[摘要]在復(fù)雜交通場(chǎng)景下，針對(duì)運(yùn)動(dòng)車(chē)輛的特性，提出一種有效的識(shí)別和跟蹤方法。使用背景差分，將運(yùn)動(dòng)目標(biāo)從背景中分離出來(lái)，并在前景圖像中對(duì)目標(biāo)進(jìn)行識(shí)別和標(biāo)記，同時(shí)利用團(tuán)塊跟蹤，對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行實(shí)時(shí)跟蹤。在VC編譯環(huán)境下使用Opencv開(kāi)源庫(kù)函數(shù)進(jìn)行仿真實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明本文方法效率高，跟蹤效果好。

[關(guān)鍵詞]Opencv 形態(tài)學(xué)處理 目標(biāo)識(shí)別 目標(biāo)跟蹤

中圖分類(lèi)號(hào)：TP39 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-3791（2015）10（b）-0000-00

1 引言

運(yùn)動(dòng)目標(biāo)的與跟蹤是應(yīng)用視覺(jué)領(lǐng)域的一個(gè)重要的課題?，F(xiàn)實(shí)生活之中，大量的有意義的視覺(jué)信息包括在運(yùn)動(dòng)之中[1][2]。盡管人類(lèi)視覺(jué)既能看見(jiàn)運(yùn)動(dòng)又能看見(jiàn)靜止的物體，但是在許多場(chǎng)合，如交通流量的檢測(cè)，重要場(chǎng)所的保安，航空和軍用飛機(jī)的制導(dǎo)，汽車(chē)的自動(dòng)駕駛或輔助駕駛等，往往只對(duì)運(yùn)動(dòng)的物體感興趣，因此，研究運(yùn)動(dòng)目標(biāo)的識(shí)別和跟蹤問(wèn)題，有很大的理論意義和應(yīng)用價(jià)值[3][4]。

OpenCV是一個(gè)針對(duì)于圖像、視頻處理的開(kāi)源庫(kù)，它包含現(xiàn)有很多圖像處理理論的實(shí)現(xiàn)程序，可以很便捷的處理問(wèn)題。研究人員可以更多地投入對(duì)算法的研究，然后利用OpenCV函數(shù)加以實(shí)現(xiàn)，不需要重新用c語(yǔ)言或者c++設(shè)計(jì)實(shí)現(xiàn)函數(shù)，從而可以大大縮減研發(fā)時(shí)間。

1.2 運(yùn)動(dòng)目標(biāo)的識(shí)別

2.1 圖像預(yù)處理

將彩色視頻流轉(zhuǎn)換為灰度化視頻，提高處理速度。在RGB模型中， 時(shí)，則表示一種灰度圖像，灰度圖像每個(gè)像素只需一個(gè)字節(jié)存放灰度值（又稱(chēng)強(qiáng)度值、亮度值），灰度范圍為0-255。在opencv中采用加權(quán)平均法處理圖像灰度化，加權(quán)平均法是指：根據(jù)重要性及其它指標(biāo)，將三個(gè)分量以不同的權(quán)值進(jìn)行加權(quán)平均。由于人眼對(duì)綠色的敏感最高，對(duì)藍(lán)色敏感最低，因此按下式對(duì) 三分量進(jìn)行加權(quán)平均能得到較合理的灰度圖像。

（2.1）

在灰度化視頻中提取出背景圖像，同時(shí)通過(guò)滑動(dòng)平均值算法對(duì)背景進(jìn)行實(shí)時(shí)的更新，從而實(shí)現(xiàn)背景圖像實(shí)時(shí)更新，提高后續(xù)背景差分的準(zhǔn)確性。差分算法，即將當(dāng)前幀圖像與背景圖像進(jìn)行差分，從而得到前景運(yùn)動(dòng)目標(biāo)圖像（只有運(yùn)動(dòng)目標(biāo)的圖像）。圖2.1中，右圖為提取出的初始化背景圖像，在背景更新過(guò)程中，更新后的背景將逐步接近真實(shí)的背景。

圖2.1 背景提取的效果圖（右圖為背景）

2.2 前景圖像優(yōu)化

前景圖像由于種種原因往往會(huì)導(dǎo)致圖像受到各式各樣的噪聲影響，從而導(dǎo)致前景圖像中的運(yùn)動(dòng)目標(biāo)形狀受到不同程度的影響，而且噪聲往往以孤立點(diǎn)的形式出現(xiàn)因此對(duì)前景圖像進(jìn)行中值濾波處理，消除噪聲。中值濾波的原理是：對(duì)一個(gè)窗口W內(nèi)的所有像素灰度值進(jìn)行排序，取排序結(jié)果的中間值作為W中心點(diǎn)處像素的灰度值。用公式表示為

（2.2）

通常W內(nèi)像素個(gè)數(shù)選為奇數(shù)，以保證有一個(gè)中心值。若W內(nèi)的像素?cái)?shù)選為偶數(shù)時(shí)，則取中間兩個(gè)值的平均值作為中值。

同時(shí)為了提高運(yùn)動(dòng)目標(biāo)的可檢測(cè)性，需要對(duì)前景圖像進(jìn)行二值化處理，并通過(guò)形態(tài)學(xué)處理（膨脹和腐蝕）斷開(kāi)目標(biāo)與目標(biāo)之間的細(xì)小的相連。

數(shù)學(xué)上，膨脹定義為集合運(yùn)算。A被B膨脹，記為 ，定義為

（2.3）

其中 為空集，B為結(jié)構(gòu)元素。A被B膨脹是所有結(jié)構(gòu)元素原點(diǎn)位置組成的集合，其中映射并平移后的B至少與A的某些部分重疊。

腐蝕“收縮”或“細(xì)化”二值圖像中的對(duì)象。像在膨脹中一樣，收縮的方式和程度由一個(gè)結(jié)構(gòu)元素控制。圖2表明了腐蝕過(guò)程。

腐蝕的數(shù)學(xué)定義與膨脹相似，A被B腐蝕記為，定義為

（2.4）

換言之，A被B腐蝕是所有結(jié)構(gòu)元素的原點(diǎn)位置的集合，其中平移的A被B的背景并不疊加。

2.3 在前景圖像中檢測(cè)運(yùn)動(dòng)目標(biāo)

在上述兩步處理后，可以得到一幅只有運(yùn)動(dòng)目標(biāo)的較為清晰的前景圖像。通過(guò)對(duì)整幅圖像的亮度檢測(cè)，可以在圖像中獲得各個(gè)團(tuán)塊的數(shù)據(jù)，通過(guò)篩選，去除一些不符合要求的團(tuán)塊，剩下的團(tuán)塊即為目標(biāo)。對(duì)目標(biāo)團(tuán)塊進(jìn)行登記，提取他們的團(tuán)塊中心值，而且根據(jù)團(tuán)塊的大小制作標(biāo)記框。這些中心值和標(biāo)記框可以在原彩色視頻中表現(xiàn)出來(lái)，實(shí)現(xiàn)識(shí)別效果。

2.4 處理流程圖

圖2.2 處理流程圖

2.5 實(shí)際效果圖

圖2.3 實(shí)際效果圖

2.3 運(yùn)動(dòng)目標(biāo)的跟蹤

3.1 跟蹤設(shè)計(jì)

在識(shí)別的基礎(chǔ)上，如果要想達(dá)到跟蹤的效果，需要對(duì)幀與幀之間運(yùn)動(dòng)物體的聯(lián)系進(jìn)行判定，若當(dāng)前幀的運(yùn)動(dòng)物體中心坐標(biāo)與前一幀的物體中心坐標(biāo)相差在一定數(shù)值范圍內(nèi)并且目標(biāo)具有相同屬性時(shí)，就可以判定當(dāng)前幀的物體與前一幀的物體屬于同一個(gè)目標(biāo)。以此為標(biāo)準(zhǔn)，對(duì)以下幀的運(yùn)動(dòng)物體進(jìn)行判別，逐幀標(biāo)記同一物體，實(shí)現(xiàn)物體的實(shí)時(shí)跟蹤。

3.2 跟蹤計(jì)數(shù)

對(duì)于每一個(gè)物體，都會(huì)進(jìn)行標(biāo)記一個(gè)ID。但物體離開(kāi)監(jiān)控區(qū)域時(shí)，算法會(huì)自動(dòng)消除該ID，以及該ID所有的數(shù)據(jù)，釋放內(nèi)存消耗量，避免無(wú)效數(shù)據(jù)影響算法效率。與此同時(shí)，該算法還提供一個(gè)計(jì)數(shù)器，當(dāng)一個(gè)ID消除時(shí)，該計(jì)數(shù)器就累加1，并記錄消除時(shí)間，可以有效的知道在哪一時(shí)刻有多少個(gè)物體離開(kāi)監(jiān)控范圍。可以為該區(qū)域的需求提供一下數(shù)據(jù)的參考，例如：路況的擁堵情況。

3.3 處理流轉(zhuǎn)圖

圖3.1 處理流轉(zhuǎn)圖

3.4 效果圖

運(yùn)動(dòng)目標(biāo)跟蹤效果如圖3.2所示。

圖3.2 效果圖

4 結(jié)論

從實(shí)驗(yàn)結(jié)果可以看出，當(dāng)場(chǎng)景較為空曠且運(yùn)動(dòng)物體的數(shù)量不多（一般不多于5個(gè)）的前提下，該算法可以很準(zhǔn)確的將這些運(yùn)動(dòng)物體識(shí)別出來(lái)，同時(shí)根據(jù)幀與幀之間運(yùn)動(dòng)物體的變化位置（取中心點(diǎn)的坐標(biāo)）是否符合判斷條件，來(lái)推斷當(dāng)前幀物體與前一幀物體是不是為同一物體，也具有較高的準(zhǔn)確度，對(duì)于運(yùn)動(dòng)物體可以實(shí)現(xiàn)跟蹤的目的。

在取得良好的效果同時(shí)，也發(fā)現(xiàn)了一些不足。

（1）監(jiān)控范圍內(nèi)有時(shí)會(huì)出現(xiàn)標(biāo)記，但標(biāo)記的位置是沒(méi)有運(yùn)動(dòng)目標(biāo)的。原因是光線(xiàn)的突然增加，在前景圖像中出現(xiàn)白色斑塊，算法誤認(rèn)為是運(yùn)動(dòng)目標(biāo)，所以將其標(biāo)記。

（2）在監(jiān)控范圍內(nèi)，出現(xiàn)有兩個(gè)運(yùn)動(dòng)物體，但標(biāo)記框只有一個(gè)，而且包圍這兩個(gè)物體。原因是由于兩個(gè)物體距離過(guò)于接近，所以導(dǎo)致算法在運(yùn)作的時(shí)候?qū)蓚€(gè)物體誤標(biāo)記為同一個(gè)目標(biāo)。

參考文獻(xiàn)：

[1] 朱娟娟，郭寶龍.《復(fù)雜場(chǎng)景中基于變塊差分的運(yùn)動(dòng)目標(biāo)檢測(cè)》[J].光學(xué)精密工程，2011.1（1）：183-191.

[2] 董安國(guó)，李聰，王丹丹.《基于修正相關(guān)系數(shù)的運(yùn)動(dòng)目標(biāo)檢測(cè)》[J].計(jì)算機(jī)應(yīng)用研究，2015.10（19）：1-6.

[3]魏瑋，吳琪.《三幀結(jié)合改進(jìn)高斯建模的運(yùn)動(dòng)目標(biāo)檢測(cè)算法》[J].計(jì)算機(jī)工程與設(shè)計(jì)，2014.03（16）：1-4.

[4] 王孝艷，張艷珠，董慧穎， 李媛， 李小娟.《運(yùn)動(dòng)目標(biāo)檢測(cè)的三幀差法算法研究》[J].沈陽(yáng)理工大學(xué)學(xué)報(bào)，2011.12（15） ：2-5.