论文部分内容阅读
摘 要：本文應用高斯混合背景模型，通过运动目标检测算法根据背景动态自适应调整匹配目标颜色特征，对监控场景中出现的背景运动分开等问题进行建模与运动目标检测跟踪处理，提高目标关联算法的实时性和准确率。
关键词：多摄像机；无重叠视野域；目标跟踪；目标匹配
近年来，图像处理技术及各种传感器技术的快速发展，智能监控在我国大多数城市社区、大型公共场所及重要设施获得了广泛应用。本文提出了一种新的目标关联算法，实现没有重叠的视界，具有较强的实用性。
1 研究基础
1.1运动目标检测方法
运动目标检测方法主要有帧差法、背景差分法和光流法。
帧差法的基本思想是相邻的两个或多个视频图像帧做减法。帧差法原理简单，易于编程，一般将其应用于具有静态背景的监控环境中。帧差法前景图像如果出现了明显的空洞和断裂，将对目标的检测和后续的分类识别工作将会带来困难。
背景差分法的基本思想是对当前帧图像和参考背景图像进行微分运算，然后设置一定的阈值来检测运动目标。简单的两帧差分法容易在目标内产生空洞现象，帧间差分会产生明显的背景轮廓。
光流法是一种基于光流特征的目标检测方法，不利于高速运动目标图像信息的实时处理。光流法对图像中的每个像素转换为静态背景，再用传统的目标检测方法进行检测，有效地解决了相同颜色干扰的问题。光流法对于突然停止运动的目标很难检测出来。
1.2目标跟踪技术
在改进基础上改善TLD（Tracking Learning Detection）目标跟踪方法，可实现在复杂环境下对地面目标的长时间跟踪。通过利用相似度函数计算目标模板与候选区域的相似性，将学习的结果作为下一帧的分类器，可以设计高效的多通道视频目标跟踪系统。
1.3多摄像机目标跟踪技术
（1）目标匹配
目标匹配是相机目标跟踪的关键技术，依靠全局特征在某些情况下可能无法完成对目标的准确识别，必须使用智能运动目标跟踪算法，才可以实现不重叠摄像机连续匹配的目标跟踪。
（2）拓扑关系估计
自动摄像机之间的拓扑关系是视频监控和跟踪的重要内容之一。在视频监控系统中，监督学习和监控系统一般适用于小的，只有少量的训练目标。无监督学习方法是对获得的拓扑关系的自动监控，更适合于更大的多摄像头视频监控系统。通过无监督与监督学习，对摄像机的拓朴关系进行自动估计。
（3）数据关联方法
为了得到一个更精确的跟踪效果，非重叠的相机连续跟踪算法较多，需要对摄像机拓扑与目标表达模型匹配算法整合。需要在分析目标匹配算法与摄像机拓扑后，进行点特征和区域特征的融合，将目标运动形状和相机等信息数据的拓扑关系协同，从而实现在整个监测区域连续跟踪目标。
2 基于背景差法的双向匹配多目标跟踪算法
2.1背景差法运动检测
（1）背景模型初始化
该算法在背景模型建立时，只使用第一个信息框。在初始化过程中，使用第一帧图像作为背景模型，对下一帧中的目标位置进行预测，在第一帧中为每个像素建立高斯模型，对图像进行不同尺度的高斯模糊。建模过程如下：设I1（X.Y）为第一帧图像上（X.Y）处的像素点，当像素为移动目标时，为像素点建立一个新的单高斯模型，以取代原像素中权重最小的单高斯模型。
（2）模型学习匹配
假设已经为背景图像的每一个像素建立K个高斯模型。首先提取目标区域的特点，确定区域特征。当目标颜色块符合颜色特征时，可以利用色块之间的空间位置来改进整体模型的匹配。
（3）背景模型的更新
对于实际的场景，背景是一个实时动态变化，所以移动物体检测时需要更新背景模型。背景模型容易受到噪声和前景误差识别等外部因素的干扰。
2.2基于颜色分布熵的目标匹配方法
（1）HSV颜色空间的量化
图像中有数千种颜色，可以通过颜色直接检测和分割对象。HSV（Hue，Saturation， Value）空间模型更适合于人的视觉感知及其亮度和色度特征。两个HSV颜色的相似性取决于它们的HSV颜色空间距离。
（2）基于颜色分布熵的特征提取
颜色背景模型是通过回顾图像中每个像素的像素值进行建模。将目标HSV颜色空间与RGB颜色空间相匹配，清晰地展示图像中颜色的构成分布。在原有颜色特征的基础上，增加图像空间结构信息，使每个像素根据其空间分布提供目标颜色特征信息。
（3）基于颜色特征的表现模型
如何在相机上找到目标形状，是解决目标跟踪的一个重要问题。如果场景中存在多个摄像头，摄像机需要提取不同颜色特征下的目标。
3 系统总体设计及模拟实现
3.1系统应用场景
在实际应用场景中，需要在多目标跟踪系统中建立多通道视频平台。本文采用三个固定角度的镜头，通过相机1-3，场景中的目标运动被描述为多个目标。
3.2系统实现功能
（1）图像采集
本文采用的运动目标检测算法与其他三种算法相比能更好地检测目标，目标的检测的前景相对完整，背景干扰较少。本文设计了OpenCV（Open Source Computer Vision Library）多摄像机目标跟踪系统，利用OpenCV的颜色转换函数将其转换为RGB色彩空间，便于后续移动目标的检测和跟踪。
（2）目标跟踪
移动目标跟踪可以实现连续视频图像帧检测，对视频图像序列中运动目标实现跟踪。合理地设置相机的位置，直到两个模型之间的距离函数最小为止。
3.3系统总体设计实现方案
（1）系统总体结构
基于以上系统应用场景，本文在目标跟踪算法的基础上加入特征点的判断机制，采用正负样本集组成训练集合进行监督训练。在每一帧图像中进行不同尺度的窗口扫描来确认目标的位置，样本数量随着目标状态的变化不断更新，保证了特征匹配的随机性和完整性。
（2）系统硬件选型
图像信号质量将影响整个系统，摄像机是系统的最前端装置。本文选择索尼CCD相机，支持最大分辨率712 x 582，红外夜视和支持。图像采集卡完成图像采集与数字化，本文选择DH - VT142采集卡。
（3）系统设计方案
系统硬件平台由相机、传输线路、图像采集卡、中心服务器共同构成。图像采集卡需要负责多通道图像信号处理和分析。系统的软件平台主要由中心服务器实现，服务器使用 Linux 操作系统作为 Open CV 库运行的软件环境，增加目标的相应的摄像机ID和目标信息。如果一个相机在系统中存在感兴趣的目标，可以用鼠标选择目标，然后摄像机初始化，并记录目标数据表示格式。由于在户外使用模拟摄像头，需要考虑风或固定摇摇晃晃的屏幕抖动等因素。
3.4系统实现验证
（1）图像采集
多通道视频目标跟踪系统是一个连接摄像头的图像采集系统。将摄像机采集到的图像直接送给中心服务器进行处理。用户可以设置视频区域来实时采集参数，可以选择目标，将对识别到的目标进行实时跟踪。
（2）目标跟踪实现
本文在固定场景中验证了系统设计的可行性。平台也能够胜任后期的实时图像处理要求。在三个运动目标的跟踪过程中，通过中心服务器上的程序进行目标识别与跟踪。结果显示，跟踪算法对运动目标跟踪效果良好，无论使用一个摄像机跟踪还是三个摄像头连续跟踪，系统依然可以稳定地定位到目标。
4 研究结论
移动目标自动跟踪检测和识别，以及基于计算机视觉和运动行为分析的智能视频监控应用越来越广泛。本文的研究成果应用于实际场景中，可以减少了闭路电视摄像头的数量，节省成本，因此在监测领域有着巨大的市场前景。
参考文献：
[1]左军毅，梁彦，潘泉，赵春晖，张洪才.基于多个颜色分布模型的Camshaft跟踪算法[J].自动化学报.2015（07）
关键词：多摄像机；无重叠视野域；目标跟踪；目标匹配
近年来，图像处理技术及各种传感器技术的快速发展，智能监控在我国大多数城市社区、大型公共场所及重要设施获得了广泛应用。本文提出了一种新的目标关联算法，实现没有重叠的视界，具有较强的实用性。
1 研究基础
1.1运动目标检测方法
运动目标检测方法主要有帧差法、背景差分法和光流法。
帧差法的基本思想是相邻的两个或多个视频图像帧做减法。帧差法原理简单，易于编程，一般将其应用于具有静态背景的监控环境中。帧差法前景图像如果出现了明显的空洞和断裂，将对目标的检测和后续的分类识别工作将会带来困难。
背景差分法的基本思想是对当前帧图像和参考背景图像进行微分运算，然后设置一定的阈值来检测运动目标。简单的两帧差分法容易在目标内产生空洞现象，帧间差分会产生明显的背景轮廓。
光流法是一种基于光流特征的目标检测方法，不利于高速运动目标图像信息的实时处理。光流法对图像中的每个像素转换为静态背景，再用传统的目标检测方法进行检测，有效地解决了相同颜色干扰的问题。光流法对于突然停止运动的目标很难检测出来。
1.2目标跟踪技术
在改进基础上改善TLD（Tracking Learning Detection）目标跟踪方法，可实现在复杂环境下对地面目标的长时间跟踪。通过利用相似度函数计算目标模板与候选区域的相似性，将学习的结果作为下一帧的分类器，可以设计高效的多通道视频目标跟踪系统。
1.3多摄像机目标跟踪技术
（1）目标匹配
目标匹配是相机目标跟踪的关键技术，依靠全局特征在某些情况下可能无法完成对目标的准确识别，必须使用智能运动目标跟踪算法，才可以实现不重叠摄像机连续匹配的目标跟踪。
（2）拓扑关系估计
自动摄像机之间的拓扑关系是视频监控和跟踪的重要内容之一。在视频监控系统中，监督学习和监控系统一般适用于小的，只有少量的训练目标。无监督学习方法是对获得的拓扑关系的自动监控，更适合于更大的多摄像头视频监控系统。通过无监督与监督学习，对摄像机的拓朴关系进行自动估计。
（3）数据关联方法
为了得到一个更精确的跟踪效果，非重叠的相机连续跟踪算法较多，需要对摄像机拓扑与目标表达模型匹配算法整合。需要在分析目标匹配算法与摄像机拓扑后，进行点特征和区域特征的融合，将目标运动形状和相机等信息数据的拓扑关系协同，从而实现在整个监测区域连续跟踪目标。
2 基于背景差法的双向匹配多目标跟踪算法
2.1背景差法运动检测
（1）背景模型初始化
该算法在背景模型建立时，只使用第一个信息框。在初始化过程中，使用第一帧图像作为背景模型，对下一帧中的目标位置进行预测，在第一帧中为每个像素建立高斯模型，对图像进行不同尺度的高斯模糊。建模过程如下：设I1（X.Y）为第一帧图像上（X.Y）处的像素点，当像素为移动目标时，为像素点建立一个新的单高斯模型，以取代原像素中权重最小的单高斯模型。
（2）模型学习匹配
假设已经为背景图像的每一个像素建立K个高斯模型。首先提取目标区域的特点，确定区域特征。当目标颜色块符合颜色特征时，可以利用色块之间的空间位置来改进整体模型的匹配。
（3）背景模型的更新
对于实际的场景，背景是一个实时动态变化，所以移动物体检测时需要更新背景模型。背景模型容易受到噪声和前景误差识别等外部因素的干扰。
2.2基于颜色分布熵的目标匹配方法
（1）HSV颜色空间的量化
图像中有数千种颜色，可以通过颜色直接检测和分割对象。HSV（Hue，Saturation， Value）空间模型更适合于人的视觉感知及其亮度和色度特征。两个HSV颜色的相似性取决于它们的HSV颜色空间距离。
（2）基于颜色分布熵的特征提取
颜色背景模型是通过回顾图像中每个像素的像素值进行建模。将目标HSV颜色空间与RGB颜色空间相匹配，清晰地展示图像中颜色的构成分布。在原有颜色特征的基础上，增加图像空间结构信息，使每个像素根据其空间分布提供目标颜色特征信息。
（3）基于颜色特征的表现模型
如何在相机上找到目标形状，是解决目标跟踪的一个重要问题。如果场景中存在多个摄像头，摄像机需要提取不同颜色特征下的目标。
3 系统总体设计及模拟实现
3.1系统应用场景
在实际应用场景中，需要在多目标跟踪系统中建立多通道视频平台。本文采用三个固定角度的镜头，通过相机1-3，场景中的目标运动被描述为多个目标。
3.2系统实现功能
（1）图像采集
本文采用的运动目标检测算法与其他三种算法相比能更好地检测目标，目标的检测的前景相对完整，背景干扰较少。本文设计了OpenCV（Open Source Computer Vision Library）多摄像机目标跟踪系统，利用OpenCV的颜色转换函数将其转换为RGB色彩空间，便于后续移动目标的检测和跟踪。
（2）目标跟踪
移动目标跟踪可以实现连续视频图像帧检测，对视频图像序列中运动目标实现跟踪。合理地设置相机的位置，直到两个模型之间的距离函数最小为止。
3.3系统总体设计实现方案
（1）系统总体结构
基于以上系统应用场景，本文在目标跟踪算法的基础上加入特征点的判断机制，采用正负样本集组成训练集合进行监督训练。在每一帧图像中进行不同尺度的窗口扫描来确认目标的位置，样本数量随着目标状态的变化不断更新，保证了特征匹配的随机性和完整性。
（2）系统硬件选型
图像信号质量将影响整个系统，摄像机是系统的最前端装置。本文选择索尼CCD相机，支持最大分辨率712 x 582，红外夜视和支持。图像采集卡完成图像采集与数字化，本文选择DH - VT142采集卡。
（3）系统设计方案
系统硬件平台由相机、传输线路、图像采集卡、中心服务器共同构成。图像采集卡需要负责多通道图像信号处理和分析。系统的软件平台主要由中心服务器实现，服务器使用 Linux 操作系统作为 Open CV 库运行的软件环境，增加目标的相应的摄像机ID和目标信息。如果一个相机在系统中存在感兴趣的目标，可以用鼠标选择目标，然后摄像机初始化，并记录目标数据表示格式。由于在户外使用模拟摄像头，需要考虑风或固定摇摇晃晃的屏幕抖动等因素。
3.4系统实现验证
（1）图像采集
多通道视频目标跟踪系统是一个连接摄像头的图像采集系统。将摄像机采集到的图像直接送给中心服务器进行处理。用户可以设置视频区域来实时采集参数，可以选择目标，将对识别到的目标进行实时跟踪。
（2）目标跟踪实现
本文在固定场景中验证了系统设计的可行性。平台也能够胜任后期的实时图像处理要求。在三个运动目标的跟踪过程中，通过中心服务器上的程序进行目标识别与跟踪。结果显示，跟踪算法对运动目标跟踪效果良好，无论使用一个摄像机跟踪还是三个摄像头连续跟踪，系统依然可以稳定地定位到目标。
4 研究结论
移动目标自动跟踪检测和识别，以及基于计算机视觉和运动行为分析的智能视频监控应用越来越广泛。本文的研究成果应用于实际场景中，可以减少了闭路电视摄像头的数量，节省成本，因此在监测领域有着巨大的市场前景。
参考文献：
[1]左军毅，梁彦，潘泉，赵春晖，张洪才.基于多个颜色分布模型的Camshaft跟踪算法[J].自动化学报.2015（07）