[发明专利]一种运动目标检测和跟踪方法

说明书

本发明公开了一种运动目标检测和跟踪方法。该方法为：首先从视频序列中获取一帧图像，将图像转换为灰度图，进行滤波去噪；然后利用三帧差分法得到运动目标区域，采用形态学滤波闭运算，填补差值图像中存在的空洞，将形态学滤波闭运算后图像中灰度值不为零的像素点进行光流计算，提取出运动目标；接着使用Kalman滤波算法对当前帧图像中运动目标的质心位置进行预测，将得到的目标预测值与Camshift算法跟踪得到的质心位置进行对比，通过对比结果判定运动目标的质心坐标，并确定在搜索下一帧图像时搜索窗口的大小和位置；更新模型，获取下一帧图像，重复整个跟踪过程，最终实现目标跟踪。本发明减小了运动目标检测和跟踪的误差，提高了准确性。

技术领域

本发明属于运动目标跟踪技术领域，特别是一种运动目标检测和跟踪方法。

背景技术

运动目标检测和跟踪是机器视觉研究的主要问题之一，它交叉融合了图像处理、模式识别、人工智能、自动控制以及计算机技术等众多领域的先进技术，在军事制导、医学图像诊断、视频监控、智能交通等方面都有广泛应用。但是由于受到光照变化、噪声、遮挡等诸多因素的影响，现有算法在实际应用中面临着许多问题。因此，研究和设计出准确性高、鲁棒性好的运动目标检测和跟踪方法仍然具有极大的挑战性。

进行运动目标跟踪，首先需要进行目标检测，目前常用的目标检测算法有光流法、帧间差分法和背景减法。光流法是通过计算图像中像素点的光流来进行运动目标检测的方法，该算法检测准确度高但是其计算量相当大，且抗噪性能差；帧间差分法是利用视频图像序列的连续帧，通过差分来检测像素变化的区域，判断出运动区域，该算法简单易实现，计算速度快，但是容易产生空洞的检测结果，无法检测出相似度高及运动速度较快的运动目标；背景减法是将当前图像与事先设定或随时间更新的背景图像相减，若差值大于设定的阈值，则认为该像素属于运动目标，该算法的背景模型的更新是一个难点，且对背景中的干扰特别敏感。从实际应用角度来看，将多种检测算法结合到一起能更为准确、快速的检测出运动目标。

国内外也有很多优秀的跟踪算法，例如Mean Shift、Camshift、粒子滤波、Kalman滤波、TLD、KCF等。目前主流的跟踪算法，大致可以分为以下三类：基于模板匹配的跟踪方法、基于状态估计的跟踪方法和基于分类器的跟踪方法。

基于模板匹配的跟踪方法，就是通过比较候选区域与目标区域的匹配程度，选择匹配最大的区域作为跟踪目标，其中具有代表性的就是Mean Shift、Camshift算法。MeanShif算法一种基于非参数的核密度估计理论，在概率空间中求解概率密度极值的优化算法，该算法不能保证全局最优，并容易陷入局部极值,且其核窗口由初始跟踪窗口的大小决定，并且在整个跟踪过程中不再发生变化，当目标存在明显尺度变化的时候，尤其是当目标尺寸逐渐增大以至超出核窗宽范围的时候，固定不变的核窗宽常常会导致目标的丢失。Camshift算法作为连续自适应的Mean Shift，通过自动调节核窗口大小以及被跟踪目标在图像中的大小，从而可以有效地解决目标变形问题,但其算法也收敛于局部最大值，并没有对目标的相似度做判定，当Camshift的搜索窗口里面包含多个特征相似候选模型时，Camshift算法无法辨别是否出现同色干扰，经常出现跟踪精度不够的问题，而且当目标运动物体缓慢地通过障碍物或进行快速无规则运动时，Camshift算法将很容易失效，导致目标跟踪丢失。同时，当目标瞬间有个较大的加速度或被遮挡时，Camshift跟踪算法容易失效。

基于状态估计的跟踪方法，是一种通过预测和更新来获得当前状态量的方法，其代表为Kalman滤波、粒子滤波。Kalman滤波一种利用线性系统状态方程，通过系统输入输出观测数据，利用实际的运动参数不断修正运动状态的估计值。粒子滤波利用一定数量的随机样本(粒子)来表示系统随机变量的后验概率分布，它是一种适用于非线性、非高斯系统的基于模拟的统计滤波器。为了提高精度，可以增加粒子数，但又会导致计算量增大。