摘 要 傳統(tǒng)的預(yù)警系統(tǒng)智能化有待提高，因此預(yù)警效果不太顯著，本文提出了一種基于OpenCV技術(shù)的預(yù)警系統(tǒng)，該系統(tǒng)是基于圖像和視頻處理的運動檢測和目標(biāo)跟蹤相關(guān)技術(shù)的基礎(chǔ)上，重點研究了運動物體（行人）危險檢測技術(shù)的基本原理和實現(xiàn)算法，應(yīng)用OpenCV設(shè)計了一個預(yù)警系統(tǒng)，可以實現(xiàn)智能交通控制、智能視頻監(jiān)控等。

關(guān)鍵詞 OpenCV 運動檢測 預(yù)警系統(tǒng)

中圖分類號：TP311 文獻(xiàn)標(biāo)識碼：A

0背景

在日常生活中，存在著很多安全問題，若能有效地分析人的行為，而進(jìn)行預(yù)警，可很好地防盜竊等。例如當(dāng)監(jiān)控場景中的物體被偷盜或者移動時，算法將自動檢測這種動作并產(chǎn)生警報，常用于貴重物品和關(guān)鍵設(shè)備的監(jiān)控；本文使用智能視頻監(jiān)控系統(tǒng)，利用計算機(jī)對數(shù)字視頻圖像進(jìn)行智能化處理，結(jié)合計算機(jī)科學(xué)、機(jī)器視覺、圖像處理、模式識別、人工智能等多種學(xué)科，把視頻數(shù)據(jù)經(jīng)過幀處理，運動檢測、目標(biāo)分類、目標(biāo)跟蹤和行為理解等步驟，提取出高級的語義信息，從而指導(dǎo)和規(guī)劃行動，實現(xiàn)高層次的人工智能。本文研究的重點是對智能視頻監(jiān)控中行人危險行為的檢測和跟蹤。

1運動目標(biāo)檢測基本思路

本預(yù)警系統(tǒng)在對視頻錄入的幀圖像進(jìn)行二值化的基礎(chǔ)上，通過相鄰圖像間的差進(jìn)行運動檢測，運用OpenCV中函數(shù)提取運動目標(biāo)的輪廓，并對其進(jìn)行違規(guī)判斷。由于錄入視頻中運動物體種類繁多，通過面積大小及運動的規(guī)律性，對運動物體進(jìn)行性質(zhì)判斷，確定是否為檢測目標(biāo)，再對運動目標(biāo)進(jìn)行進(jìn)一步處理。

研究運動目標(biāo)檢測時，由于背景的變化較小，故采用幀差法檢測運動目標(biāo)。首先是將連續(xù)的視頻處理成分割的幀圖像，得到幀圖像之后做差得到差圖像，然后對差圖像進(jìn)行一系列的圖像處理。包括：二值化，平滑處理，形態(tài)學(xué)膨脹，輪廓提取。然而并非全部輪廓都是由目標(biāo)產(chǎn)生，背景的擾動、噪聲的影響使結(jié)果中出現(xiàn)一些背景區(qū)域像素點被檢測為運動區(qū)域。為消除這些影響，首先將上述結(jié)果用形態(tài)學(xué)方法進(jìn)行處理，找出處理后的連通域，拋棄面積小于一定值的區(qū)域。

2運動目標(biāo)的跟蹤

運動目標(biāo)的跟蹤是智能視頻監(jiān)控系統(tǒng)中基本且關(guān)鍵的部分，它銜接了運動目標(biāo)檢測和目標(biāo)行為分析理解，是在檢測運動目標(biāo)的基礎(chǔ)上，來區(qū)分運動目標(biāo)并獲得其運動軌跡。主要思路是系統(tǒng)在檢測到運動目標(biāo)后，對運動目標(biāo)的特征進(jìn)行提取，以識別運動目標(biāo)的種類、大小、運動方向以及其他特征信息，從而進(jìn)行跟蹤。同時也可以根據(jù)運動軌跡判斷運動目標(biāo)是否存在違章行為，或者檢測出在敏感區(qū)域中一直徘徊的可疑運動目標(biāo)。

在分析了多種目標(biāo)跟蹤方法的基礎(chǔ)上，我們選擇使用基于特征跟蹤的方式進(jìn)行目標(biāo)跟蹤。選擇應(yīng)用圖像處理函數(shù)cvFindContours（）提取目標(biāo)輪廓信息，此函數(shù)可以得到運動目標(biāo)的輪廓偏移量及長度寬度，根據(jù)這些數(shù)據(jù)，我們可以得到運動目標(biāo)的中心

點，比較其與檢測區(qū)或者敏感區(qū)的位置關(guān)系，繼續(xù)后續(xù)的檢測。其跟蹤的詳細(xì)設(shè)計為：

（1）根據(jù)視頻圖像中具體情況，確定檢測區(qū)。實際操作時，我們需要根據(jù)圖像一步一步調(diào)整檢測線的位置，確保與實際相符。

（2）運動目標(biāo)特征值提?。簯?yīng)用cvFindContours（）后，運動目標(biāo)的特征值、偏移量及長寬，會存儲在對應(yīng)的變量內(nèi)。

（3）根據(jù)特征值，偏移量及長度寬度，就可以確定運動目標(biāo)的中心點。

但對于多個物體的跟蹤，中心點的存儲直接影響軌跡繪制時的正確性。當(dāng)只有單個運動物體時，可以通過一維數(shù)組直接存儲；要是有多個運動物體或者不定個數(shù)的運動物體，就需要二維數(shù)組存儲中心點坐標(biāo)；在cvFindContours（）存儲有中心點坐標(biāo)時，將中心點坐標(biāo)利用行對應(yīng)存儲進(jìn)二維數(shù)組，由于對應(yīng)列并不是表示同意運動物體，需要對數(shù)組的存儲數(shù)據(jù)進(jìn)行更改，通過交換的方式達(dá)到對應(yīng)行對應(yīng)列，存儲的是對應(yīng)的運動目標(biāo)的目的。

（4）智能檢測：將中心點的位置與檢測區(qū)對比，確定是否違規(guī)。需要應(yīng)用線性規(guī)劃，通過點與區(qū)間位置關(guān)系綜合實現(xiàn)。

（5）軌跡繪制：運動物體特征值中心點在檢測區(qū)內(nèi)，警示違規(guī)，應(yīng)用cvRectangle（）繪制紅色輪廓；運動物體特征值中心點在檢測區(qū)外正常，應(yīng)用cvRectangle（）繪制綠色輪廓。

3結(jié)論

基于OpenCV技術(shù)的預(yù)警系統(tǒng)，選用幀間差分法進(jìn)行檢測，跟蹤方式是特征值跟蹤，進(jìn)行幀間差分，二值化，圖像平滑處理，形態(tài)學(xué)膨脹，去除背景椒鹽噪聲，輪廓特征值提取，軌跡繪制。實現(xiàn)幀間差分時，需要首先實現(xiàn)圖像灰度處理（函數(shù)cvCvtColor（）），再應(yīng)用cvAbsDiff（）函數(shù)實現(xiàn)對相鄰兩幀的圖像對應(yīng)像素點像素值做差，如果視頻中有運動物體，其邊界處的像素點相鄰兩幀的差值結(jié)果非零，其他無運動區(qū)域相鄰差值為零。

參考文獻(xiàn)

[1] Davd A.Forsyth ， Jean Ponce.計算機(jī)視覺——一種現(xiàn)代方法[M].林學(xué)訚，王宏等，譯.電子工業(yè)出版社，2004.

[2] 張蕊，羅中明.基于機(jī)器視覺的跟蹤目標(biāo)距離研究.哈爾濱理工大學(xué)，2011，33（4）：101-131.

[3] 布拉德斯基（Bradski.G.），克勒（Kaehler.A.）著，于仕琪，劉瑞禎譯.學(xué)習(xí)OpenCV（中文版） 第1版.清華大學(xué)出版社，2009.10.1.

[4] 劉瑞禎，于仕琪.OpenCV教程——基礎(chǔ)篇.北京航空航天大學(xué)出版社，第1版 2007.6.1.

[5] 萬衛(wèi)兵，霍宏，趙宇明.智能視頻監(jiān)控中目標(biāo)檢測與識別，上海交通大學(xué)出版社，第1版.2010.1.1.