英语原文共 4 页，剩余内容已隐藏，支付完成后下载完整资料

银行智能视频监控系统中运动对象跟踪算法研究

高丽 淮南联合大学电气系，中国 淮南 232001 邮箱：gaoli7476@sina.com

吴明 中国电子科技集团公司第8研究所，中国 淮南 232001 邮箱：gd_wm@126.com

摘要：智能视频监控自动分析图像序列，使用计算机视觉和视频分析方法，无需人为干预，实现动态场景的检测，识别和跟踪，本文研究了以银行为背景的视频监控系统，适用于银行系统监控管理，可以改造模拟控制系统，最大限度地利用现有资源，也可以用于运输，监狱等高安全性要求的地区，具有良好的社会效益和经济效益。

关键词：目标跟踪；卡尔曼滤波器预测；平均移位跟踪

1、引言

智能视频监控已成为应用技术的重点，因其直观方便和丰富的信息，被广泛应用于各个场合。近年来，随着计算机网络，通信技术，数字图像处理技术和多媒体技术的飞速发展，智能控制系统逐渐取代传统的控制系统，在机场，火车站，银行，酒店等公共场所方面发挥了重要作用。

本文提出了一种基于银行的视频监控系统开发平台，采用目标跟踪算法，结合卡尔曼预测和平均偏移搜索方法。 在算法中，主机和监控平台上的负载合理分配，提高系统速度。 实验表明，该系统具有良好的实时性和鲁棒性。

2、算法

移动目标跟踪过程是分析使用相机拍摄的图像序列。 根据目标和环境，根据不同的特征值，将不同视频帧中的移动对象相关联，以与目标的特征进行最佳匹配。 常用的跟踪算法包括：

A、基于特征的跟踪方法

跟踪通过匹配移动目标中的个体特征来实现，该方法包括特征提取和匹配。在特征抽取过程中，选择正确的特征，并在下一帧中提取; 在特征匹配过程中，将当前帧的提取特征与特征模板进行比较，根据比较结果确定目的，然后实现目标跟踪。 在该算法中，特征点的选择非常重要，对目标尺寸，位置，方向，光线不敏感。 该算法简单，易于时间处理，但容易受观察角度的影响，跟踪识别率低，恢复3D位置不佳，处理遮挡和重叠的稳定性较低。

B、基于三维模型的跟踪

使用三维建立的第一模型来生成移动对象的描述，然后将其投影到二维平面上，最后将其与图像序列匹配，以跟踪已建立的模型，以便跟踪此目标。 该算法的优点在于，与基于特征的跟踪方法相比，可以准确恢复目标的运动轨迹，具有较强的鲁棒性，不容易受观察角度的影响。 缺点是它具有大量的计算，实时性差，也依赖于其他模型，目标的确切几何模型在实际应用中不容易获得。

C、基于区域的跟踪

基于区域的跟踪根据目标区域变化的移动实现跟踪，其将移动目标中的连接区域的共同特征视为跟踪和检测的方法。 该方法在视频序列中不需要相同的信息，只需通过计算原始目标的面积来确定对象跟踪的位置之间的相关性。 该方法的优点是目标的遮挡对于移动目标不敏感，缺点是跟踪方法缺乏可靠性，并且不能很好捕获3D位置和方向。

D、主动轮廓模型跟踪

基本思想是提取目标轮廓，以某种方式表达，进一步修正和更新跟踪过程。 使用该方法获得的轮廓是闭合曲线，使用目标轮廓的全局信息，其不需要与目标相关的先验知识，因此需要较少的计算复杂度。 但是在堵塞的情况下，由于轮廓变形和部分删除，该方法将无效。

3、本文中的算法

跟踪算法是系统的关键，它负责监控视频分析，移动物体检测跟踪等。 跟踪的本质是根据目标的特征建立一个模板，然后匹配模板。 如果图像被计算为每帧的匹配值，然后确定目标位置，则会在实时计算中造成很大困难。 所以如何简化匹配过程，提高运行效率问题成为目标跟踪需解决的主要问题。

该系统集成了卡尔曼预测和平均偏移跟踪方法。 首先使用卡尔曼滤波器来估计下一帧中的位置，然后使用平均偏移迭代用于缩小搜索范围，以找到邻域的最大值实现目标匹配。 提出的算法确保了空间运动过程中目标的一致性和连贯性，改善了移动物体的跟踪，并且可以在目标中局部闭塞的情况下实现有效跟踪，提高了系统的鲁棒性。 因此，使用卡尔曼滤波器来预测目标位置不仅可以减少计算量，还可以排除其他物体对跟踪的影响，以确保匹配的可靠性。

A、卡尔曼滤波器预测

在本文中，卡尔曼滤波器用于估计目标的质心参数和搜索窗口的大小。 并在一定范围内搜索匹配，实现目标提取和跟踪。

输入目标视频图像作为前景，并设置相同大小的背景图像。 对前景图像和背景图像进行差分操作以获取检测区域，然后在二进制图像中标记连接组件以获得测试对象的图形属性。 搜索并提取移动物体检测区域以获得目标位置的最大质量和半径，然后输入到卡尔曼滤波器。 通过卡尔曼滤波器在下一帧的位置预测目标图像的质心，然后获得最佳匹配位置作为下一次测量并更新其参数。 如图1所示

图1 卡尔曼算法流程图

B、平均偏移跟踪算法

在本文的跟踪算法中，卡尔曼滤波器用于预测和估计目标的运动参数，然后使用平移跟踪算法来提高实时特性和跟踪精度。 具体步骤如下：

步骤1：使用卡尔曼滤波器预测移动目标的帧位置，并将该位置设置为平均移位初始化位置；

步骤2：计算当前位置的候选目标模型，然后将选择区域相似为模板模式；

步骤3：计算重量；

步骤4：计算候选目标的新位置；

步骤5：计算新目标位置的目标模型，然后用模板计算它的相似度；

步骤6：如果，则，再次计算，直到；

步骤7：如果||||lt;，迭代停止，否则，继续步骤3；

步骤8：当是最大值时，取作为目标区域的中心坐标的最佳候选，并将代入卡尔曼滤波器返回到第一步，直到视频结束。 流程图如下图2所示：

图2 使用Mean-shift的跟踪算法

4、实验结果分析：

此外，为了验证跟踪算法的有效性，在户外环境中进行跟踪实验。 使用的CPU是Inter2.4G，内存1.5GB，操作环境Windows XP，算法在Matlab7.0环境中编译。 我们在户外环境中跟踪行人或车辆等较小目标；跟踪室内环境中的人使用均值移位算法，结果如图3和图4所示。

白色矩形框是算法中的“目标模型”区域，矩形中心是跟踪位置。 图3（a）是当目标跟踪区域不被遮蔽时的图像; 图3（b）是当目标部分访问雕像时跟踪图像，跟踪图像区域不被阻挡；在图3（c）中完全阻止了雕像的目标访问，此时保留了“目标模型”内核直方图，卡尔曼滤波完成目标跟踪; 当目标对象远离图3（d）时，轨道仍然稳定。

图3 跟踪展示图的外部图形

可以看出，对于室外环境中的小目标，跟踪更好，尽管在563帧中有一个块，目标态度变化很大，矩形框仍然能够准确快速地跟踪添加目标位置预测。 因此，与卡尔曼滤波相结合的平均偏移跟踪方法可以实现对复杂背景的稳定有效的跟踪。

类似地，在室内环境中，选择人物作为跟踪目标，您可以在视频帧386中看到目标形状发生变化时，还可以准确地跟踪轨迹.

图4 跟踪展示图的内部图形

5、总结

智能视频监控是一个具有挑战性的研究领域，具有理论意义和实践价值。 但是由于背景的复杂性，具体的环境因素，直到现在还没有获得通用解决算法。 因此，仍然需要进行连续的手动分析。 在本文中，对环境银行监管的具体情况，移动目标的跟踪和监测进行了研究，实验表明，该平台可以自动检测和跟踪移动目标来完成一些任务。 如何分类和识别移动物体将是研究的下一个重点。

参考文献：

[1] Fukanaga K,Hostetler L D.The estimation of the gradient of a density function,with application in pattern recognition[J].IEEE Trans on Information Theory,1975,21(1):32-40.

[2] Comaniciu D.Mean shift analysis and applications.IEEE International 1st Conference Comp.1999.

[3] Cheng Y.Mean Shift,Mode Seeking and Clustering[J]. IEEE Trans on Pattern Analysis and Machine Intelligence,1995,17(8):790-799.

[4] Zhang Haiqing. Detection and tracking of moving targets in intelligent video surveillance [D]. Master Thesis of China University of Science and Technology,2007.

[5] Liu Jiyan. Tracking method combined Kalman filter with Mean-Shift [J]. Computer Engineering and Applications, 2009(12):184-187.

[6] Liu Zongpu. A tracking method combined Kalman prediction and Meanshift search [J]. Optoelectronic Technology, 2007(29):30-33.

[7] Li Zhengzhou, Liu Guojin.A target tracking method based on Mean- Shift and Kalman filter [J] MISSILES AND GUIDANCE, 2008,28(1):71-74.

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[25884]，资料为PDF文档或Word文档，PDF文档可免费转换为Word