视频序列中的运动目标跟踪算法分析

田雨佳 天津工业大学

前言

我国数字视频技术发展以来，智能监测技术在较多领域中发挥着较为重要的作用，其中目标跟踪与检测是视频序列运动中较为重要的技术。但是，由于光照场景以及阴影等时刻处于变化之中，这在较大程度上加大了监控难度。为此，技术人员提出了多种解决方法。比如在地铁与稀疏分解的鲁棒主成成分析方法，将其应用在运动目标检测中，具有较好的应用优势，能够对背景块进行有效的消除，可加快我国科学技术的发展速度，同时也为社会经济建设奠定良好的基础。

1 Open CV 技术概述

Open CV 技术实质上是计算机视觉库，能够在不同操作系统中进行有效运行，其中该技术主要是有C 函数与C++类构成，在此基础上优化出了多种语言接口，以此对一些通用算法进行全面共享。此外，Open CV 技术运行高效，并且在此基础上具有轻量级优势，将一些函数库与用户进行分享，在这些函数库有较多跨领域功能，能偶将其应用在图像优化处理代码中，能够作为函数库平台进行有效运行，为后续研究工作奠定良好的基础。

2 Open CV 特点

Open CV 技术是一种函数库，主要是对图像进行分析、处理，该技术不能将其作为独立软件，是以C 语言为基础的工具，一般情况下在VC 中进行有效配置，并对函数库中的函数进行有效应用[2]。Open CV 库主要有产品界面、安全防护以及三维成像等领域函数接口，此外CV 能够成为较多行业发展的工具库，其中应用较为广泛的是企业与科研，主要是因Open CV 是开源的。除此之外，对函数库源代码实施了有效的优化，这在较大程度上能够提升计算机工作效率，主要体现在以下两个方面：（1）Open CV 通过C 语言实施优化，能够确保在多核计算机中顺利运行；（2）提供机器视觉接口函数，并为实现高层次机器视觉相关产品奠定良好的基础。

3 运动目标检测方法

云顶目标检测主要是指在视频序列的基础上，从场景中对运动区域实施有效检测，并在此基础上将其提取的过程。此外，根据采集平台不同，将其分为移动摄像头与固定摄像头，一般情况下较多视频监控系统中的相机是固定不变，所以运动目标中的检测算法在静态场景中的探究中尤为重要，采用的主要方法有光流法、帧差法以及背景减除法。

3.1 背景减除法

背景减除法是一种较为有效的检测方法，该方法具有较为简便的优势，所以常应用在视频监控领域中。把背景娴熟模型看作背景图片像素值，并且在此基础上将背景图像与目前时刻帧做差分计算，以此对完成运动目标范围检测。此外，若像素范围具有较大差距，需要将其划分为运动区域，在此过程中若像素差范围差距不明显，应将其划分为背景图像。由此可以看出，在对其进行总结的过程中，算法核心问题是对背景进行更新与建模，其中在进行背景模型建立的过程中，应当与场景相符，这在较大程度程度上能够避免动态场景变化对于运动目标检测的不利影响。

3.2 帧间差分方法

帧间差分方法也叫做序列差分方法，主要算法思想是因运动目标出现明显变化，根据视频序列中不同帧中的差分运算，对运动目标区域实施有效提取。主要含义为：在视频数据集中，子啊相邻A 帧的两帧图像，在对采集到的两帧做差，以此得到差分图像，最后再根据差分图像进行值化处理，以此获得二值图像，从而实施连通性分析，在此过程中应对值化图像进行形态学处理，得到运动目标。

3.3 光流法

在20 世纪50 年代，有学者提出了光流理论，主要是指物体的运动能够通过运动场进行有效描述，若运动场出现不同变化，光线也会随之改变，如流星般划过，人们能够真确体验到物体的运动。技术研究人员将此理论应用在了计算机视觉处理研究中，由此提出了光流分析方法，主要是把图像灰度变化与二维速度场进行有效的联系起来，若物体在现实中的运动具有连贯性，在摄像机传感器中的图像也应当具有连贯性。图像中的光流场能够在视频中有效反映运动矢量，同时在图像序列中，运动主要在图像平面像素值中有较好的反映，由此可得，在现实中同一点在图像中的投影点，顺时灰度值固定不变。

4 运动目标跟踪改进算法

4.1 卡尔曼滤波跟踪算法

卡尔曼滤波器是在上世纪60 年代外国学者提出，主要是进行预测矫正评估，特别是在最小化协方差误差领域中有较为广泛的应用效果，并且在此基础上在视觉目标跟踪领域中也有较为广泛的应用。此外，卡尔曼滤波算法原理主要是：对计算机系统状态进行有效的迭代预测，并且在此基础上通过观测值对系统状态值实施有效更新。

4.2 粒子滤波跟踪算法

粒子滤波算法也是基于估计理论最优算法，其中该最后算法主要建立在Monte Karlo 与Bayes 的基础之上，Monte Karlo 方法是一种随机模拟方法，该方法主要是从实验中获得，在对问题进行解决的过程中，一般情况下需要通过随机抽样方法来实现，该模型的核心思想是构建一个参数等于问题解的随机过程与概率模型[4]。

4.3 Mean-shift 跟踪算法

Mean-shift 跟踪算法主要是一种核密度估计方式，在对目标进行跟踪的过程中，此种方法一般情况下采用帧图像的颜色统计直方图信息作为匹配搜索的特征，在对局部进行优化的过程中，主要使用到概率密度的梯度爬升来实现，这在较大程度上能够有效缩短搜索时间，可在最短时间内锁定目标，在此基础上还使用了巴氏系数作为目标模板与候选目标的相似函数，从而完成特征匹配。首先需要通过模板库对目标模板进行有效选取，并在此基础上提取有效颜色信息，再将其向HSV 图像进行转化，提取对光照弱敏感分量，再对分量构建颜色直方图，最后获得特征值数量。

5 结语

综上所述，本位首先认识了Open CV 技术，并且对运动目标检测方法与运动目标跟踪改进算法进行了深入分析，通过对实验平台进行有效的构建，并且在此基础上学习了目标检测图像预处理等函数算法，在较大程度上解决了运行环境配置问题，并且在此基础上，通过不同模型理论，为后续研究奠定了良好的基础。此外，在进行模块检目标检测模块中，根据不同检测算法，提出了混合高斯模型融合三帧差算法，以此使目标更加完整，并且在此基础上能够对光线变化消除问题进行有效解决，以此为算法的正确性奠定良好的基础，对我国智能检测技术发展具有较大促进作用。