于特征的跟踪和基于活动轮廓的跟踪四类方法。(1)区域匹配：区域匹配的思想是通过图像分割或人为选定特定的目标模板，在视频序列中
49、计算候选模板与目标模板的相似程度，运用相关算法来确定当前图像中目标的具体位置。其原理是对图像的外部特征直接做匹配运算，与选定的目标模板匹配程度最高的就是目标区域。常用的基于区域匹配的跟踪方法有：颜色法 4 0 l、形状法【4 1 1、差方和法1 4 2 等。在目标未被遮挡的情况下，该算法跟踪稳定、可信度高，但需对图像进行较大区域的搜索匹配，计算量较大，实时性不好。(2)变形模板：基于变形模板的跟踪是利用目标边缘轮廓特征来进行匹配的跟踪算法。变形模板是图像的纹理或边缘可以按一定限制条件变形的曲线或面板。由于大多数跟踪目标存在非刚性的特点，而变形模板有着良好的性能和弹性，通过方向及方向的变形能逐渐
50、与真实目标相适应。常用的是基于主动轮廓模型的边缘检测法，如K a s s 等人提出的S n a k e主动轮廓模型【4 3】是一种典型的自由式变形模板，它将目标轮廓在拉格朗日框架下显性的描述为一条参数化的曲线，能随着目标形态的变化而自动提取出非常平滑的目标轮廓。(3)特征匹配m 4 7】：特征匹配，即以目标的某个或某些稳定特征为约束建立两帧图像特征点的匹配对应关系。如常用的目标特征包括点、线段、颜色、角点、纹理、轮廓、边缘等。该算法优点是可以只利用目标的部分特征实现目标跟踪，但在跟踪中目标可能被遮挡或发生旋转、形变等，导致目标部分特征信息的消失，使得跟踪算法不够稳定。实际上，由于目标本身的运动