張建飛

（中北大學 信息與通信工程學院， 山西太原 030051）

0 引言

智能交通系統(tǒng)是目前世界各國交通領(lǐng)域競相研究和開發(fā)的前沿研究課題和熱點。它是將先進的信息技術(shù)、數(shù)據(jù)通訊傳輸技術(shù)、電子控制技術(shù)、傳感器技術(shù)以及計算機處理技術(shù)等有效地綜合運用于整個交通體系，從而建立起的一種在大范圍內(nèi)、全方位發(fā)揮作用的實時、準確、高效的交通綜合管理系統(tǒng)。運動目標檢測與跟蹤是智能交通系統(tǒng)的一個重要組成部分，因此該課題的研究就顯得尤為重要[1]。

1 視頻圖像預處理

1.1 圖像灰度化

圖像灰度化就是將彩色圖像中的彩色信息剔除，只包含亮度信息。計算機中表示灰度圖是把亮度值進行量化等分成0～255共256個級別，0最暗(全黑)，255最亮(全白)，而在RGB模型中，如果R=G=B，則顏色（R,G,B）就表示灰度色?？紤]到圖像的合理性，本文選用下面的公式進行灰度轉(zhuǎn)換：

其中Gray表示圖像中像素的灰度值，R表示該像素的紅色分量，G表示綠色分量，B表示藍色分量。在opencv函數(shù)庫中，圖像的灰度化可以通過cvCvtColor(const CvArr*src, CvArr* dst, int code)函數(shù)實現(xiàn)的。

1.2 中值濾波

中值濾波是由Tukey首先提出的一種基于排序統(tǒng)計理論，能有效抑制噪聲的非線性信號處理技術(shù)。它也是一種鄰域運算，類似于卷積，但是計算的不是加權(quán)求和，而是把數(shù)字圖像或數(shù)字序列中一點的值用該點的一個鄰域中各點值的中值代替，讓周圍像素灰度值的差比較大的像素改取與周圍的像素值接近的值，從而可以消除孤立的噪聲點。它能減弱或消除傅立葉空間的高頻分量，但影響低頻分量。因為高頻分量對應圖像中的區(qū)域邊緣的灰度值具有較大較快變化的部分，該濾波可將這些分量濾除，使圖像平滑。標準一維中值濾波器的定義為：

式中med 表示取中值操作，中值濾波的濾波方法是對滑動窗口2N+1內(nèi)的像素做大小排序，濾波結(jié)果的輸出像素值規(guī)定為該序列的中值。

1.3 圖像二值化

圖像分割是圖像處理和計算機視覺中基本而關(guān)鍵的技術(shù)之一，它是將目標與背景分離，為后續(xù)的分類、識別和檢索提供依據(jù)。圖像分割方法通常包括閾值法、邊緣檢測法、區(qū)域跟蹤法等。在圖像分割的諸多方法中，二值化技術(shù)是一種簡單有效的方法。圖像的二值化按下述公式進行：

式中，G(x，y)是原圖像中位于(i,j)處像素的灰度；Gb(i,j)是二值化后該處的像素值，它只能取O或l，將上式所得二值圖像中數(shù)值為0的部分表示背景，數(shù)值為1的部分表示對象圖形。T為用于二值化處理的閉值。二值化的過程本身比較簡單，關(guān)鍵問題就是閩值的選取。本文采用了大津法（OTSU）進行了閾值的選取。

在OpenCV中，圖像的二值化是由函數(shù)void cvTheshold(const CvArr* src,CvArr*dst, double threshold,double max_value, int threshold_type )

1.4 數(shù)學形態(tài)學處理

在數(shù)學形態(tài)學處理中采用了閉運算、開運算和孔洞填充等操作[3]，定義形式如下。

(a) A被B的形態(tài)學閉運算記做A·B，是先膨脹再腐蝕的結(jié)果，用數(shù)學公式表示為：

(b) A被B的形態(tài)學開運算記做A?B，是先腐蝕再膨脹的結(jié)果，用數(shù)學公式表示為：

(c)假設(shè)一幅標記圖像fm，該圖像的邊緣部分的值為1-f，其余部分的值為0。

則填充圖像f中的孔洞的公式為：

2 運動目標的檢測與跟蹤

2.1 運動目標檢測

視頻圖像中運動目標的檢測主要有幀間差分、光流法和背景差分等3種方法[5]。由于前兩種方法存在提取的目標不精確、實時性差和抗噪性弱等缺點，對后期的分類識別不利，因此本文采用surendra背景更新算法實現(xiàn)對運動目標的檢測。具體的過程如下：

(a) 將第一幀圖像I0作為背景B0

(b) 選取閾值T，該閾值根據(jù)背景變化情況進行噪聲選擇。

(c) 求當前幀的幀間差分圖像Ri(x，y)，span為幀抽取間隔:

(d)用二值圖像Ri(x，y)控制更新背景圖像Bi(x，y)：

式中：Bi(x，y)，Ri(x，y)為背景圖像和差分二值圖像在（x,y）的灰度值，Ii為輸入的第i幀圖像，為迭代速度系數(shù)。

(e)迭代次數(shù)m=m+1,當?shù)螖?shù)m=MAX_STEPS時結(jié)束迭代，此時Bi(x，y)在一定程度上可以視為背景圖像。

(f)當前幀與背景進行差分得到運動目標的前景F（x,y）:

Surendra 背景更新算法有效降低運動目標對背景的干擾，能夠提供更好的運動目標檢測結(jié)果[6]。

2.2 運動目標跟蹤

運動目標的跟蹤是把運動的物體檢測出來后，對目標編號并獲取其運動軌跡。為了實現(xiàn)該功能，本文基于Kalamn濾波[7]的MeanShift[8]目標跟蹤算法將整個過程分成如下幾個模塊實現(xiàn)：前景檢測模塊、新團塊檢測模塊、團塊跟蹤模塊、軌跡生成模塊和軌跡后處理模塊，最后由跟蹤流程模塊CvBlobTrackAuto將這5個模塊連接起來，構(gòu)成一個完整的跟蹤流程。下面對各模塊簡單介紹一下：

(a)前景檢測模塊：對每一個像素判斷其是前景還是背景。

(b)新團塊檢測模塊：使用前景檢測的結(jié)果檢測新進入場景的團體。

(c)團塊跟蹤模塊：使用新團塊檢測模塊的結(jié)果初始化該模塊，并跟蹤新進入的團體。

(d)軌跡生成模塊：主要是保存操作。收集所有團塊的位置，并在每條軌跡結(jié)束時將其保存到硬盤上。

(e)軌跡后處理模塊：進行軌跡的平滑操作。

(f)跟蹤流程模塊：將前面提到的5個模塊連接起來，形成一個處理流程。

3 實驗結(jié)果和分析

根據(jù)本文的算法用VC++6.0軟件編寫實現(xiàn)，采用OpenCV對視頻進行讀取和顯示。其程序是一個基于對話框的MFC應用程序，對話框上3個按鈕分別實現(xiàn)打開視頻、目標檢測和目標跟蹤的功能。如圖1所示。

圖1 程序界面

點擊對話框上的‘打開視頻’按鈕，選擇‘yas12.avi’，點擊打開。如圖2所示。

圖2 程序讀取視頻

打開視頻后，點擊對話框上的‘檢測處理’按鈕，可實現(xiàn)對運動目標的檢測。如圖3～5所示。

圖3 視頻播放

圖4 提取背景

圖5 檢測出運動目標

點擊對話框上的‘跟蹤處理’按鈕，可實現(xiàn)對運動目標的跟蹤。運動車輛都被跟蹤上，并分配好了ID號碼實現(xiàn)了計數(shù)，該程序還能標記跟蹤狀態(tài)的好壞，紅色環(huán)圈住的區(qū)域中顯示了一個abnormal，表示該目標跟蹤異常，綠色則表示穩(wěn)定跟蹤，如圖6所示。

圖6 跟蹤運動目標

4 結(jié)論

本文結(jié)合了Surendra背景更新算法和動態(tài)閾值自動提取的OTSU算法，穩(wěn)定地提取了背景圖像，實現(xiàn)了運動目標的檢測。采用了基于Kalamn濾波的MeanShift目標跟蹤算法進行了運動目標的跟蹤。最后在OpenCV開發(fā)平臺下驗證了算法的可行性，實驗取得了較好的效果。

[1]STEFANO MESSLODI,CARLA MARIA MODEN.Vision-based bicycle and motorcycle classification[J].Pattern Recognition Letters,.2007(28): 1719-1726.

[2]馬桂珍,朱玲贊,段麗.基于OpenCV 的視頻應用程序的開發(fā)方法[J].現(xiàn)代電子技術(shù),2007(4):78-79.

[3]Serra J.Introduction to Mathematical Morphology[J].Computer Vision, Graphics and Image processing,1998,35(1):283-305.

[4]Jen-Chao Taj,Shung-Tseng.Real time Image Tracking for Automatic Traffic Monitoring and Enforcement Applications Visual track in[J].Image and Vision Computing ,2004,22(6):640-649.

[5]楊學超,劉文萍.視頻圖像序列中的運動目標檢測技術(shù)[J].計算機應用與軟件,2008(1):215-217.

[6]張偉,鮑旭東.基于自適應卡爾曼濾波的運動車輛檢測[J].電腦知識與技術(shù),2008(9).

[7]王建文,稅海濤,馬宏緒.卡爾曼體系下的濾波算法計算框架[J].數(shù)據(jù)采集與處理,2009(1).

[8]尹彥,耿兆豐.基于背景模型的運動目標檢測與跟蹤[J].微計算機信息,2008(1):298-300.