文摘

客观的。的影响不同的算法检测和跟踪移动物体在图像研究了基于计算机视觉技术,和最好的算法方案确认。方法。自动移动目标检测和跟踪算法的基础上,提出了改进的帧差分法和均值漂移测试是否改进算法提高了检测和跟踪移动目标的效果。该算法改进了传统three-frame差分法,介绍了单高斯背景模型参与目标探测。改进的帧差分法用于检测目标,和窗口位置,中心目标的决心。结合均值漂移算法,确定是否需要更新模板根据是否超过设定阈值,算法可以自动追踪移动目标。结果。搜索窗口的位置和大小变化作为目标位置和尺寸变化。Bhattacharyya相似的措施ρ(y)超过阈值r和目标检测算法成功地重新启动。结论。移动对象的自动检测和跟踪算法的基础上改进的帧差分法和均值漂移速度快,精度高。

1。介绍

经济的快速发展和城市化进程的加快,大量的人涌入城市,使得交通安全与社会安全问题逐渐显示出复杂的增长趋势。社会组织越来越依赖于视频监控。然而,传统的视频监控只存储摄像机采集的图像信息。通常,图像信息不是由传统的视频监控,分析和后续分析工作交给员工。员工在这样的环境下工作很长一段时间会疲劳,效率低下。大型监控错误发生,有时员工甚至会忽略重要信息,导致不可挽回的损失。此外,手动进行视频监控,风险的暴露别人的隐私。当有一个安全问题,我们只能看监控录像,延误事件的及时处理。

与计算机硬件和软件技术的快速发展,计算机运行速度越来越快,这使得算法广泛应用于数字图像处理、计算机视觉、人工智能、等等。在智能视频监控,采用计算机视觉和人工智能算法,计算机可以像人类,了解图像的内容,分析和判断监控屏幕上的内容。当异常情况发生时,它可以提前判断并报员工迅速,从而帮助员工及时处理异常情况,提高事件处理的效率,减少员工的工作量。计算机视觉在现实生活中,扮演着重要的角色,它在许多领域被广泛使用。

坎贝尔提出了光流方法,它的特点是一个瞬时速度当目标图像中的像素区域移动。此外,光流法研究灰度值在时域的变化,大致可以分为三类:匹配,频域和梯度。matching-based方法是定义位移速度。基于频域的方法使用不同的输出频率和相位信息的过滤器。尽管这种方法精度高,它需要大量的计算(1]。在这项研究中由Defaria et al .,基于的梯度方法使用图像序列的灰色时差计算每个像素点的速度。该算法简单有效,但参数对实际应用的结果有很大的影响,也有一些问题。光流法的优点是目标检测和在任何场景适应性强,但缺点是噪声、遮挡、照明、和其他因素会影响结果,并计算很大,需要好的硬件支持(2]。Liddo等人提出了混合高斯模型背景建模方法VSAM系统和应用在更复杂的场景,如水波颤抖,突然改变光强度、暴风雨等恶劣的天气条件。作为动态背景模型的更新速度变量和迅速,前景对象可能出现在背景;否则,一些在后台背景对象将被删除3]。

在这些应用领域,运动目标的检测和跟踪是一个重要环节。这是一个重要的后续目标识别和图像理解的基础,和它的结果将直接影响到后续处理。由于计算机处理器处理数据的能力越来越强,许多算法在计算机视觉已经意识到并被广泛使用。来自世界各地的专家进行了大量的研究并付诸实用的产品。作为计算机视觉的一个重要研究方向,在视频监控、智能温度监测系统和预警系统,它不断改进和应用研究人员和工程师,因此获得了更多的发展空间。移动目标检测的速度和准确度直接影响到后续目标跟踪和识别。

在此基础上,提出了计算机视觉技术和不同的算法在图像运动目标检测和跟踪效果,证实了优化算法方案。基于改进的帧差分法和均值漂移的自动检测和跟踪算法的移动目标,检查是否改进算法提高了检测和跟踪移动目标的效果。

2。目标跟踪算法

(1)基于轮廓的跟踪方法:根据等高线的能量曲线,轮廓曲线将逐渐方法的实际轮廓边缘移动目标的联合行动下外部力和约束力。只有当物体的轮廓曲线边缘的能量达到最小值时,可以获得真正的移动目标的轮廓。很难得到精确的初始化移动物体的轮廓;也就是说,它是非常困难的来初始化边界轮廓。因为很难更新移动目标的轮廓在跟踪过程中,这种方法的效果并不好当跟踪目标遮挡问题[4]。(2)基于模型的跟踪方法:在这个方法中,建立一个适当的几何模型是第一个,然后进行模型匹配是实现跟踪的过程,和模型应该被更新及时的类型参数。移动物体的模型有三种:线模型,二维轮廓模型,三维立体模型。线形图模型是一个简单的模型来描述真实的对象;二维投影模型非常直观;3 d模型相对复杂,但该模型充分利用目标对象的基本特征,使跟踪过程更稳定,尤其是在复杂的环境中。优势更加明显。与其他跟踪方法相比,它具有更高的可靠性。缺点在于大量的计算,这是耗时的,并且很难满足实时的要求(5]。(3)提出跟踪方法:该地区跟踪方法的主要思想是将共同特征的连接区域的移动目标跟踪的基础,如目标纹理信息、颜色信息,等等。所选特征信息被称为参考模板。参考模板由视频的第一帧序列被定义为目标模板,模板和目标之间的相关性和候选模板在随后的视频序列计算来确定目标的位置,以完成目标跟踪过程。在实际应用中,特别是在复杂的环境中,多个特性往往选择跟踪。因为基于该方法的特征信息不完全相同,跟踪精度和稳定性更好当目标对象没有阻塞问题,但当运动目标阴影和遮挡问题,跟踪处理仍然是困难的(6]。

2.1。移动物体的检测和提取改进的帧差分法

2.1.1。单高斯模型提取静态背景

当背景环境简单,摄像机是固定的,每一帧的背景像素的亮度值附近的相机捕捉到一个相对稳定的值,这符合高斯分布(7]。在一段时间内,每个像素与中值服从高斯分布μ和标准方差σ,每个像素都是相互独立的高斯分布。因此,可以为每个像素建立一个高斯模型如下: 在哪里我_x,y代表某一像素的值;(x,y)表示帧的像素的坐标(8];μ_x,y代表这个像素的高斯模型的均值;δ_x,y方差对应像素;和P(我_x,y)表示这个点的像素值的概率我_x,y。

当没有移动物体进入,值P(我_x,y)每个像素的变化在一个稳定的水平,因此可以确定,这些像素都是背景像素(9]。当一个移动的目标进入,改变目标所在区域的像素不符合高斯分布,因此这些点可以判断为前景像素。的一组像素的均值和标准方差(x,y)T框架是μ_我和σ_我。 在哪里任何像素的灰度(x,y)我_th框架。如果G(x,y)是任意点的灰度值在视频序列,k是一个经验值在2和3之间。当|x,y)−μ_我(x,y)|≥kσ_我(x,y),它被认为是前面风景区(10]。当|x,y)−μ_我(x,y)| <kσ_我(x,y),这个点被认为是背景点。提取的背景帧标记为Dif_点。

2.1.2。检测运动目标

本文采用改进五帧差分算法,两个连续帧由五分之一帧用于帧差。获得帧与背景区别”和“框架,然后三组结果”或“这样可以检测出移动目标更加完全11]。让五个连续的视频帧图像序列如下:p₁,p₂,p₃,p₄,p₅,在这p₃是一个中间帧。结果通过使用两个帧隔开一个帧的帧的区别如下:

然后,three-frame差异的结果 , ,和分别是操作框架的区别中间帧与背景帧,如下:

最后,d₁,d₂,d₃或经营获得d,这是检测到移动的目标。有些小洞的移动目标检测到上述改进方法,可以消除由膨胀和腐蚀的二进制映像的方法在图像形态(12]。

2.1.3。提取移动对象

当检测到一个移动的目标,目标可以确定的区域移动。为了提取运动目标,有必要删除大量的阴影中包含运动目标区域,严重干扰的边缘检测移动目标(13]。阴影检测方法都是基于阴影的特性和几何模型。其中,检测方法基于阴影特征是处理图像几何特征检测算法,阴影的颜色和亮度14]。因为阴影的存在只会影响像素的亮度,它没有影响像素的颜色。本文基于HSV颜色空间和阴影检测方法使用边缘检测提取移动对象。首先,使用边缘检测方法得到目标运动区域的边缘。然后,移动的阴影区域的目标是检测到HSV的方法,和边缘的阴影部分是通过边缘检测。最后,准确的目标边缘信息可以通过减去目标移动的阴影边缘的边缘区域。

有两个主要的视觉跟踪方法:一个是自底向上的方法,另一种是自顶向下的方法。本文采用自底向上的方法,结合视觉计算理论,可分为三个阶段:层视野,和高级愿景,中间层。低层次视觉中产水平视觉图像特征描述,而中间水平高水平视觉视力是2.5维描述,和高水平的愿景是一个三维描述。

2.2。均值漂移目标跟踪

2.2.1。均值漂移算法的概述

均值漂移算法是一种半自动跟踪方法,选择手动确定搜索窗口移动目标的初始跟踪框架(15]。搜索窗口的直方图分布的加权核函数计算和相应的直方图分布窗口的当前帧是由相同的方法计算。基于最大相似性原则这两个发行版,搜索窗口移动到目标的真实位置的方向最大密度增加。对于一个有限集一个在n维欧氏空间x,均值漂移的形式x∈X如下:

给定一个初始点x,内核函数G(x_我),权函数ωx_我,容许误差ξ。第一项左边的公式定义为米_h(x)。

首先,计算 ,和迭代的计算结果与x;如果| |−x| | <ξ,停止迭代过程。

2.2.2。改进的帧差分法结合均值漂移算法

为了解决这个问题,均值漂移必须手动输入搜索窗口,目标边缘提取的改进帧差分法用于更新均值漂移的搜索窗口(16]。假设带宽h,x₁,x₂、…x_n最初的内核窗口包含在内核窗口和采样点x₀的中心目标,目标的直方图分布如下: 在哪里k核函数;米特征值的数量特征空间;δ克罗内克函数;B(x_我)是像素对应的特征值x_我;C是归一化系数;和H核函数的带宽。因此,对象跟踪可以简化为寻找最优y,所以p_u(y)是最相似 。之间的相似性p_u(y),是衡量Bhattacharyya系数,如下:

传统的均值漂移方法不更新模板在计算目标的分布直方图 ,但总是使用模板建立的初步框架,从而导致之间的偏差的直方图分布模板和目标 ,后很容易导致“失去”的目标,不能适应目标的大小变化。摘要Bhattacharyya相似性度量系数ρ(y介绍了)来判断是否需要更新模板。跟踪目标时,如果的变化ρ(y)超过一定的阈值r,这意味着模板偏差太大。在这个时候,重新运行改进的帧差法提取运动目标,更新跟踪窗口的大小和位置,并更新直方图分布的目标17]。

图像分割是一种重要的计算机移动目标跟踪的方法。针对车辆跟踪问题,罗伯特使用边缘检测算子检测边缘的目标车辆,从而大大提高了分割精度。此外,我们提出一个车辆目标分割策略的最大组内的方差,和实验结果表明,该算法具有良好的分割效果。

3所示。结果

本文在室内拍摄的一段视频作为视频源来验证该算法的有效性。算法在MATLAB运行来验证改进的帧差分方法的有效性通过观察大量的孔是否出现在目标探测的结果。跟踪的效果可以通过观察来判断是否搜索框的大小和中心位置的变化实时变化的目标(18]。这是为了验证Bhattacharyya相似性度量系数ρ(y)已经超过了阈值r并确定是否已成功重新启动目标检测算法和搜索窗口更新。如果目标检测的结果是明确的,没有出现空白,并跟踪窗口的大小和位置的均值漂移算法可以实时更新根据目标对象的变化,可以验证该算法的有效性。实验步骤如下:(1)读取视频序列。(2)提取静态背景和五个连续的图像p₁,p₂,p₃,p₄,p₅(3)区别中间帧,提取的静态背景获得 。(4)使用上述5-frame差分算法,移动对象D检测到。(5)HSV变换进行检测到目标区域,并结合边缘检测信息,消除阴影,和目标框架和中心点提取。(6)把目标框架和中心点在步骤(5)中获得的模板均值漂移算法。(7)跟踪后续帧的目标逐帧,并判断相似性度量系数ρ(y)Bhattacharyya超过阈值。如果它不超过阈值,继续跟踪直到结束的视频帧。如果超过给定的阈值,进行步骤(2)从当前帧,并重新检测并获得目标窗口。目标检测的实验结果如图1(一)- - - - - -1 (d)。

从图可以看出1图像处理的传统three-frame差分法具有明显的洞和一个模糊的目标轮廓。改进算法获得的图像轮廓的清晰,表明该算法具有较高的提取精度和理想的效果。目标跟踪的实验结果如图2(一个)- - - - - -2 (d)。数据2(一个)图2 (d)图是不同的帧的跟踪效果。如图2,目标的位置和大小的变化,搜索窗口的位置和大小也发生了变化。这表明变化的Bhattacharyya相似性度量系数ρ(y)超过阈值R和目标检测算法成功地重新启动。在整个跟踪过程中,没有“后续”现象。除此之外,没有人参与整个过程,实现目标的自动跟踪。

视频监控的关键是移动物体的检测和跟踪。一般来说,这种技术结合图像识别和目标跟踪的方法来检测移动对象在一个图像序列的基础上,分析静态和动态图像。在静态图像,信息的发布是常数时间和空间变量(它与空间变化)。和连续的静态图像序列反映了动态图像的变化。因此,分布特征的动态图像的空间位置信息密度也随时间变化。运动目标检测是实现利用连续帧之间的时间相关性静态图像和动态图像。首先,目标的运动信息的动态图像检测,然后下面的目标识别和跟踪过程完成。所谓的移动目标检测是提取和分离运动的信息感兴趣的研究人员从原始视频和移动对象的信息特征和背景分开。这被认为是应用图像分析的第一步,智能监控等技术。本文只关注目标跟踪在可见光,其他情况下,没有深入的研究。 For example, targets at night will be affected by light changes, which may involve the processing of targets in infrared video images; night conditions require the system to have higher robustness, in addition to the influence of climate conditions.

4所示。结论

基于计算机视觉技术,在图像中检测和跟踪移动物体,改进的帧差法和均值漂移算法结合运动目标检测和跟踪算法可以有效地克服传统帧差分法和均值漂移算法的缺陷条件下的静态背景,搜索窗口的位置和大小变化作为目标位置和尺寸变化。Bhattacharyya相似的措施ρ(y)超过阈值r和目标检测算法成功地重新启动。方法采用程序简单,计算速度快。它可以满足实时检测的要求和跟踪。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

本研究支持黑龙江省教育部科研项目(项目号135409224)。