梁 成

（西安醫(yī)學(xué)院 公共課部計算機教研室，陜西 西安710021）

1 目標區(qū)域的重心跟蹤

1.1 目標區(qū)域的重心

我們利用連通域標記[1]來判斷行人。 根據(jù)連通域的外接矩形的重心的跟著軌跡來判斷行人。 目標區(qū)域由于背景提取和二值化的偏差，目標物的中心往往不是目標物的重心。所以本文根據(jù)目標區(qū)域計算目標區(qū)域的重心[2]。 從而對重心進行跟蹤。

由于二值化的影響使連通域標記的外接矩形的不能更好的反應(yīng)目標物地真實情況。 現(xiàn)在為了避免上述情況，本文在確定外接矩形前進行二值化投影。先進行行投影。統(tǒng)計每行中的塊為白色的塊數(shù)，再進行列投影，統(tǒng)計每列中的塊為白色的塊數(shù)。

根據(jù)行投影和列投影計算目標物的重心。以重心的列的坐標計算為例，其計算思想：設(shè)圖像目標物塊數(shù)為N，列數(shù)為［0，L－1］，對應(yīng)列i的目標物塊數(shù)為ni，幾率為：

則重心的列y=i*pi。

1.2 目標區(qū)域的重心軌跡分析

得到目標物重心以后，進行目標物重心的跟蹤，跟蹤的思想：得到重心后，保存重心的行和列，第二幀在上一幀中的重心附近進行搜索，搜索的范圍本文設(shè)定為行數(shù)塊數(shù)為4 塊列數(shù)的塊數(shù)為8 塊，如果搜索到有目標物的重心，就認為兩幀為同一目標物，更新重心的列和行坐標，搜索下一幀。 本文搜索的幀數(shù)設(shè)定為10 幀。 根據(jù)每十幀目標物重心的跟蹤軌跡[3]，分析目標物的速度。 由于車輛速度較快，行人速度較慢，但閾值的選取有困難，所以目標物的速度在本文中是十幀的位移矢量和，這樣做是為了放大速度之間的差距。

2 目標區(qū)域特征點的跟蹤

2.1 特征點的選取

目標物的特征點[4]的選取直接影響到目標物的跟蹤，所以選取目標物的特征點要有代表性和特征性。本文選取目標物的棱角作為它的特征點。

特征點選取思想： 在目標物的左右邊緣兩側(cè)的像素的灰度值差別是非常大的，一側(cè)是目標物本身，另一側(cè)為背景，同樣，在目標物的上下邊緣兩側(cè)的像素得灰度值差別也是非常大的， 一側(cè)是目標物本身，另一側(cè)為背景。 所以我們利用目標物左右和上下邊緣兩側(cè)的像素灰度差的來選取特征點。

特征點選取過程：

（1） 搜索圖像， 當搜索到目標物上的像素時 （目標物像素值為255，背景像素值為0）計算它的左上與右上像素灰度值的差，正前與正后的像素灰度值差，左下與右下的像素灰度值差，并將他們之差的絕對值求和。

（2）當求得的和大于所設(shè)定閾值時，認為這一點在目標物的邊界上。

（3）對（2）中的點計算它的左上與左下的像素灰度值差，正上與正下的像素灰度值差，右上與右下的像素灰度值差，并將他們之差的絕對值求和。

（4）當求得的和大于所設(shè)定閾值時，認為這一點是目標物的特征點。 否則不是目標物的特征點。

2.2 特征點的跟蹤

特征點跟蹤是根據(jù)第i 幀中得到的模板在第i+1 幀得到匹配最佳的目標區(qū)域。影響跟蹤效果好壞的四個因素為：模板[5]，候選目標，相似度的衡量。 本文的跟蹤方法模板都是需要更新的，即第i 幀中的模板在第i+1 幀中找到最佳匹配的目標區(qū)域后， 在第i+2 幀以i+1 幀中找到最佳匹配的目標區(qū)域作為新的模板，以此類推。

（1）模板表示。 跟蹤方法模板的表示為特征點為中心的矩形框內(nèi)的像素值。由于目標幀間運動小，可以為下一幀的搜索指定一個范圍。模板匹配的模板以塊（Block）為存儲結(jié)構(gòu)的匹配過程就是基于塊匹配[6]。塊匹配跟蹤的思想是將視頻圖像中的每一幀圖像分成多個相互不重疊的子塊（M*N），并假設(shè)塊內(nèi)所有像素點的位移矢量完全是相同的，把分出來的每個子塊當作實際運動的目標物體。對于當前幀中的每一個子塊，在前一幀或后一幀某一設(shè)定的搜索范圍（K*L）內(nèi)，根據(jù)給定的匹配準則，找到與當前幀當前塊塊相似度最高的子塊，即為匹配塊。由上一幀或者下一幀得到的匹配塊，和當前塊的相對的位置可以得到這兩幀的物體運動位移， 所得到的運動位移作為當前塊運動矢量，用D 來表示。

設(shè)可能當前幀中的運動位移的最大矢量為D（dx，dy），則下一幀的塊的搜索窗口的相應(yīng)的大小可用（M＋2dx）*（N＋2dy）表示。當前匹配塊與搜索窗口間的關(guān)系可用下圖表示：

圖1 匹配塊與搜索窗口關(guān)系示意圖

對視頻圖像中的每個含有目標的塊（8*6）進行跟蹤，從而可以得到目標的運動軌跡。

（2）候選目標表示。 候選目標的表示為和特征點為中心的矩形框內(nèi)灰度值。

（3）目標物特征點的相似度衡量。 相似度衡量是根據(jù)相應(yīng)的計算來完成的，相關(guān)計算值大的表示相似程度高。 在計算相似度的衡量上用的函數(shù)最小平均絕對差值函數(shù)：

最小平均絕對差值函數(shù)（MAD）：

3 結(jié)語

目標物體的跟蹤是判斷交通事件的重要途徑，區(qū)域的跟蹤和目標特征點的跟蹤是要基于圖像二值化，圖像二值化的準確程度直接決定了跟蹤的準確性，特別是特征點的跟蹤。 當多個目標物體出現(xiàn)重疊或者遮擋時，區(qū)域的跟蹤和目標特征點的跟蹤的方法就失去了作用。所以目標物體的遮擋問題是今后應(yīng)該重點研究的方向。

［1］黃衛(wèi),陳里得.智能運輸系統(tǒng)(ITS)概述[M].北京:人民交通出版社,2001.

［2］黃若蕓,莫玉龍.用于智能交通“車流量監(jiān)測”的壓縮域內(nèi)運動目標監(jiān)測[J].上海大學(xué)學(xué)報，2003,9(2):100-104.

［3］于艷玲.視頻檢測中的的車輛速度檢測技術(shù)研究[D].西安:長安大學(xué),2009.

［4］高紅波,王衛(wèi)星.一種二值化圖像連通區(qū)域標記的新算法[J].計算機應(yīng)用,2007.

［5］章毓晉.圖像工程(上冊)：圖像處理和分析[M].北京:清華大學(xué)出版社,1999:256-265.

［6］肖志堅.H.264 幀間編碼技術(shù)的分析與改進[D].西安:西安電子科技大學(xué),2005.

［7］彭小寧,楊明.基于局部圖金字塔的不規(guī)則塊匹配視頻分割方法[J].計算機科學(xué), 2008.