【摘 要】OpenCV是一個基于（開源）發(fā)行的跨平臺計(jì)算機(jī)視覺庫，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。本文主要簡述了基于OPENCV開源代碼庫的運(yùn)動目標(biāo)的檢測與跟蹤的原理及算法實(shí)現(xiàn)。在VC++6.0編譯環(huán)境下，用C++語言編寫，利用USB攝像頭作為視頻采集器，實(shí)現(xiàn)了對可疑目標(biāo)的持續(xù)跟蹤。

【關(guān)鍵詞】OPENCV 運(yùn)動目標(biāo) 檢測 跟蹤 背景差分 CamShift算法

Abstract：OpenCV is based on （open） issued a cross-platform computer vision library that implements many common algorithms of image processing and computer vision.This paper outlines the principles and algorithms of OpenCV-based moving target detection and tracking. Compiled under VC + +6.0 environment， using C + + language，using USB camera as a video capture device， to achieve a continuous tracking of suspicious targets.

Keywords：OPENCV；Moving target；detection；tracking；Background difference； CamShift algorithm

一、項(xiàng)目背景

以往的監(jiān)控系統(tǒng)要監(jiān)視各廳室的所有角落，需要在多方位安裝監(jiān)控?cái)z像頭，隨著防盜系統(tǒng)向著網(wǎng)絡(luò)遠(yuǎn)程化、智能化和自動化方向的發(fā)展，設(shè)計(jì)一種室內(nèi)監(jiān)控?cái)z像頭自動跟蹤目標(biāo)的控制系統(tǒng)勢在必行，可以通過分析攝像頭所傳輸?shù)膱D像信息，鎖定可疑目標(biāo)，然后帶動步動電機(jī)轉(zhuǎn)向，將可疑目標(biāo)控制在攝像頭范圍內(nèi)。作為具有廣泛的應(yīng)用前景和潛在的經(jīng)濟(jì)價值的新領(lǐng)域，智能監(jiān)控已經(jīng)從早期少數(shù)研究人員的學(xué)術(shù)興趣，發(fā)展為科學(xué)、工業(yè)、空間技術(shù)和政府應(yīng)用中的重要角色。由于算法和實(shí)現(xiàn)方法的的進(jìn)展，智能監(jiān)控已成為一項(xiàng)重要而成熟的成本劃算的技術(shù)。

二、檢測跟蹤的整體思路

逐幀讀入視頻流圖像，選擇檢測算法（背景差分或者幀間差分）對當(dāng)前幀與背景幀或前一幀進(jìn)行差分運(yùn)算，檢測出運(yùn)動目標(biāo)， 再利用目標(biāo)分割的方法把運(yùn)動目標(biāo)從背景中分離出來。然后利用CamShift算法自適應(yīng)的跟蹤目標(biāo)。

三、運(yùn)動目標(biāo)檢測

運(yùn)動目標(biāo)檢測的主要目的是：從視頻流中提取出運(yùn)動目標(biāo)，并獲得運(yùn)動目標(biāo)的關(guān)鍵信息，如形狀和輪廓等特征。

由于運(yùn)動只有在圖像序列中才能得到體現(xiàn)，因此運(yùn)動目標(biāo)檢測問題所討論的焦點(diǎn)就是：如何從圖像中將目標(biāo)或部分目標(biāo)分割出來。

3.1幀間差分法

3.1.1定義

幀間差分法是一種通過對視頻圖像序列中相鄰兩幀作差分運(yùn)算來獲得運(yùn)動目標(biāo)輪廓的方法。

3.1.2幀間差分法的優(yōu)缺點(diǎn)

幀間差分法的優(yōu)點(diǎn)是：算法實(shí)現(xiàn)簡單，程序設(shè)計(jì)復(fù)雜度低；對光線等場景變化不太敏感，能夠適應(yīng)各種動態(tài)環(huán)境，穩(wěn)定性較好。其缺點(diǎn)是：不能提取出對象的完整區(qū)域，只能提取出邊界；同時依賴于選擇的幀間時間間隔。對快速運(yùn)動的物體，需要選擇較小的時間間隔，如果選擇不合適，當(dāng)物體在前后兩幀中沒有重疊時，會被檢測為兩個分開的物體：而對慢速運(yùn)動的物體，應(yīng)該選擇較大的時間差，如果時間選擇不適當(dāng)，當(dāng)物體在前后兩幀中幾乎完全重疊時，則檢測不到物體。

3.2背景差分法

3.2.1 定義

背景差分法是采用圖像序列中的當(dāng)前幀和背景參考模型比較來檢測運(yùn)動物體的一種方法，其性能依賴于所使用的背景建模技術(shù)。

3.2.2常用的背景建模方法

（1）中值法背景建模：顧名思義，就是在一段時間內(nèi)，取連續(xù)N幀圖像序列，把這N幀圖像序列中對應(yīng)位置的像素點(diǎn)灰度值按從小到大排列，然后取中間值作為背景圖像中對應(yīng)像素點(diǎn)的灰度值；

（2）均值法背景建模：均值法建模算法非常簡單，就是對一些連續(xù)幀取像素平均值。這種算法速度很快，但對環(huán)境光照變化和一些動態(tài)背景變化比較敏感。其基本思想是，在視頻圖像中取連續(xù)N幀，計(jì)算這N幀圖像像素灰度值的平均值來作為背景圖像的像素灰度值；

（3） 單高斯分布模型：其基本思想是，將圖像中每一個像素點(diǎn)的灰度值看成是一個隨機(jī)過程X，并假設(shè)該點(diǎn)的某一像素灰度值出現(xiàn)的概率服從高斯分布。

（4）卡爾曼濾波器模型：該算法把背景認(rèn)為是一種穩(wěn)態(tài)的系統(tǒng)，把前景圖像認(rèn)為是一種噪聲，用基于Kalman濾波理論的時域遞歸低通濾波來預(yù)測變化緩慢的背景圖像，這樣既可以不斷地用前景圖像更新背景，又可以維持背景的穩(wěn)定性消除噪聲的干擾；

3.2.3背景差分法的優(yōu)勢

幀間差分法兩幀間同一運(yùn)動目標(biāo)的重疊部分不容易檢測出來，即只能檢測出前后兩幀中目標(biāo)的一部分。當(dāng)閾值選取比較低的時候，會出現(xiàn)目標(biāo)在運(yùn)動方向上前后分裂并拉長的現(xiàn)象。當(dāng)閾值調(diào)高，帶來的問題是前景像素的數(shù)量減少，不利于發(fā)現(xiàn)運(yùn)動目標(biāo)。使用背景差分法能夠較為穩(wěn)定的提取出前景目標(biāo)。

四、運(yùn)動目標(biāo)跟蹤

4.1 Mean-shift算法

Mean-shift算法可用于多種應(yīng)用的通用的數(shù)據(jù)分析方法，計(jì)算機(jī)視覺正是這些應(yīng)用之一。

4.1.1Mean-shift算法的過程

（1）選擇搜索窗口，確定窗口的初始位置，類型，形狀，大小。

（2）計(jì)算窗口（可能是帶權(quán)重的）的重心。

（3）將窗口的中心設(shè)置在計(jì)算出的重心處。

（4）循環(huán)第二步，直至窗口位置不再變化。

4.1.2Mean-shift算法的計(jì)算公式

得到這些公式可用一個矩形的核進(jìn)行簡化，將mean-shift矢量等式簡化為計(jì)算圖像像素分布的重心：，

這里，零階矩的計(jì)算如下：

一階矩的計(jì)算為：和。

Mean-shift矢量告訴我們?nèi)绾螌ean-shift窗口的中心重新移動到由計(jì)算得出的此窗口的重心的位置。很顯然，窗口的移動造成了窗口內(nèi)容的改變，于是我們又重復(fù)剛才重新定位窗口中心的步驟。窗口中心重定位的過程通常會收斂到Mean-shift矢量為0（也就是，窗口不能再移動）。收斂的位置在窗口中像素分布的局部最大值（峰值）處。由于峰值本身是一個對尺度變化敏感的量，所以窗口大小不同，峰值的位置也不一樣。

4.1.3Mean-shift算法的形式

int cvMeanShift（

Const CvArr* prob_image，

CvRect window，

CvTermCriteria criteria，

CvConnectedComp* comp，

）；

4.2 Camshift算法

Camshift算法是MeanShift算法的改進(jìn)，稱為連續(xù)自適應(yīng)的MeanShift算法，它的關(guān)鍵就在于當(dāng)目標(biāo)的大小發(fā)生改變的時候，此算法可以自適應(yīng)調(diào)整目標(biāo)區(qū)域繼續(xù)跟蹤。 如果有一個易于分割的分布（例如保持緊密的人臉特征），此算法可以根據(jù)人在走近或遠(yuǎn)離攝像機(jī)時臉的尺寸而自動調(diào)整窗口的尺寸。

4.2.1Camshift算法的流程

首先選擇大小為S的初始搜索窗口，然后對該窗口中每一個像素點(diǎn)的H通道上采樣，得到運(yùn)動目標(biāo)的色調(diào)（Hue）直方圖，再將該直方圖保存下來作為搜索目標(biāo)的顏色直方圖模型。在目標(biāo)跟蹤過程中，對攝像頭當(dāng)前幀圖像的每一個像素，通過查詢目標(biāo)的顏色直方圖模型，可以得到該像素為目標(biāo)像素的概率。經(jīng)上述預(yù)處理，視頻中每一幀圖像都轉(zhuǎn)化為目標(biāo)顏色概率分布圖。也稱為目標(biāo)顏色投影圖。在一般情況下，將投影圖轉(zhuǎn)化為8位的灰度投影圖，概率為1的像素值設(shè)為255，概率為0的像素值為0，其他像素也轉(zhuǎn)換為相應(yīng)的灰度值。

4.2.2CamShift算法的形式

int cvCamShift（

Const CvArr* prob_image，

CvRect window，

CvTermCriteria criteria，

CvConnectedComp* comp，

CvBox2D* box=1

）；

五、運(yùn)行結(jié)果與分析

在本實(shí)驗(yàn)中，用一個攝像頭來跟蹤一運(yùn)動物體，下面圖7～圖8一系列圖像是采用CAMSHIFT算法跟蹤運(yùn)動物體部分圖像。

參考文獻(xiàn)：

[1]Gary Bradski Adrian Kaebler 著 于仕琪 劉瑞禎譯 學(xué)習(xí)OpenCV（中文版）清華大學(xué)出版社 2009年10月第一版

[2]劉瑞禎；于仕琪 OpenCV教程-基礎(chǔ)篇2007

[3]葉鋒.范曼曼.鄭子華.尹鵬 一種改進(jìn)的基于平均背景模型的運(yùn)動目標(biāo)檢測算法[期刊論文]-福建師范大學(xué)學(xué)報

[4]李國輝；涂丹 監(jiān)控視頻運(yùn)動目標(biāo)檢測減背景技術(shù)的研究現(xiàn)狀和展望[期刊論文]-中國圖象圖形學(xué)報A

[5]Baoxia Li；Lixi Wan；Yao Lv；Wei Gao；Chengyue Yang；Zhihua Li；Xu Zhang； Low-cost high-efficiency optical coupling using through-silicon-hole in parallel optical transceiver module [J]. Applied Physics A， 2009