一种基于背景模型的运动目标检测与跟踪算法

《一种基于背景模型的运动目标检测与跟踪算法》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、一种基于背景模型的运动目标检测与跟踪算法一种基于背景模型的运动目标检测与跟踪算法刘亚艾海舟徐光佑（清华大学计算机科学与技术系，智能技术与系统国家重点实验室，北京100084）摘要本文提出了一种静止摄像机条件下的运动目标检测与跟踪算法。它以一种改进的自适应混合高斯模型为背景更新方法，用连通区检测算法分割出前景目标，以Kalman滤波为运动模型实现对运动目标的连续跟踪。在目标跟踪时，该算法针对目标遮挡引起的各种可能情况进行了分析，引入了对运动目标的可靠性度量，增强了目标跟踪的稳定性和可靠性。在对多个室外视频序

2、列的实验中，该算法显示了良好的性能，说明它对于各种外部因素的影响，如光照变化、阴影、目标遮挡等，具有很强的适应能力。关键词背景模型，混合高斯模型，Kalman滤波，运动目标检测与跟踪1引言视觉监视是指在一个繁忙环境中对人和车辆等进行实时的观察，并给出对它们行为和动作的描述。这一技术包括了运动目标的检测、跟踪、目标分类和行为理解等方面，涉及到计算机视觉、模式识别和人工智能领域的许多核心课题，是一个具有挑战性的困难问题。近年来随着集成电路和计算机技术的迅猛发展，视觉监视系统所要求的硬件设备成本大大降低，因此它

3、获得了日益广泛的研究与应用。许多关于视觉监视的大规模研究项目已经在美国、欧洲和日本展开，同时它也成为许多国际学术会议关注的重要主题。已有多篇论著详细介绍了针对不同应用条件的视觉监视系统。Wren等的Pfinder是一个利用颜色和形状特征对大视角范围内的人进行跟踪的实时系统[1]。Olson等介绍了一种更通用的运动物体检测和事件识别系统[2]。它通过检测帧间图像变化来发现运动物体，在跟踪中上使用了一阶预测和最近邻4匹配技术。Haritaoglu等的W是一个可以在室外对人进行实时检测和跟踪的视觉监视系统[3]

4、。它将外形分析与跟踪技术相结合来跟踪人体各个部分的位置并为人的外形建立模型。Collins等介绍了由CMU和Sarnoff公司合作研究的一种视觉监视系统[4]。它使用多个相互协作的摄像机在复杂环境里对人和车进行连续的跟踪，并对目标类别和行为进行分析。运动目标检测与跟踪处于整个视觉监视系统的最底层，是各种后续高级处理如目标分类、行为理解等的基础。运动目标检测系指从视频流中实时提取目标，一般是确定目标所在区域和颜色特征等。目标检测的结果是一种“静态”目标——前景目标，由一些静态特征所描述。运动目标跟踪则指对目

5、标进行连续的跟踪以确定其运动轨迹。受跟踪的目标是一种“动态”目标——运动目标，与前景目标相比，描述它的特征中多了动态特征（如运动参数等）。针对静止摄像机的情况，本文的运动目标检测与跟踪算法流程如图1所示。我们通过为静止背景建模来检测前景点。具体的背景模型以Stauffer等提出的自适应混合高斯模型[5]为蓝本，并对其作了部分改进以更好地处理实际背景发生变化的情形。算法中采用一种可靠的连通区域检测算法完成前景目标的分割。目标跟踪时则通过匹配目标的位置、大小、形状和颜色等特征，建立运动目标与前景目标间的对应关

6、系。算法中考虑了跟踪中多个目标相互遮挡的问题，分析了几种可能结果并分别加以处理。我们还为运动目标引入了可靠性度量以使目标跟踪过程更加稳定和可靠。第1页一种基于背景模型的运动目标检测与跟踪算法输入视频前景点集前景目标运动目标背景模型目标分割目标跟踪图1运动目标检测与跟踪处理流程2背景模型视觉监视的第一步工作是将前景目标所在的区域从背景中分割提取出来，即完成前景和背景的分离。这一工作一般有三种实现方法：背景消减、帧间运动分析和光流计算。后两种方法都可以用于运动摄像机的情形，对动态环境的适应能力比较强，但帧间运

7、动分析的结果精度不高，难以获得目标所在区域的精确描述[6]；光流计算的复杂度则非常高，难以符合视觉监视系统实时处理的要求[7]。背景消减适用于摄像机静止的情形。它为静止背景建立背景模型，通过将当前图像帧和背景模型进行比较，确定出亮度变化较大的区域，即认为是前景区域[1][3]。这种方法的计算速度很快，可以获得关于运动目标区域的完整精确的描述，但对场景中光照条件、大面积运动和噪声比较敏感，在实际应用中需采用一定的算法进行背景模型的动态更新，以适应环境的变化。出于处理速度和算法性能及应用场合的考虑，本文和大部

8、分视觉监视系统一样，选择了建立背景模型作为检测前景区域的方法。按照所处理背景的自身特性，背景模型可分为单模态和多模态两种。前者在每个背景点上的颜色分布比较集中，可以用单个概率分布模型来描述（即只有一个模态），后者的分布则比较分散，需要多个分布模型来共同描述（具有多个模态）。自然界中的许多景物和很多人造物体，如水面的波纹、摇摆的树枝、飘扬的旗帜、监视器荧屏等，都呈现出多模态的特性[5]。最常用的描述背景点颜色分布的概率分布是高斯