摘要：从运动背景中检测与跟踪运动目标是计算机视觉研究领域的热点，本文根据帧差法的基本原理，提出了一种针对复杂背景的运动目标检测方法，首先通过设定阈值滤除序列图像中的噪声，然后对三帧算法进行改进，即利用序列中多帧图像融合运动信息，并确定参考区域，通过对原图像进行回扫描，最终提取出完整的运动目标轮廓。最后采用一种运动物体跟踪算法，实现了运动物体和静止物体的识别，克服了以往算法中的误检和空洞问题，实验结果表明，该方法能够满足实时性的要求。

　　关键字：运动目标;帧差法;物体跟踪;多帧图像融合;

　　中图分类号 TP391.41 文献标识码：A

　　Abstract: Detecting and tracking of moving target from motion background become a focus in the field of computer vision. A modified method based on the principle of frames subtraction was presented. Firstly, Filtered the noise in the image sequence by setting a threshold, then improve the three frames algorithm. That is using the integrated campaign information of multi-frame image in the sequence, determining reference region and extracting complete moving object contour through back-scanning to the original image. Finally realizing the Recognition of moving object and stationary object using a moving object tracking algorithm, which overcome the problem of misuse detecting and empty in the old algorithm. The experiment shows that this method could satisfy the real time requirement.

　　Key words: moving object; frame subtraction; object tracking; frames fusion;

　　1引言

　　随着计算机技术、机器人和各种智能系统技术的发展，使用计算机模拟人类的视觉功能成为目前计算机领域的最热门话题。而运动目标检测和跟踪是应用视觉研究领域的一个重要的课题，也越来越受到关注，开始在军事和民用等诸多领域得到了广泛的应用。这一技术包括了运动目标的检测、跟踪、分类和识别等方面，涉及到计算机视觉、模式识别和人工智能领域的许多核心课题，是一个具有挑战性的困难问题。

　　运动物体的检测与跟踪处于整个视觉监视系统的最低层,是各种后续高级处理如目标分类、行为理解等的基础。运动目标的检测是指从视频流中实时地提取出运动目标,运动目标的跟踪则是对运动目标进行连续的跟踪，以便分析其行为。常见的运动目标检测方法有光流法[1]、背景消减法[2]、时间差分法[3]等。这些算法虽然能进行快速目标检测，但在实际场景中往往不能精确提取出运动目标，从而给后续的处理带来一定的困难。

　　针对现有方法存在的问题，本文首先通过设定阈值滤除序列图像中的噪声。然后为获得非刚体运动目标的完整信息，对三帧算法进行了改进，利用多帧图像融合运动信息，在确定参考区域后对原图像进行回扫描，最终获得了比较完整的运动目标。在车辆跟踪方面，本文采用区域跟踪的方法实现对车辆的跟踪,并在区域跟踪算法中选用了二个参数实现匹配。该方法能够在物体重叠和遮挡的情况下准确地定位出运动物体在图像中的位置。很好地实现了物体的跟踪。

　　2运动目标的检测

　　2. 1　图像序列预处理

　　图像预处理主要是为了增强图像中目标和背景图像的对比度，并去除采集和传输图像时产生的噪声。

在摄像机静止的条件下，利用图像序列帧间差分方法来检测运动区域是最有效的方法，在提取背景帧的过程中由于用帧间差分法消除了运动物体对应像素点的影响，因而能够得到干净的背景。本文首先从差分图像(灰度图)的未变化的背景区域提取一个的图像块，该块像素的分布应与中未变化的区域像素的分布规律相一致，通过估计该图像块的均值和方差来设计检测门限,其中均值与方差分别用下式进行估计：

(2.1.1)

(2.1.2)

检测门限表示为：，其中是加权系数，可由实验确定,一般取=3~5。然后对当前的灰度图像使用图像分割算法进行二值化

(2.1.3)

其中为和时刻图像帧的灰度值。是二值化设定的阈值。

　　虽然这种阈值的选取可以随着整体亮度和背景缓慢的变化而变化，但对于复杂背景的图像，单一的帧内阈值不可能去除掉所有噪声和背景。

　　2.2 噪声去除

在二值化后的图像里，其中运动目标和噪声点的象素点分布有很大的区别，运动目标区域表现为若干具有一定亮度且分布密集连续的像素点组成一定较大形状空间的集合，而噪声点则表示为相对孤立且比较稀疏离散的像素点的较小形状的集合，但是由于图像上各像素的灰度值分布不是相互独立的，各像素之间有一定的概率依赖关系，从而目标像素点就组成了一定形状的集合,称其为目标基元。本文采用4×4大小的正方形，一个目标基元可以看作一个马尔可夫随机场。这样，可以利用马尔可夫随机场的性质去除噪声。设在4×4点矩阵内,白色点个数为，根据马尔可夫性,作如下假设：当目标基元中大多数像素点表现为白色时，认为目标基元中所有像素都显示白色;相反，认为目标基元中所有像素都显示黑色。这样不仅可以将离散噪声去掉，同时可以比较完整的保留目标的轮廓信息。

　　2.3 三帧时间差分法

　　传统的帧差法尽管具有很强的自适应性，但对“进行差分的帧”的选择时机要求较高，而且有赖于运动目标的运动速度。如果目标运动速度较快，且选取的时间间隔过大，会造成两帧之间无覆盖区，导致运动目标无法分割;如果目标运动速度过慢，且选取的时间过小，则会造成过度覆盖，使目标检测出现空洞(最坏时，目标几乎完全重叠)，同样检测不到目标。

　　三帧时间差分法[5]是建立在连续帧差法基础上的，即分别对连续三帧图像中前帧与中间帧、中间帧与后帧进行两帧时间差分运算,本文实验中所用的车辆图像是通过数码摄像机采集的，原始图像为彩色图像。其中，颜色模型为RGB模型，图像中的任何颜色都是通过红(Red)、蓝(Green)、绿(Blue)三种基本颜色按照不同的比例混合得到，红、蓝、绿被称为三原色[4]。本文中三帧差分法对车辆的检测算法没有利用到彩色的信息，而是将彩色图像转换为灰度图像。由于人的视觉对颜色的敏感度不同，等量的红、蓝、绿混合不能得到对应亮度相同的灰度值，大量的实验数据表明，当采用0.3份红色、0.59份绿色、0.11份蓝色混合后可以得到比较符合人类是视觉的灰度值，即如公式(2.3.1)所示。

 1/3    1 2 3 下一页 尾页