论文总字数：14592字

摘 要

背景差分法因其快速，准确，容易实现，被广泛应用在要求比较高的实时目标跟踪领域。但由于场景的复杂性，不可预测性，以及各种环境的干扰和噪声的存在，使得背景的建模和模拟变得比较困难。为了解决这个问题，我们需要在背景的选取和建模上下功夫。本文介绍了传统的目标跟踪方法，选取背景差分法作为重点，详细介绍了背景差分法中背景模型的获取和更新，并使用Surendra背景更新算法和Kalman滤波器法完成了一次项目设计。实验结果表明，该算法可以很好地跟踪目标，且效果很好。

关键词：背景差分法，建模，Kalman滤波器

Abstract：Background subtraction method, a fast and accurate method that is easy to implement, and is widely used in real-time target tracking which requires a relatively high demand. However, the existence of complexity, unpredictability, and environmental and noise interference make the modeling and simulation of the background more difficult. To solve this problem, we need to work on the selection and modeling of the background. This article describes the traditional target tracking method, select a background as a key different method, describing the background subtraction method to access and update the background model in detail, and that use Surendra background updating algorithm and Kalman filter method to complete a project design.Experimental results show that this algorithm can smoothly track the target and achieve good results.

Keywords：Background subtraction method, modeling, Kalman filter method

目 录

1 引言 4

2 理论背景 4

2.1 目标跟踪的方法综述 4

2.1.1 光流法 4

2.1.2 时域差分法 5

2.1.3 边缘检测法 5

2.1.4 运动矢量检测法 5

2.1.5 背景差分法 5

2.2 背景差分法的背景选取综述 6

2.2.1 手动获得背景法 6

2.2.2 统计获得背景法 6

2.2.3 Surendra背景更新算法 6

2.3 背景差分法的背景更新综述 7

2.3.1 直方图法 7

2.3.2 平均值法 7

2.3.3 单分布高斯背景模型 7

2.3.4 混合分布高斯背景模型 7

2.3.5 Mean shift算法 7

2.3.6 Camshift算法 8

2.3.7 Kalman滤波器法 8

3 背景差分法的算法具体实现 9

3.1 算法流程图 10

3.2 程序准备工作 10

3.3 图像帧的获取 10

3.4 算法原理及实现 11

4 设计决策 14

结 论 17

参 考 文 献 18

致 谢 19

附 录 20

1 引言

目标跟踪和运动分析有着非常广泛的应用，具有重要的研究价值。在视频监控中对目标进行跟踪，在计算机视觉方面一直是一个挑战性的课题。^[1]

2 理论背景

2.1 目标跟踪的方法综述

目前使用的视频检测方法大致可分为以下类别：光流法，时域差分法，边缘检测法，运动矢量检测法，背景差分法。^[2]

本文在目标跟踪上选择使用背景差分法。

图2.1 理论架构

2.1.1 光流法

光流法对运动目标的检测基础是假设亮度恒定或者灰度梯度基本不变，光流是灰度图像的速度矢量，它是场景中三维速度矢量在成像平面上形成的投影，在图像表面点反映出该场景的时间变化。

优点：光流所携带的运动信息，不仅承载着运动的目标，同时也承载着场景中三维结构的运动信息，它不需要预先知道的任何场景信息，就能检测独立运动，并可应用于静止和运动两种背景环境。

缺点：在图像存在噪音的情况下，或者目标与背景的对比度太小时，单纯地从图像灰度强度来检测目标会导致误报率较高，并且计算很复杂很耗时。

2.1.2 时域差分法

时域差分法分为相邻帧差法和改进后的三帧双差分法。

帧差法通过计算图像序列中的相邻帧的帧差，在每个像素点时间差的基础上，提取出的运动区域的阈值。

优点：相邻帧差算法简单易实现，对背景或慢光的变化不敏感，有较强的适应能力，能快速有效地在背景中对运动目标进行检测。

缺点：它并不能提取所有运动对象的像素，且在运动的方向将被拉伸，从而使所提取的目标信息不准确。

三帧双差分法在基本思想上与相邻帧差法类似，但在运动目标检测的判断条件上与相邻帧差法不同。三帧双差分在提取运动目标上比两帧差分更为准确。

2.1.3 边缘检测法

边缘检测法是在不同光照条件下，利用目标的不同部分、颜色信息等提取目标边缘有效部分，从而对目标进行静止和运动的检测。

空间上的边缘提取可通过基于方向导数求卷积的边缘检测算子来计算，时间上的边缘提取可通过计算连续帧之间对应像素点的差值来获得。

使用小尺度滤波器可以准确地定位边缘并提取出边缘。

2.1.4 运动矢量检测法

运动矢量检测法是对前后连续两帧图像进行模块跟踪匹配，用当前图像的某一模块在下一帧范围内搜索最优匹配，计算出两个图像帧之间各个模块的平均运动矢量，根据该运动矢量的大小，判别目标的有无。这种算法的计算量非常大。

2.1.5 背景差分法

背景差分法利用背景图像与前景图像进行差分来检测运动区域。它将当前帧与背景帧相减，用阈值T判断得到当前时刻图像中背景模型的最大偏离点的差值，若差值小于T则认为是背景点；反之，认为是前景点（目标），从而完整地分割出目标物体。^[3]

背景差分法能比较准确地、完整地提取出目标信息，但对场景的动态变化（温度，光线）比较敏感，目标物体的阴影也会影响跟踪检测的准确性和精确性。

剩余内容已隐藏，请支付后下载全文，论文总字数：14592字