基于圖像處理的實時跟蹤運動目標檢測

基于圖像處理的實時跟蹤運動目標檢測

1運動目標檢測與跟蹤技術近年來，隨著計算機處理速度的提高和數(shù)字圖像處理技術的深入研究，視覺跟蹤成為一個熱點研究問題[1.4]。視頻運動目標檢測與跟蹤技術廣泛應用于軍事及民用監(jiān)控系統(tǒng),它能夠大大減少人力物力,保障監(jiān)控場所安全。運動目標檢測與跟蹤算法性能直接影響運動目標跟蹤系統(tǒng)的精確度和穩(wěn)定性,因此,研究一種魯棒性好、精確、高性能的運動目標檢測與跟蹤算法是提高監(jiān)控系統(tǒng)性能的關鍵。本文從視頻圖像的獲取、預處理及目標檢測與跟蹤方法進行研究,并對采用不同方法得到的實驗結果進行了對比分析。2圖像采集及預處理運動目標檢測是在一段序列圖像的每幀圖像中找到感興趣的運動目標所在的位置,其難點在于如何快速而可靠地從一幀圖像中匹配目標。在本系統(tǒng)中,由于攝像頭固定,采集到的圖像背景基本不變,故選取基于運動的幀間差分法。圖像采集采用CCD攝像頭。為減少處理運算量,將采集到的彩色圖像轉換為灰度圖像,再進行預處理及目標檢測。真彩圖像到灰度圖像的變換為Y=0.299R+0.587G+0.114B,其中Y為灰度圖像的灰度值,R、G、B為紅、綠、藍三通道顏色值。2.1圖像好的圖像圖像增強采用了中值濾波和灰度均衡化技術。由于濾波后的圖像邊界、輪廓往往會變模糊,需要利用圖像銳化技術使圖像的邊緣變清晰。對一幅圖像f(x,y),它的梯度是一個矢量,梯度值的大小與相鄰像素的灰度差值成正比。計算出圖像f(x,y)的梯度值后,可以采用不同形式突出圖像的輪廓,現(xiàn)采用下列方法進行了研究。2.1.1x,y投資設輸出圖像為g(x,y),梯度圖像直接輸出的表達式為:g(x,y)=|G[f(x,y)]|。原圖像所有灰度變化平緩的區(qū)域,在輸出圖像g(x,y)上均變成了暗區(qū),只有圖像的輪廓部分在g(x,y)上才表現(xiàn)為亮區(qū)(點、線或區(qū))。由于圖像上相鄰像素的灰度值相關性一般很高,故輸出圖像g(x,y)總體上講顯得非常暗淡。2.1.2閾值閾值加閾值的梯度圖像表達式為:其中,T>0為閾值。從表達式可以看出,適當?shù)剡x擇T,既可使圖像輪廓清晰突出,又可在一定程度上保持灰度變化平緩的背景不受破壞。2.1.3輪廓閾值輸出在某些場合下,需要把輪廓設置成一個特殊的灰度級值,而其他非輪廓區(qū)域的灰度仍然保持原灰度值不變。這種輸出表達式為式中T為輪廓閾值。輪廓的確定是根據梯度值|G[f(x,y)]|的大小來判定的,當|G[f(x,y)]|≥T時,就認定像素(x,y)為輪廓。LG是根據需要指定的一個灰度級,它將明顯邊緣用一個固定的灰度級LG來實現(xiàn)。2.1.4非輪廓像素的灰度級lb當背景的灰度變化造成圖像輪廓不明顯突出時,若只想突出輪廓而允許非輪廓像素的灰度層次,可把背景(非輪廓像素)規(guī)定成一個灰度級LB,其表達式為按這種方式輸出的圖像,認定為非輪廓的像素均變?yōu)長B,而認定是輪廓的像素的灰度值以其梯度值來代替。2.1.5圖像輸出方式若只關心每個像素是輪廓像素還是非輪廓像素,這時可以采用二值化的圖像輸出方式,其表達式為按這種方式輸出的圖像,結果是整幅圖像上所有像素只有兩種可能的灰度值。這5種不同的銳化方法各有優(yōu)點,在完成幀間差分及閾值分割后將會對這5種方法進行比較,找出最優(yōu)方法。2.2像間相關性檢測預處理之后的圖像成為適合于計算機分析處理的圖像,然后進行運動目標的檢測。幀間差分法是基于運動圖像序列中相鄰兩幀圖像間具有強相關性而提出的檢測方法。在攝像頭固定的情況下,對連續(xù)的圖像序列中的相鄰兩幀圖像采用基于像素的時間差分來提取圖像中的運動區(qū)域,設在t1時刻和t2時刻采集到同一背景下的兩幅運動圖像為f1(x,y)和f2(x,y),則差分圖像的定義為:fd(x,y)=f1(x,y)-f2(x,y)。對上式的差分結果進行閾值處理,就可以提取出運動的物體。2.3數(shù)學形態(tài)圖像圖像分割是圖像分析、理解和計算機視覺中的難點。在圖像分割的諸多方法中,閾值化技術是一種簡單有效的方法,最大類間方差(Otsu)是廣泛使用的閾值分割方法之一。其基本思想是利用圖像的灰度直方圖,以目標和背景的方差最大來動態(tài)地確定圖像的分割閾值。二值化后的圖像往往會含有許多孤立的點、小區(qū)域以及小空隙和孔洞,為了解決閾值分割后的差分圖像可能會存在的一些目標空洞和少量的孤立噪聲的問題,這些均會對今后目標位置的判斷存在干擾,導致接下來跟蹤丟失或者跟蹤錯誤。因此,本文使用了數(shù)學形態(tài)學圖像處理,適當?shù)剡x取形態(tài)運算子和濾波窗口可以很好地排除雜點,消除物體內部的細小空隙。主要方法為膨脹和腐蝕。本系統(tǒng)分別使用3階和5階窗口進行形態(tài)學濾波操作。2.4運用二值圖像輸出法測定運動目標首先將采集到的圖像序列(見圖1(a)、(b))轉變?yōu)榛叶葓D像,然后進行中值濾波和灰度均衡。采用2.1中的5種圖像銳化方法分別對兩幅濾波后的圖像進行處理,然后利用5種銳化后的圖像進行幀間差分以及閾值分割,最終得到含有運動目標的二值圖像。效果如圖1所示。由實驗結果可知,銳化效果最好的是第5種方法,即二值圖像輸出方法。這種方法基本上可以準確地檢測出運動物體;雖然還存在一些細小空洞,但在對其進行形態(tài)學濾波之后便可以完全消除,如圖1中(g)所示。3值化輸出法閾值分割的圖像經過形態(tài)學的處理后運動目標的大概位置已經明顯可以確定,為了方便后續(xù)的跟蹤處理,必須選擇合適的表達目標的方法,本系統(tǒng)采用的是最小外接矩形的方式。對于矩形框位置的確定,這里采用的是投影法,即將形態(tài)學處理后的二值圖像作水平和垂直方向的投影,投影后的圖像中突變的地方分別對應著運動目標區(qū)域的起始邊界。這樣就可以確定出表達目標的矩形框的大小及位置,還可以確定運動目標的中心點——水平及垂直投影的最大值位置。為了排除毛刺和不連續(xù)點,需要考察兩個跳變點之間的距離,如果該距離小于某一閾值,則認為此處為干擾點。為了檢驗算法的可行性,對多個圖像序列進行了測試。圖2是基于圖像銳化方法的第5種——二值化輸出方法進行的跟蹤效果圖。可以看出,這是一種很有效的銳化方法,在其基礎上進行的一系列目標跟蹤算法可以準確地檢測出