梁碩 婁莉 張艷艷

摘 要： 在視頻監(jiān)控方面，存在著運動目標的各種行為，針對這種情況，提出一種基于GMM與KLT算法的運動目標檢測與跟蹤方法。首先用基于GMM的背景減除法對運動目標進行檢測，再通過形態(tài)學處理得到目標區(qū)域，然后對運動目標進行KLT特征點跟蹤，最后根據(jù)特征點畫出運動目標的運動軌跡。實驗證明該算法有良好的檢測結果與跟蹤效果。

關鍵詞： 運動目標檢測；背景減除法；運動目標跟蹤；GMM；KLT

Abstract：In video surveillance there are various behaviors of moving objects. Aiming at this situation this paper proposes a method of moving object detection and tracking based on GMM and KLT algorithm. Firstly the background subtraction method based on GMM is used to detect the moving target and the target region is obtained by morphological processing. Then the moving target is tracked by KLT feature point. Finally the motion trajectory of the moving target is drawn according to the feature point. Experiments show that the algorithm has good detection result and tracking effect.

Key words： moving target detection；background subtraction method；moving target tracking；GMM；KLT

引言

運動目標檢測與跟蹤是計算機視覺領域一個熱門課題，在人工智能、模式識別、圖像處理、醫(yī)學成像等多個領域有著廣泛的應用。在現(xiàn)實的交通情況中，道路視頻監(jiān)控系統(tǒng)存在著運動目標（包括行人、車輛等）各種異常行為，如車輛逆行、超速和行人的違規(guī)舉止等[1]。而在監(jiān)控視頻中，為了能夠更為準確有效地檢測出運動目標，進一步跟蹤運動目標，從而對運動目標的行為表現(xiàn)展開分析，本文設計提出了一種基于GMM與KLT算法的運動目標檢測與跟蹤方法。實驗結果表明該方法能夠準確提取出運動目標區(qū)域，并且能對目標進行快速跟蹤，具有良好的檢測效果與跟蹤結果。

本文先使用基于GMM的背景減除法對運動目標進行檢測，經(jīng)過形態(tài)學處理后得到比較準確、完整的目標區(qū)域信息，然后用KLT算法對運動目標進行特征點跟蹤，最后繪制出運動目標的輪廓和軌跡。

1 目標檢測技術

視頻圖像的目標檢測技術則是理解圖像的基礎。運動目標檢測就是研究尋找存在運動的區(qū)域，檢測到的運動區(qū)域將可以為后續(xù)的目標識別和跟蹤、行為分析等任務提供可參考區(qū)域[2]。

通常，視頻圖像可分為2種。一種是靜態(tài)背景的視頻，比如高速道路的監(jiān)控視頻；另一種是動態(tài)背景的視頻，比如無人機攝像頭航拍的視頻[3]。在實際生活中，受到太陽光照變化和天氣影響，視頻的背景也將隨時隨地有不同呈現(xiàn)，而且還存在著運動目標陰影、各種干擾物等，這就使得運動目標檢測在實現(xiàn)過程中面臨諸多制約與挑戰(zhàn)。

時下，目標檢測在研究上主要有幀差法、光流法和背景減除法三種傳統(tǒng)算法。這里，將給出如下研究與論述。

1.1 目標檢測算法的比較

幀差法算法計算復雜度小、容易實現(xiàn)，同時對環(huán)境的適應能力強，穩(wěn)定性高。但是通常很難獲取運動目標的完整輪廓，容易產(chǎn)生“空洞”現(xiàn)象。光流法攝像頭無論在固定或者運動的情況下，都能夠檢測出運動目標，但是卻具有計算耗時，實時性和抗噪性能差，并且需要特殊的硬件支持等不足。因此，光流法不能檢測出運動目標的準確信息和輪廓。背景減除法檢測準確快速，能夠達到實時監(jiān)測視頻中運動物體的要求，而且檢測獲得的輪廓信息豐富、且完整。但是外界環(huán)境的變化會造成背景圖像的動態(tài)差異，因而對背景模型的更新要求較高[4]。

綜上可得，本文研究使用了基于高斯混合模型（GMM）的背景減除法進行運動目標檢測。而對其中涉及的算法原理可做詳述如下。

1.2 基于GMM的背景減除法的基本原理

背景減除法是用當前幀減去實時更新的背景模型，通過相減后圖像的像素值與設定的閾值，綜合判定該像素點是否為運動目標的區(qū)域。進一步分析可知，背景模型的獲取與實時更新即已成為研究關鍵所在。高斯混合模型（Gaussian Mixture Model，GMM）是高斯概率密度分布函數(shù)的單一擴展，能夠近似為任何密度分布的平滑形狀。因此近年來，高斯混合模型更多地應用于圖像處理方面，是建模方面堪稱成功的方法之一。基于GMM的背景減除法的設計流程則如圖1所示。

如果該像素點與K個高斯分布都不匹配，則需要增加一個新的高斯分布，均值取為Xt，并且選取一個較小權重和較大方差，對其進行初始化。此外，還要替換掉先前模型權重最小的高斯模型，其它的保持不變[6]。

（3）背景模型生成。求出每個像素的高斯分布的ω/σ值，再從大到小進行排序，并且按照式（5）運算得到的B值，基于上述排序結果取出B個值，作為背景像素。具體來說，B值符合下式：

在此基礎上，將要進行匹配校驗。如果前B個高斯分布能夠和像素值Xt的任意一個高斯分布匹配成功，就可判定該點是背景點；如果都不匹配，就可斷定該像素點為前景運動目標。

2 運動目標跟蹤

2.1 運動目標跟蹤技術概述

運動目標跟蹤是在運動目標檢測的基礎上，找出每幀圖像中研究者感興趣的運動目標信息，獲取相應的行為姿態(tài)、運動軌跡、速度及位置等參數(shù)。目前，該研究已在人機交互、精確制導、醫(yī)學領域、智慧交通等方面發(fā)揮著重要的作用，是許多視頻場景分析理解任務的基礎[7]。

隨著目標跟蹤技術相關研究的拓展深入，更新的算法和理論正陸續(xù)涌現(xiàn)。根據(jù)設計采用的運動目標的不同信息可將算法劃分為如下4種，分別是：基于主動輪廓的、基于模型的、基于運動估計的和基于特征點的運動目標跟蹤[8]。本文設計采用的KLT算法就是一種基于特征點的運動目標跟蹤方法。

2.2 KLT算法的設計原理

KLT算法是一種角點跟蹤算法，也稱為LK光流跟蹤法。上世紀80年代 Lucas與 Kanade提出了一種近似加權圖像的二階導數(shù)梯度局部搜索的思想，即圖像的局部匹配。之后 Tomasi和Lucas用基本相同的方法進行跟蹤，如果梯度矩陣的特征值大于某個閾值，則將選擇該點作為特征。KLT算法利用空間特性信息，通過位置搜索直接得到最佳匹配。該算法將比傳統(tǒng)技術更快地找出圖像之間的潛在匹配信息。

KLT 跟蹤算法的基本原理是：將當前圖像幀中的可靠特征點作為跟蹤點，對跟蹤點進行光流估計，計算出跟蹤點在下一幀圖像中所對應的位置，進一步可計算出兩幀圖像間的位移變化量[9]。

KLT 算法效率高，速度快，可靠性也在合理的范圍內(nèi)。因此，KLT 算法更適合視頻圖像序列的快速同名點獲取[11]。隨著計算機視覺的不斷研究推進，KLT算法也已獲得了更廣闊的應用前景。

3 實驗方案設計及結果分析

3.1 實驗方案設計

在視頻監(jiān)控中，對運動目標展開檢測與跟蹤的過程中，首先通過高斯混合模型對背景進行建模，并且輔以背景模型更新，在此基礎上還將引入相應的形態(tài)學處理，從而提取出比較完整、準確的運動目標。然后，對目標區(qū)域進行特征點跟蹤，最后繪制出運動目標的輪廓和軌跡。本文研究算法的設計流程如圖2所示。

3.2 實驗結果分析

本文配置選擇的實驗環(huán)境是：計算機系統(tǒng)為 Windows 7，處理器為AMD A8-4500M，主頻為 1.9 GHz，內(nèi)存為6 GB，顯存為1 G。實驗擬基于PyCharm 開發(fā)工具，使用Python 編程語言，并結合OpenCV3.0 計算機視覺庫設計實現(xiàn)的。過程中，是采用監(jiān)控下拍攝的汽車視頻圖像序列進行相關實驗，圖像的大小均為480×360。

對監(jiān)控視頻的第72幀分別進行了光流法、幀差法和本文檢測算法的仿真實驗，研究可得仿真實驗結果如圖3所示。

由仿真對比結果可知，幀差法對運動目標的檢測存在目標檢測不完整的問題，頭部有明顯的大片空洞現(xiàn)象；光流法雖然能夠檢測到運動目標的大體輪廓，可是程序運行較慢，計算復雜度高，未能檢測到目標的詳細輪廓信息[12]；本文采用的基于GMM的背景減除法，經(jīng)過形態(tài)學處理后，能夠保留更多的目標信息，研究獲得的運動目標輪廓更趨完整，邊緣更加連續(xù)，空洞現(xiàn)象較少，目標信息也更為豐富。

研究至此，則將按照獲得的運動目標區(qū)域對該目標進行KLT特征點跟蹤，最終效果如圖4所示。圖4中，紅框標出的是檢測的運動目標整體輪廓，綠線是對運動目標的跟蹤軌跡。上述實驗結果表明，本文方法能夠對運動目標進行準確的檢測與快速跟蹤。

4 結束語

本文提出了一種基于GMM與KLT的運動目標檢測與跟蹤方法，可以用在監(jiān)控視頻中。從仿真的結果來看，能夠提取出相對完整、準確的運動目標信息，并達到了目標的快速跟蹤，具有一定的實效性。在未來的工作中，可以在此基礎上，根據(jù)運動目標的

軌跡、位置和輪廓，對運動目標的行為進行分析，從而對監(jiān)控視頻中的實時情況做出更佳判斷。但是本文提出的算法也存在缺點，即如在特征點匹配時，有些點發(fā)生了漂移，因而研究中還需要續(xù)接進一步的改進與完善。

參考文獻

[1] 胡全. 基于內(nèi)容的圖像檢索技術研究[D]. 哈爾濱：東北林業(yè)大學，2008.

[2] 劉潔. 基于光流法的運動目標檢測和跟蹤算法研究[D]. 徐州：中國礦業(yè)大學，2015.

[3] 余婷婷. 淺論混合高斯背景建模方法[J]. 黑龍江科技信息，2012（15）：60.

[4] 陳明明. 復雜背景下的目標跟蹤技術研究[D]. 成都：中國科學院（光電技術研究所），2014.

[5] 楊娜. 視頻序列中的人臉檢測與跟蹤技術研究[D]. 天津：天津師范大學，2009.

[6] 華媛蕾，劉萬軍. 改進混合高斯模型的運動目標檢測算法[J]. 計算機應用，2014，34（2）：580-584.

[7] 趙聰. 基于雙目立體視覺的運動目標檢測與跟蹤[D]. 濟南：山東大學，2009.

[8] KUMAR S YADAV J S. Segmentation of moving object using background subtraction method in complex environments[J]. Radioengineering 2016 25（2）：399-408.

[9] 楊陳晨，顧國華，錢惟賢，等. 基于Harris角點的KLT跟蹤紅外圖像配準的硬件實現(xiàn)[J]. 紅外技術，2013，35（10）：632-637.

[10]SONG Zhiqin LU Jinzheng NIE Shiliang. Improved spatiotemporal background subtraction method for target detection[J]. Opto-Electronic Engineering 2016 43（2）：27-32，39.

[11]THAKUR G S ALI M PAN HUI et al. Comparing background subtraction algorithms and method of car counting[J]. arXiv preprint arXiv：1202.0549 2012.

[12]NIRANJIL K A SURESHKUMAR C. Background subtraction in dynamic environment based on modified adaptive GMM with TTD for moving object detection[J]. Journal of Electrical Engineering & Technology 2015 10（1）：372-378.