1.引言

近年來，隨著我國職業(yè)院校的不斷發(fā)展，校園建筑面積和規(guī)模逐步擴(kuò)大，校園的流動(dòng)人口大量增加，治安形勢(shì)錯(cuò)綜復(fù)雜，做好校園的安保工作，僅靠簡單的增加人力和物力，采取常規(guī)的防范措施已經(jīng)很難適應(yīng)新形勢(shì)的需要。為了加強(qiáng)校園安全防范整體力量，有效保護(hù)校園與學(xué)生的財(cái)產(chǎn)安全，利用先進(jìn)的科技手段建立一套功能完善、覆蓋范圍廣泛的監(jiān)控系統(tǒng)是維護(hù)學(xué)生正常學(xué)習(xí)、生活，創(chuàng)造平安校園的必要條件。

智能視頻監(jiān)控是綜合利用圖像處理、機(jī)器視覺和計(jì)算機(jī)視覺知識(shí)進(jìn)行研究的一個(gè)新興的研究方向和備受關(guān)注的前沿課題。與傳統(tǒng)的模擬監(jiān)控不同，智能監(jiān)控系統(tǒng)能實(shí)時(shí)的對(duì)攝像機(jī)捕捉到的視頻序列進(jìn)行處理和分析，自動(dòng)完成動(dòng)態(tài)目標(biāo)的檢測、識(shí)別和跟蹤，并在此基礎(chǔ)上可以進(jìn)一步對(duì)目標(biāo)的行為進(jìn)行分析和理解。本文構(gòu)建的校園智能視頻監(jiān)控系統(tǒng)利用OpenCV實(shí)現(xiàn)了對(duì)視頻圖像中動(dòng)態(tài)目標(biāo)的行為快速有效地進(jìn)行監(jiān)控和分析，并實(shí)現(xiàn)了對(duì)動(dòng)態(tài)目標(biāo)的精確跟蹤。

2.OpenCV視覺庫簡介

OpenCV是Intel公司開發(fā)的用于數(shù)字圖像處理和計(jì)算機(jī)視覺的函數(shù)庫[1]。它由一系列C函數(shù)和少量C++類構(gòu)成，實(shí)現(xiàn)了圖像處理和計(jì)算機(jī)視覺方面的很多通用算法。OpenCV其源代碼完全開放，運(yùn)行速度快，由于具有良好的可移植性和統(tǒng)一的結(jié)構(gòu)及其穩(wěn)定性，因此可以縮短系統(tǒng)設(shè)計(jì)的開發(fā)周期，使系統(tǒng)運(yùn)行更加穩(wěn)定。

鑒于OpenCV的特點(diǎn)，它主要用于對(duì)視頻圖像進(jìn)行一些高級(jí)處理，如人臉識(shí)別、動(dòng)態(tài)跟蹤、圖像分割及人機(jī)互動(dòng)等。

3.校園智能視頻監(jiān)控系統(tǒng)的實(shí)現(xiàn)

3.1 系統(tǒng)工作流程

當(dāng)動(dòng)態(tài)目標(biāo)出現(xiàn)在可視范圍內(nèi)，首先通過背景差分法將前景圖像與背景圖像分離，再對(duì)差值進(jìn)行二值化判斷，利用給定的閾值去除噪聲等干擾后，從場景中檢測出動(dòng)態(tài)目標(biāo)。與之前檢測出的目標(biāo)做特征比對(duì)，如果是新目標(biāo)則加入到跟蹤序列中，如果是舊目標(biāo)則舍棄。目標(biāo)跟蹤階段，對(duì)跟蹤序列中的目標(biāo)采用CamShift跟蹤算法，提取目標(biāo)特征信息，并獲得其運(yùn)動(dòng)軌跡，對(duì)目標(biāo)進(jìn)行實(shí)時(shí)跟蹤。其關(guān)鍵點(diǎn)在于目標(biāo)的特征信息提取和匹配，這是決定目標(biāo)跟蹤效果的重大因素。

3.2 動(dòng)態(tài)目標(biāo)檢測

動(dòng)態(tài)目標(biāo)檢測是校園智能視頻監(jiān)控系統(tǒng)的重要組成部分。動(dòng)態(tài)目標(biāo)檢測的主要目的是從視頻圖像中實(shí)時(shí)的提取出動(dòng)態(tài)目標(biāo)并獲得動(dòng)態(tài)目標(biāo)的特征信息，如色彩、形狀、輪廓等[2]。動(dòng)態(tài)目標(biāo)提取的過程就是在連續(xù)的視頻圖像序列中尋找差異，并把由于目標(biāo)運(yùn)動(dòng)和表現(xiàn)出來的差異提取出來。

動(dòng)態(tài)目標(biāo)檢測常用的有四種常用方法：連續(xù)幀間差分法、背景差分法、光流法和運(yùn)動(dòng)能量法[3]。由于背景差分法具有實(shí)現(xiàn)簡單，運(yùn)算速度快，因此最常用。它通過當(dāng)前幀圖像與背景圖像相減并提取出感興趣區(qū)域來檢測動(dòng)態(tài)目標(biāo)，固定場景下應(yīng)用背景差分法進(jìn)行動(dòng)態(tài)目標(biāo)檢測，關(guān)鍵在于創(chuàng)建和維護(hù)一個(gè)可靠的背景。針對(duì)這種情況，背景模型應(yīng)運(yùn)而生。評(píng)價(jià)一個(gè)好的背景模型，應(yīng)該從兩個(gè)方面進(jìn)行考慮：第一，背景模型對(duì)背景變化的響應(yīng)速度要足夠快；第二，背景模型對(duì)運(yùn)動(dòng)目標(biāo)要有較強(qiáng)的抗干擾能力。

3.2.1 提取前景圖像

假設(shè)環(huán)境溫度不變，視頻圖像的背景也不變，當(dāng)動(dòng)態(tài)目標(biāo)出現(xiàn)時(shí).圖像相應(yīng)像素點(diǎn)的灰度值會(huì)發(fā)生明顯的改變，利用圖像減法就可以得到差分灰度圖像[4]。差分灰度圖像包含了動(dòng)態(tài)目標(biāo)信息，相對(duì)于背景圖像又稱之為前景圖像。相減的結(jié)果中每一像素的值和一個(gè)預(yù)先設(shè)定的閾值相比較，若這個(gè)像素的值大于閾值，則認(rèn)為這點(diǎn)是前景圖像，否則是背景圖像。假設(shè)利用圖像平均法可得到當(dāng)前背景圖像BK(x,y)，當(dāng)前的輸入圖像為CK(x,y)，則前景圖像DK(x,y)可以表示為當(dāng)前圖像與背景圖像差的絕對(duì)值即：DK(x,y)=|CK(x,y)-BK(x,y)|

3.2.2 差分圖像二值化

選取T為閾值，對(duì)差分圖像進(jìn)行二值化[5]：

其中，EK為進(jìn)行二值化后的圖像，當(dāng)差分圖像中像素值大于某一給定的閾值T時(shí)，則認(rèn)為該像素為前景像素，即認(rèn)為該像素可能為目標(biāo)上的一點(diǎn)，反之則認(rèn)為是背景像素。

在OpenCV中，差分圖像的二值化是由函數(shù)void cvTheshold實(shí)現(xiàn)的。

由于背景差分法受外界光線的變化、背景中含有輕微擾動(dòng)的對(duì)象，如樹枝、樹葉的搖動(dòng)等的影響，因此對(duì)前景圖像還要進(jìn)行一系列的圖像處理。包括：平滑處理，形態(tài)學(xué)膨脹、腐蝕，二值化操作，輪廓提取等。但是并不是所有的輪廓都是由目標(biāo)產(chǎn)生的，有些是目標(biāo)的子輪廓或者是噪聲產(chǎn)生的輪廓，因此必須對(duì)輪廓進(jìn)行篩選，淘汰偽目標(biāo)的輪廓，把目標(biāo)輪廓篩選出來后加入到跟蹤隊(duì)列。

3.3 動(dòng)態(tài)目標(biāo)跟蹤

在校園智能視頻監(jiān)控系統(tǒng)中，動(dòng)態(tài)目標(biāo)跟蹤起著承上啟下的作用，它是利用圖像處理和計(jì)算機(jī)視覺等相關(guān)技術(shù)對(duì)視頻圖像序列進(jìn)行處理和分析，在連續(xù)的圖像序列中找到動(dòng)態(tài)目標(biāo)的位置和相關(guān)信息，比如動(dòng)態(tài)目標(biāo)的速度、形狀等。為了實(shí)現(xiàn)該功能，本文采用了OpenCV中的CamShift目標(biāo)跟蹤算法。它主要通過視頻圖像中動(dòng)態(tài)目標(biāo)的顏色信息來達(dá)到跟蹤的目的。

3.3.1 CamShift算法簡介

Gary R.Bradski提出的CamShift算法，是以顏色直方圖為目標(biāo)模式的目標(biāo)跟蹤算法，是對(duì)MeanShift算法的改良，可以有效地解決目標(biāo)變形和部分遮擋的問題，而且運(yùn)算效率很高。它的基本思想是將視頻圖像的所有幀做MeanShift運(yùn)算，將上一幀的運(yùn)算信息作為搜索窗口的初始值，并將初始值作為對(duì)下一幀圖像運(yùn)算的輸入，進(jìn)行迭代后實(shí)現(xiàn)對(duì)動(dòng)態(tài)目標(biāo)在每一幀圖像序列中的連續(xù)跟蹤。由于RGB顏色空間對(duì)光照亮度變化比較敏感，為了減少光照亮度變化對(duì)跟蹤效果的影響，CamShift算法將圖像由RGB顏色空間轉(zhuǎn)化到HSV顏色模型，方便對(duì)動(dòng)態(tài)目標(biāo)特征的提取。

3.3.2 CamShift算法實(shí)現(xiàn)

在OpenCV庫中，CvCamShiftTracker類就是用來實(shí)現(xiàn)CamShift算法的，使得進(jìn)行二次開發(fā)變得很簡單[7]。

其中，prob_image為目標(biāo)直方圖的反向投影；Window為初始搜索窗口；criteria為確定窗口搜索停止的準(zhǔn)則；comp為生成的結(jié)果，包含收斂的搜索窗口坐標(biāo)(comp→rect字段)與窗口內(nèi)部所有像素點(diǎn)的和(comp→area字段)；box為目標(biāo)的最小矩形。如果非NULL，則包含目標(biāo)的尺寸和方向。

利用該函數(shù)，在VC++2010開發(fā)環(huán)境下，就很容易實(shí)現(xiàn)CamShift算法跟蹤動(dòng)態(tài)目標(biāo)。

4.結(jié)束語

本文設(shè)計(jì)的基于OpenCV的校園智能視頻監(jiān)控系統(tǒng)，由于其較低的計(jì)算復(fù)雜度和較高的魯棒性，具有廣闊的應(yīng)用前景。采用了背景差分法作為動(dòng)態(tài)目標(biāo)檢測的方法。檢測是跟蹤的前提，檢測結(jié)果的精確性直接影響跟蹤的可靠性。利用CamShift跟蹤算法提取每個(gè)動(dòng)態(tài)目標(biāo)的顏色特征信息，實(shí)現(xiàn)對(duì)多個(gè)動(dòng)態(tài)目標(biāo)的精確跟蹤，最后將動(dòng)態(tài)目標(biāo)的輪廓和運(yùn)動(dòng)軌跡描述出來。

該系統(tǒng)平臺(tái)簡單，大大縮短工作人員的開發(fā)周期，只需根據(jù)不同的需要進(jìn)行簡單的改進(jìn)，就可以實(shí)現(xiàn)多種場合的不同應(yīng)用。實(shí)驗(yàn)證明，系統(tǒng)運(yùn)行穩(wěn)定，檢測結(jié)果真實(shí)可靠，具有較高的精確度。

[1]Gary Bradski,Adrian Kaehler.學(xué)習(xí)OpenCV[M].北京:清華大學(xué)出版社,2009.

[2]譚歆,武岳.基于OpenCV的運(yùn)動(dòng)目標(biāo)檢測方法研究與應(yīng)用[J].視頻應(yīng)用與工程,2010,34(S1):184-187.

[3]尹俊超,劉直芳.基于OpenCV的運(yùn)動(dòng)目標(biāo)檢測與跟蹤[J].計(jì)算機(jī)工程與設(shè)計(jì),2011,32(8):2817-2820.

[4]林洪文,姚作,涂丹,李國輝.基于減背景技術(shù)的運(yùn)動(dòng)目標(biāo)檢測方法研究[J].國防科技大學(xué)學(xué)報(bào),2003,25(3):66-69.

[5]侯宏錄,李寧烏,劉迪迪,陳杰.智能視頻監(jiān)控中運(yùn)動(dòng)目標(biāo)檢測的研究[J].計(jì)算機(jī)技術(shù)與發(fā)展,2012,22(2):49-52.

[6]鄒鐵軍,張書偉,蔣杰,閆保中.基于OpenCV的運(yùn)動(dòng)目標(biāo)定位跟蹤系統(tǒng)軟件設(shè)計(jì)[J].智能計(jì)算機(jī)與應(yīng)用,2012,2(3):60-63.

[7]李振偉,陳種,趙有.基于OpenCV的運(yùn)動(dòng)目標(biāo)跟蹤及其實(shí)現(xiàn)[J].科學(xué)計(jì)算及信息處理,2008,20:128-130.