摘 要

现如今计算机技术水平飞速发展，计算机视觉在视频监控、工业和军事领域有广泛的应用。而研究计算机视觉运动目标检测与跟踪技术的核心技术之一的运动目标检测与跟踪技术成为了推动其发展中不可或缺的一部分，因此研究运动目标检测与跟踪技术具有重大的学术价值和意义。

首先对运动目标检测与跟踪技术中前期工作图像的预处理进行研究和学习，通过对图像的处理保留有价值的图像信息，去除冗杂的无关信息，减少计算的复杂度。再对所得灰度图通过三帧差分法和混合高斯模型实现前景与背景的分离。

Mean-shift算法根据相似的原理来进行模型的对比，通过在当前帧中找出和目标模型最相近的区域这一方式来进行跟踪，在寻找目标时通过迭代的方法一步一步的找出最终目标。ASMS算法原理与Mean-shift算法原理基本相似，但进行了一些优化和改进，解决了因目标尺度变化而不能够准确跟踪的问题，因此ASMS算法对于尺度变化的区域也能够很好的跟踪。

本研究通过实验测试了ASMS算法的跟踪效果，测试结果显示ASMS算法的总体跟踪效果较好，但有时也会存在不稳定性，出现漂移等情况，因此需要进一步的改进，使整个跟踪过程更加流畅，减少漂移现象的发生。

关键词：图像预处理；三帧差分法；混合高斯模型；Mean-shift算法；ASMS算法

Abstract

With the rapid development of computer technology, computer vision has been widely used in video surveillance, industry and military fields. Moving object detection and tracking technology, one of the core technologies of computer vision moving object detection and tracking technology, has become an indispensable part of promoting its development. Therefore, it is of great academic value and significance to study the technology of moving object detection and tracking.

Firstly, this paper studies and researched the pre-processing of working image in the early stage of moving object detection and tracking technology. By processing images and retaining valuable image information, we remove the irrelevant information and reduce the computational complexity. By using the three-frame difference method and the mixture Gaussian model, the foreground and background are separated. 
According to the similar principle, the Mean-shift algorithm can find the final target step by step by finding the region closest to the target model in the current frame. The principle of ASMS algorithm is similar to that of Mean-shift algorithm, but some optimizations and improvements have been made.It solves the problem that the target scale can not be tracked accurately. Therefore, the ASMS algorithm can also track the area of scale change very well.

In this study, the tracking effect of ASMS algorithm is tested by experiments. Test results show that the overall tracking effect of ASMS algorithm is good, but sometimes there are instability and drift. Therefore, it needs further improvement to make the whole tracking process more smooth and reduce the occurrence of drift phenomenon..

Key Words：Image pre-processing; Three frame difference method; Mixture Gauss model; Mean-shift algorithm; ASMS algorithm

目录

摘要 3

Abstract 4

第1章 绪论 1

1.1 研究背景及意义 1

1.2 国内外研究现状 2

1.3 主要研究目标与难点分析 3

1.4 章节安排 5

第2章 运动目标检测与跟踪技术理论 6

2.1图像预处理 6

2.1.1图像灰度化 6

2.1.2二值化 9

2.2运动目标检测方法概述 11

2.2.1光流法 12

2.2.2帧间差分法 13

2.2.3背景差分法 13

2.3运动目标跟踪方法概述 14

2.4本章小结 15

第3章 运动目标检测 16

3.1混合高斯模型 16

3.2三帧差分法 17

3.3本章小结 17

第4章 运动目标跟踪 19

4.1 Mean-shift算法跟踪 19

4.1.1 Mean-shift算法原理 19

4.1.2 Mean-shift算法步骤 20

4.2 ASMS跟踪算法 21

4.2.1 ASMS 算法原理 21

4.2.2 ASMS 算法步骤 23

4.3 实验参数和评价指标 24

4.4 实验结果和评价 24

4.5 本章小结 27

第5章 总结与展望 28

5.1 总结 28

5.2 展望 28

参考文献 30

致谢 32

第1章 绪论

1.1 研究背景及意义

随着现代科学信息技术的不断进步和发展，信息在人类的社会发展中扮演了越来越重要的角色，其重要性变得越来越高，与此同时，信息的处理和分析技术也得到了进一步的发展。随着计算机技术的发展，使用计算机进行工作和娱乐已成为了人们生活中不可或缺的一部分，许多不同来自行业、不同领域的人们都开始用计算机来提高工作效率。视觉感官是人类从客观世界中获取信息的重要手段之一，在日常生活中，人们获取的绝大多数信息都与视觉有关。随着电脑的普及，人们已经开始习惯运用计算机技术来解决实际生产生活中各种问题，于是，人们开始思考运营计算机技术模拟人类视觉功能，使计算机系统也具有感知和理解世界的功能。在此基础上，计算机视觉相关的技术开始萌芽，并且快速发展成为一门区别于人工智能、数字图像分析、模式识别等领域的独立学科。计算机视觉是一门综合性学科，是科学领域里的热门研究对象之一。不仅如此，计算机视觉还在工程领域中扮演着举足轻重的角色。它与多个不同学科的知识相关，如计算机应用技术、生物学、颜色科学、光学和应用物理学等等。概括来说，计算机视觉是指先利用成像系统采集图像信息，再由计算机来整理、分析信息，从而赋予计算机类似于人类的视觉能力以及应对不同环境的能力。当下，计算机视觉技术已经被应用到越来越多的学科和领域，如工业自动筛选、智能数字图像处理、智能印刷、智能交通管理、医疗诊断以及航空等领域。随着社会经济的不断发展和不同地区之间贸易交流的增长，安防问题成为了人们生活中关注的重要话题之一，如今视频监控也被广泛应用于社会生产的方方面面。得益于计算机视觉技术的发展和支持，视频监控系统已经变得越来越智能化，为安防行业提供了重要的技术基础。一方面，这体现了计算机视觉在当今社会中的重要地位，另一方面，计算机视觉也是社会生产发展和人们日常生活所需求的。

视频中运动目标的检测与跟踪是计算机视觉技术中的重要组成部分，在进行中高级视觉处理时，它也是图像处理的前期基本工作。运动目标的检测与跟踪通过与数字图像处理、计算机科学、模式识别等多种技术的借鉴与结合，广泛应用于工业自动筛选、智能数字图像处理、智能监控、智能交通管理、医疗诊断以及航空等领域。广泛应用于视频监控、医学、智能交通、工业、军事等领域。在智能交通管理方面，运动目标检测与跟踪可以实时分析道路上的各种行人与行车等情况，同时还能够对道路上的车辆和行人监控和跟踪，为交通管理提供了更加迅速而高效的手段。在智能监控方面，它可以对路口、银行、广场等重要场所的人流进行实时监控与跟踪，并可以利用计算机技术对目标进行实时分析，因此在很大程度上替代人工，从而可以节省人力，还可以提高工作的效率。运动目标检测与跟踪在工业生产中同样发挥着非常重要的作用，在航空、军事等领域也发挥着不可替代的作用，例如卫星侦查、自动瞄准、跟踪导弹等。

运动目标检测与跟踪首先需要从视频图像中识别出运动目标，然后再实现对该运动目标的跟踪功能，并为计算机视觉技术后期的中高层视觉处理提高目标识别、行为理解与描述等打下基础。由于被分析的数字图像中许多可能的因素，例如光线变化、障碍物遮挡、透视形变等，都会对运动目标检测与跟踪算法的准确性造成一定程度的影响，因此在综合分析时，必须考虑这些因素才能尽可能地提高跟踪算法的准确性和鲁棒性。目前，运动物体的检测与跟踪的相关理论体系依然不够完善，仍然存在一些有待解决的重大问题。因此，运动目标检测与跟踪技术不仅存在极大的研究空间，同时也具有非常重要的研究价值。

1.2 国内外研究现状

对于运动物体跟踪算法的研究主要分为三类：生成类目标跟踪算法、判别类目标跟踪算法和基于深度学习的目标跟踪算法这三类。

生成类目标跟踪算法主要由均值漂移算法和粒子滤波算法组成。国外的Rob、Hess等人在2009年提出了粒子滤波算法，粒子滤波算法通过计算目标对象的坐标来对其进行跟踪^[1]。而在此之前，Mean-shift算法就已经被用于行人的跟踪，这种算法通过运用bhattacharyya系数可以找出标准模型与被跟踪目标模型之间的相同和相似之处，以此来判断是否为正确的跟踪目标^[2]。Mean-shift算法对于物体的跟踪速度较快。不过，目前对于生成类的跟踪算法研究的热门是ASMS(Adaptive Scale Mean-shift)算法^[3]，该算法改进了Mean-shift算法，将直方图作为目标跟踪的具体标准，结合尺度估计，在条件尺度不变的或者没有较大幅度的变化的前提下，使用反向尺度一致性检查，以此来实现对目标的跟踪。本文将在第四章中对其进行进一步的介绍。

判别类跟踪算法则是以分类的思想方法为基础而建立的。2011年，Sam Hare等人在研究运动物体的跟踪技术时提出了Struck(Structured Output Tracking with Kernels)算法^[4]，随后该算法发展成为判别类跟踪算法的主要研究热点。Struck算法以Haar为跟踪指标，使用支持向量机（SVM）来进行分类，其分类的最终效果较好，因此算法所实现的目标跟踪效果也比较好。不过该算法也存在一定的问题，即所需计算时间相对较长。从2010年开始，相关滤波的方法被应用于目标跟踪算法，于是学者们提出了MOSSE( Minimum Output Sum of Squared Error)目标跟踪算法^[5]，这种算法直接证明了相关滤波在目标跟踪中的作用。在2012年，Joao F.Henriques等人提出CSK算法^[6]，该算法是在MOSSE算法的基础上改进得到的，后来又有研究者进行了进一步改进，从而得到了的KCF算法^[7]，这种算法将多通道梯度的HOG特征进行了拓展，大大提高了跟踪的效果，但是跟踪速度方面还是没有显著的提高。而Martin Danelljan等人也提出了一种CN(Color Names)算法^[8]，该算法是将颜色指标添加到CSK算法当中，对CSK算法进行了改善，效果较好，对于尺度的变化也有相应的研究^[9]。Luca Bertinetto等人解决了运动目标模糊和相似背景下的误判^[10]。Martin Danelljan等人在2015年提出了DSST算法^[11]，该算法对于目标尺度的研究更上一层楼，并在这一方面取得了一定的成果。

基于深度学习的目标跟踪算法是当下目标跟踪方向研究的热点。2016年提出了MDNet深度学习算法，其原理是使用大量视频序列来进行目标跟踪^[12]。GOTURN 跟踪算法是David Held 等人提出的，该算法是运用已经存在的视频进行训练，虽然跟踪速度很快，但是效果较差^[13]。

在视频中进行的目标检测不仅是监控中对目标进行实时检测，而且还要在回放的视频中准确的找到图像的每一帧中的行人。这种情况类似于图像中的ROI区域，也就是感兴趣的区域。当视频中的目标移动时，目标的外形不会有明显的形变，这样检测的行人目标比较简单，但是当目标进行快速运动时，可能因某些因素而发生形变等，这样的情况将会变得有所不同，可能导致检测系统的判断出现差别，所以对于快速运动物体检测跟踪，仍需进一步的研究和发展，以获知适合于各种情况下运动物体的检测方法。目前的运动物体的检测算法主要有两大类：基于运动目标的跟踪检测和基于统计学习的跟踪检测。

基于运动目标的跟踪检测，顾名思义就是对运动中的目标为主体的算法，主要的方法就是将视频中的运动部分（运动区域）和非运动部分（多为背景区域）进行区分，从而找到并确定区域中的运动目标。该检测算法主要分为背景建模、帧差法和光流法三种。背景建模法是最主要的检测方法，但使用比较广泛的是背景建模法与帧差法相结合的检查跟踪方法。本文所进行的实验将采用背景建模法来检测和跟踪运动物体。

背景建模主要有三种算法，分别是高斯背景建模法^[14]、码本法^[15]和ViBe(Visual Background Extractor)^[16]。许多关于运动物体的跟踪算法研究都是针对这三种基本算法的改进。瞿中等人在YUV空间下建立了码本模型，这样一来便提高了码本模型的检测性能。周建英等学者在对混合高斯背景建模方法改进时，主要采用了滑动窗技术，该改进方法对于视频中的光照变化有很强的鲁棒性。解文华^[17]提出了一种方法，即对背景建模进化分层，这一模型对于光照的变化并不敏感，应用的效果也比原模型要好很多。当视频中的背景等参照物进行旋转或者快速移动时，运动目标就很难进行检测。为此，闫钧华等学者提出一种检测算法，即运动补偿的物体检测和彩色光流计算进行结合。

基于统计学习的行人检测算法，其主要的原理是对于视频中的行人特征，如相貌特征，外部特征，肢体运动特征等，将这些特征提取出来，再将这些特征信息作为数据输入到机器当中，对机器进行大量的训练，使得机器能够记住这些特征，之后就可以运用这些训练过的机器，根据特征进行行人的检测。

1.3 主要研究目标与难点分析

运动目标检测就是将图像序列中感兴趣目标从背景中完整地提取出来，并尽可能地抑制整个提取过程中产生的噪声。通常所说的运动目标一般都是指视频中运动的物体，整个背景相对于运动物体是静止的。实际上，根据摄像机和目标之间的相对运动，可以将目标的运动分为四种情况：①摄像机运动，目标静止；②摄像机静止，目标运动；③摄像机静止，目标静止；④摄像机运动，目标运动。对于不同的运动情况，检测算法就会不同。在动态场景分析中，第四种情况是最普遍也是最为复杂的运动，其检测方法也是最难实现的。

根据实际环境的特殊情况，运动目标检测面临的难点问题主要是：

（1）光照：光照强度的变化会影响对背景模型的建立，如果背景模型不能适应光照的变化，就会导致错误的检测结果。

（2）噪声：包括检测结果中出现不属于运动目标一部分的前景噪声和漏检

的属于运动目标一部分的背景噪声。

（3）动态干扰：摄像机抖动、树叶抖动、水面涟漪等背景干扰。

（4）阴影：由于光照照射运动物体，使地面出现阴影，容易和运动目标一起被检测出来。

（5）鬼影：鬼影在目标检测中是很常见的原因。由于物体运动的随机性，当目标由运动到静止后再运动，或者当背景初始化建模的时候，运动目标在背景中也会产生鬼影。

（6）空洞现象：当运动目标大部分颜色相似或运动速度过慢，容易将运动目标一部分误检为背景，产生空洞现象。

运动目标跟踪是对视频中单个或多个运动目标的位置进行持续跟踪的过程，通过建立视频图像序列中运动目标的对应关系，获得感兴趣目标的运动状态和轨迹，从而为后续的行为分析和理解或事件监测提供重要的数据和信息。运动目标跟踪的重点在于对目标的形状、颜色、位置、纹理等特征的提取与匹配，通过确定相邻图像序列之间目标特征的关系，进行特征匹配来获得目标的运动轨迹。大多数的跟踪算法是根据目标某一特征进行跟踪，这种方法虽然在一定程度上能实现对目标的跟踪，但是缺点是对目标特征描述不完整，导致在背景环境发生较大变化时，因无法适应变化导致跟踪失败。就目前来说，现有的运动目标跟踪技术还不成熟，算法的鲁棒性和实时性还不足以开发更可靠、更实用的跟踪应用系统。运动目标跟踪面临的难点问题主要是：

（1）目标遮挡。多个目标在运动过程中相互遮挡，或者感兴趣目标被非感兴趣目标遮挡，都会造成目标的图像表达突然变化，很容易使跟踪算法失效。目标的部分遮挡或完全遮挡是导致跟踪失败的一个重要因素，是跟踪过程中需要解决的问题。

（2）运动目标的形变或非线性变化。如果目标是非刚体，在运动过程中发生形变，会使目标特征匹配失效，从而导致跟踪失败。另外，由于目标在不断地运动，它与摄像机之间的距离和角度也在不断地变化，使摄像机获取的目标图像发生非线性变化，也会造成跟踪失败。

以上是毕业论文大纲或资料介绍，该课题完整毕业论文、开题报告、任务书、程序设计、图纸设计等资料请添加微信获取，微信号：bysjorg。

相关图片展示：