韓贊 祁晉東 張禧龍

（西藏大學，西藏拉薩 850011）

視頻目標檢測是近幾年計算機視覺領域中最為活躍的分支，視頻檢測可以很精確地檢測到目標的狀態(tài)，在視頻目標檢測的基礎上，利用目標的特征，可以為科學實驗準備好的素材，提供精確的預判，讓科學研究更加完善和深入；對于視頻目標檢測而言，運用幀間差法、光流法等方法，很大概率實現(xiàn)該有的效果，為學習研究提供大量的資料，實現(xiàn)合理化的評估預算。

在運動目標檢測中，視頻檢測是至關重要的，而運用好的方法對于這些數(shù)據(jù)進行收集及分析的話，得到的信息的價值是十分可觀的。而對于各種科研實驗都在不斷地出現(xiàn)和完善，而有的實驗需要許多的數(shù)據(jù)，而有一個好的視頻監(jiān)控預測，進行檢測目標的軌跡刻畫，并進行收集，加上合理的分析運用，得到的成果就顯而易見。

總的來講，如果能對視頻目標進行很好的收集和分析，可以最大程度的節(jié)省精力，提供精準的實驗資料，使所需實驗推向更深層次，得到理想的結果，避免不必要的麻煩，提高安全性能，盡最大可能提取所需要的信息，使使用價值達到最大化。

1 算法簡介

1.1 三幀差分法

二幀差分法是通過計算相鄰兩幀圖像之間的差值來獲取運動區(qū)域，由兩幀之間的差值判斷運動范圍；當檢測視頻中出現(xiàn)相對運動物體時，兩幀之間相減，得到差值的絕對值，用閥值來判斷存在的運動物體。三幀差分法是在二幀差分法的基礎上進行改進，將相鄰的三幀圖像歸為一組進行差分，從而得到運動物體軌跡上的細微變化。

選擇圖像的連續(xù)三幀I（j-1）、I（j）、I（j+1）。

計算相鄰兩幀差值：

選擇閥值T，進行二值化：

在每一個像素點（x，y）將得到二值圖像邏輯相“與”，得到三幀圖像中的中間幀的二值圖像：

1.2 腐蝕膨脹

腐蝕：用3×3 的結構元素去掃描圖像的每一個像素點，與其覆蓋的二值圖像做邏輯“與”，從而使二值圖像減少一圈。用公式表示為：

X 腐蝕B：E（x）={a|ba?X}，如圖1 所示：

圖1

膨脹：用3×3 的結構元素去掃描圖像的每一個像素點，與其覆蓋的二值圖像做邏輯“或”，從而使二值圖像擴大一圈。可以看作是腐蝕的對偶運算，用公式表示：

如圖2 所示：

圖2

2 分析及實施

2.1 研究思路和方法以及重點和難點

2.1.1 研究思路

首先進行視頻目標檢測，編寫各個板塊代碼，在重疊或者不明顯的片段進行顏色區(qū)分，再把各個板塊進行測試，然后合成主板塊，進行板塊與板塊間的合理區(qū)分，使用大量視頻目標驗證分析，進行一定程度的優(yōu)化，加強各個板塊間的分辨率，得到相應的基礎數(shù)據(jù)。

合理運用數(shù)學方法進行目標軌跡運算，并預判在短時間內(nèi)將發(fā)生的軌跡圖像，在兩個相似視頻物件中提取不同之處，在取定一個視頻目標為模板，進行合理的修改并完善，且檢測視頻間的斷流層，并進行高度還原，可以用不同時間階段的模板，進行長期分析觀察，進行數(shù)據(jù)整理并收集。

2.1.2 研究方法

可以運用Python,MATLIB 等軟件進行數(shù)學編譯，在一定程度上進行規(guī)劃，并反復進行視頻目標調(diào)控，運用大量的視頻進行測試，并記錄數(shù)據(jù)，觀察數(shù)據(jù)之間的聯(lián)系，進行系統(tǒng)優(yōu)化調(diào)整，進行每個步驟的連接和運用，然后把每個版塊進行串聯(lián)，運用合理的代碼進行計算分析，達到可實行的效果。

幀間差分法：利用視頻序列中連續(xù)兩幀間的變化來檢測靜態(tài)場景下的運動目標，運用圖像序列中的第k 幀和第k+1 幀中像素點(x，y)的象素值，刻畫出視頻目標的軌跡模擬，時間間隔小則目標位置越精確，得到的圖像更具體現(xiàn)象。

光流法：微分法，快匹配法，基于能量的方法，基于相位的方法。有兩種假設：強度不變，全局光滑。在不同時刻的像素值需要向前加一個時間段，則產(chǎn)生光流場，得到平滑的軌跡圖像。

背景減除法：通過判定灰度等特征的變化，或用直方圖等統(tǒng)計信息的變化來判斷異常情況的發(fā)生和分割出運動目標。特別針對微小重復運動的場合，運用無參的核密度估計方法對視頻目標進行統(tǒng)計分析。

總的來說，由于幀間差分法的計算簡單、復雜度低的優(yōu)良性質(zhì)，軌跡跟蹤算法需要以幀間差分法為主體，再結合各個方法的優(yōu)良性質(zhì)，得到很精確的軌跡分析及模擬。

重點在于錄制視頻的機械對光的捕捉效應是否明顯，視頻中目標變化是否緩慢，是否受斷流層的影響，是否存在目標形狀變化巨大，是否產(chǎn)生不可控因素對視頻目標造成干擾，得到不確定的數(shù)值，而產(chǎn)生特殊值影響普遍結果，各個程序之間的鏈接是否會因為一小點誤差出現(xiàn)運行失誤，分析出來的總模板是否因為子模板錯誤而產(chǎn)生偏差，難點也在于此。

而視頻目標的處理也是難點。首先要進行視頻目標的單一提取，排除光線變化；如果存在多個目標的話，目標之間會產(chǎn)生信號干擾，嚴重的話會產(chǎn)生信息混亂，導致表達效果出現(xiàn)偏差，讓重要的信息發(fā)生了遺漏，讓已經(jīng)出現(xiàn)的目標不能被檢測；還有就是多個目標是否存在重疊，在重疊部分產(chǎn)生軌跡陰影，影響系統(tǒng)分析識別。

由于大家采用了光流法、背景減除法，大部分都是用matlab來做，效果并不是很好，并且運算量大，結果模糊，操作繁瑣，檢測還單一，運動軌跡過于簡單等缺點?；谏厦娴谋尘跋?，采用python 來做，可以減少運算時間，運行效率，得到更加準確清晰的結果，并改進及優(yōu)化了算法，能合理的運用幀間差分法去進行視頻的預判，評估，還原，這樣就可以提供大量的數(shù)據(jù)，并進行分析和處理，從而檢測出視頻運動目標，運用python 中幀函數(shù)模擬其運動軌跡，解決視頻運動的物體軌跡。

2.2 實施方案

首先熟練運用Python ，MATLAB 構思數(shù)據(jù)代碼，準備相應的視頻材料，收集可靠的數(shù)學方法，進行實驗前的有效調(diào)控，擬定各個步驟的計劃，達到運用于實踐中的要求，并盡量完善系統(tǒng)方法。

然后進行相關數(shù)據(jù)的收集，得到可觀的實現(xiàn)可能性，進行任務分工，主要分為材料的收集，檢測視頻是否存在錯誤斷層，如果有，編寫相應還原視頻的代碼，檢測視頻光線差異變化，運用代碼進行調(diào)控，提煉視頻目標信息，變成簡單方便的二維線性關系并計算相對運動物體的運動速率，并刻畫運動物體軌跡，在短時間范圍內(nèi)，進行未發(fā)生運動物體的軌跡預算；在此基礎上，可以分辨兩個相似物之間的不同點，從而標記，得到不同數(shù)據(jù)類型。

最后進行實驗評估，得到相應實驗數(shù)據(jù)，調(diào)試系統(tǒng)，減少誤差，調(diào)節(jié)各個模板的契合度，加大對特殊值和特殊環(huán)境的處理，達到系統(tǒng)成功運行，并能使用。

3 系統(tǒng)模型流程圖

圖3 三幀差分法

圖4 彩色差分法

圖5 軌跡模擬畫圖

圖6 總流程圖

4 實驗結果及分析

實驗在windows10 系統(tǒng)下，使用IDLE (Python 3.7 64-bit)編程實現(xiàn)的，本次實驗程序需要環(huán)境配置pip install numpy，pip install opencv-python，pip install matplotlib。

以下截圖來源為本人錄制，用了很多視頻素材進行驗證測試，進行代碼調(diào)試，改進，優(yōu)化，選取運動目標檢測最為明顯片段。

圖7 是視頻運動檢測，小球為檢測到的運動物體，藍圈表示跟蹤運動物體，該圖完全實現(xiàn)了幀間差分法對運動物體的檢測；根據(jù)跟蹤的運動物體，刻畫出的小球運動軌跡，每幀停留時間：單位ms，100ms 即10fps 即每秒十幀，有空隙的地方表示該運動物體在該幀與前一幀中物體沒有運動。

圖7 視頻運動檢測示意圖

5 結論

本次研究運用了三幀差分法、二幀差分法、彩色幀間差分法、運動軌跡算法等，完全實現(xiàn)了視頻目標檢測及軌跡模擬刻畫?？梢赃\用在視頻運動目標檢測；可以安裝攝像頭，對需要的目標進行監(jiān)控，特別是需要刻畫運動軌跡的視頻；也可以用于視頻有效存儲，剔除視頻中無運動物體部分，從而釋放存儲空間。但由于本次研究主要使用了幀間差分法，視頻需要機位固定，不然整個視頻圖像在檢測時，每一個像素點都是運動的，這是需要進一步改進和完善的地方。