摘 要

运动目标检测与跟踪是计算机视觉领域一个极其重要且成果颇丰的探索方向。其研究意义在于：用计算机实现人眼对场景下物体大小，方位，运动状态的感知能力，在无人的条件下，把机器看到的场景信息反馈给人类，必要时还可以根据看到的内容做出具体的判断并提供相应的措施。在此理论依据下，设计并制作出应用于不同平台下的智能监测设备。

本文探索在视频序列 中如何完成对运动目标的完整检测和准确跟踪，评估各算法的优劣性，综合环境因素选择较好的算法实现检测和跟踪功能。首先，对目前国内外常用的检测算法分别进行介绍与分析，通过比较得到不同环境因素下最佳检测算法。最终选择基于混合高斯模型的背景差分法作为本次实验环境的检测算法，达到了在目标运动速度适中，背景前景的颜色信息差别较小，背景处于缓慢动态的环境下能够较为准确检测到运动目标的效果。其次，实现了几种经典的跟踪算法：卡尔曼滤波跟踪算法、均值移动Meanshift和连续自适应均值移动Camshift跟踪算法。两者实验结果相比下，后者能克服有其他物体遮蔽目标的情况，保证了跟踪的速度和精度。

本文针对摄像头不发生移动的视频源，测试了运动物体在各个检测算法和跟踪算法下的实验效果，结合图像预处理技术，图像修复技术完成了目标检测、目标跟踪、保存跟踪视频等功能。

关键词：计算机视觉；OpenCV；目标检测；目标跟踪

Abstract

Moving object detection and tracking is an important and fruitful research direction in the field of computer vision. Its research significance lies in: using computer to simulate and realize the human perceived ability in the aspect of the object size, orientation, movement state.In the conditions of no people, the machine can give the feedback information to people of what they see, even decide what to do and give enough support when necessary.Intelligent monitoring equipment could be designed and manufactured for different platforms according to this theory.

This article explores how to complete and accurate tracking of moving objects in the video sequence. The advantages and disadvantages of each algorithm are evaluated,so we can choose a better algorithm to achieve detection and tracking function taking the environment factors into

consideration. First of all, we introduce and analyze the commonly used detection algorithms at home and abroad, and get the best detection algorithm according to the different environments through comparison. Finally, the background difference method based on the mixed Gaussian model is chosen as the detection algorithm of the experimental environment.It is possible to detect the moving target much accurately in the environment where the moving speed of the target is moderate, the color information of the background foreground is small and the background is in the slow dynamic environment.Secondly, several classic tracking algorithms are studied: Kalman filter tracking algorithm, mean shift Meanshift and continuously adaptive mean shift Camshift tracking algorithm, compared with the experimental results, the latter can overcome the defect of covering the target by other objects, and ensure the tracking speed and accuracy.

In this article, the experimental results of moving objects under each detection algorithm and tracking algorithm are tested for the video source where the camera does not move.Applying the theory of image preprocessing technology, image restoration technology to this experiment, we can complete the target detection, target tracking, preservation and tracking video and other functions.

Key Words: computer vision ;OpenCV;object detection ; target tracking

目录

第1章 绪论 1

1.1 研究目的及意义 1

1.2 国内外的研究现状 1

1.3 研究内容和结构安排 2

第2章 运动目标检测算法实现 4

2.1 运动目标检测与跟踪系统总体设计 4

2.2 视频采集图像的预处理 6

2.3目标检测算法 13

2.3.1光流法 14

2.3.2帧间差分法 15

2.3.3背景差分法 17

2.3.4目标检测方法比较 20

第3章 运动目标跟踪算法实现 21

3.1 Meanshift算法和Camshift算法 21

3.2 Kalman滤波跟踪 26

3.3 改进的Kalman滤波和Camshift算法 28

第4章 总结与展望 32

4.1总结 32

4.2展望 32

参考文献 34

致谢 35

第1章 绪论

1.1 研究目的及意义

在智能化科技极速发展的时代背景下，计算机视觉和图像视频处理技术的应用无处不在，视频图像检测和物体跟踪具有巨大的探索意义。运动目标的检测与跟踪在安全监控、智能交通管理、生物医学分析、智能机器人、体育分析等范畴的应用价值吸引了世界各国研究人员的目光并受到了他们的极力推崇^[1]。在智能视频监控范畴中，运动目标检测和跟踪技术是极其核心的探索内容。在小区、银行、校园、停车场等地方都可以看到各种视频监控设备。人们不用到具体的场景中，就可以对可能发生异常情况的环境进行纪录并加以控制。因此，视频监控慢慢成为维护社会治安、军事勘测的有效手段^[2]。

智能视频监控技术是围绕运动目标检测与跟踪来展开的。其实质是在图像和图像描述之间创造联系，使计算机能通过视频源对每一帧图像的信息展开判别和分析，达到提取关键信息的目的。视频源从摄像机中获取后经过目标检测的低视觉处理，再经过目标跟踪的中视觉处理，最后经过目标分类、行为理解、语义描述的高层视觉处理，这就完成了整个智能视频监控的过程^[3]。其中涉及了模式识别，概率论，人工智能等理论基础。开发一个完善的运动目标检测和跟踪系统，拥有比较高的性能要求，不仅需要系统具有较好的实时性、鲁棒性，而且慢慢兼顾系统的普适性和可移植性，这是该技术亟需解决的困难，更是未来发展的趋势。

1.2 国内外的研究现状

国外对视频检测和跟踪的研究开始于上世纪五十年代并取得一定的成果^[4]。目前，国际上许多国家把该技术当作重点发展项目，不仅拥有国家自主研发团队，还号召企业和机构积极投身到该技术的研究。如美国的研究人员提出，利用帧差法和背景差分法相结合的方法，研制了用于在各种复杂多变环境下进行运动物体的监测视频监控系统VSAM^[5],实现了运动目标的快速有效检测。西门子公司研发的虚拟触摸屏系统SIVIT^[6],该系统可以根据人们手指的运动做出反应，配合人们完成某些操作，给人们生活带来很大的便捷。欧盟投入了两个重大项目ADVISOR和AVITRACK^[7],两者都是通过对公共场所进行视频监控，检测出异常行为，降低安全事故的发生率，对公共秩序的维护起了重要作用。一些国外的高校在这方面的研究也获得不少成果。如牛津大学开发了基于视觉的绘制系统^[8]。麻省理工学院和马里兰大学就背景差分法分别提出了基于混合高斯模型的背景减除法和利用序列核密度进行近似法^[9]。不仅如此，国际上的很多会议和许多权威杂志期刊都促进了该项技术发展^[10]。