基于改进的帧差法和Mean?shift结合的运动目标自动检测与跟踪

邓文浩　唐立才　张南锋　纪曦　王兵

摘 要： 为了实现在静态背景下对运动目标的自动检测跟踪，提出基于改进的帧差法和Mean?shift结合的运动目标自动检测与跟踪算法。该算法改进了传统的三帧差分法，引入单高斯背景模型参与目标检测。此外，传统的Mean?shift算法，在起始帧需要手动选定目标，且选定窗口大小固定不变，不能根据目标尺寸变化而变化，从而导致失去目标。这里提出的方法先利用改进的帧差法检测目标，确定目标的位置窗口和中心，然后结合Mean?shift算法，根据是否超出设定的阈值来确定是否需要更新模板，从而实现该算法对运动目标的自动跟踪。实验表明，该算法计算速度快，具有较高的准确率。

关键词： 目标检测； 帧差法； 目标跟踪； Mean?shift算法

中图分类号： TN944.4?34 文献标识码： A 文章编号： 1004?373X（2016）04?0108?04

Abstract： To realize the automatic detection and tracing of the moving target in static background， the moving target automatic detection and tracking algorithm based on the integration of modified frame difference method and Mean?shift algorithm is proposed， in which the traditional three?frame different method is modified， and the single?Gaussian background model is introduced into target detection. Since the traditional Mean?shift method has some difficulties， that is， a manual operation is needed at the start frame to select the target， and the selected window size is fixed and cant change with the target size， the target will be lost. The modified frame difference method is used to detect the target to conform the target location window and centre， and then the Mean?Shift algorithm is combined to determine whether the new template needs to be updated by judging whether the target window and centre exceed the setting threshold. The automatic tracing of moving target can be implemented by the algorithm. The experimental results show this algorithm has fast computation speed and high accuracy.

Keywords： target detection； frame difference method； target tracking； Mean?shift algorithm

0 引 言

运动目标的自动检测与跟踪是国内外研究的热点，并广泛应用于军事、交通、安防等领域。目前，运动目标的检测方法主要包括背景差分法[1]、光流法[2]和帧差法[3?5]。背景差分法利用当前帧和背景帧相对比提取运动目标的方法，虽然易于实现，但是对背景的变化过于敏感。光流法分析图像中每个像素点的速度矢量特征，对图像动态分析，当目标运动时光流失量会发生相应的变化，从而检测出运动目标。但是光流法实时性差，容易被噪声影响。帧差法通过比对相邻帧的像素的时间差分并通过阈值化来提取运动目标，帧差法算法简单，无需建立背景模型，但容易漏检缓慢移动的目标。目标的跟踪方法主要采用Mean?shift算法。Mean?shift是一种密度梯度的无参估计方法，采用核函数直方图建模，计算量小，实时性好，在边缘遮挡和背景运动不均的情况下，也能很好地完成跟踪过程。但是Mean?shift算法必须是起始人为确定搜索窗口，并且在跟踪过程中搜索窗口始终保持初始大小，在目标大小发生改变时搜索窗口的大小无法跟随目标而变化，从而导致跟丢目标的现象。

本文提出一种基于改进的帧差法和Mean?shift结合的运动目标自动检测与跟踪的方法，首先改进了帧差法容易漏检缓慢移动目标的缺陷，然后将帧差法检测出的目标与Mean?shift相结合，实现了Mean?shift的搜索窗口可以随着物体大小的改变而实时更新适应。

1 通过改进的帧差法检测并提取运动目标

1.1 算法流程

利用上述改进的方法检测到的运动目标有一些小的空洞，可利用图像形态学[4]中二值图像的膨胀和腐蚀方法来消除。

1.4 提取运动目标

当检测到运动目标时，即可确定目标的运动区域。为了提取出运动目标，还需去除运动目标区域包含的大量阴影，阴影的存在严重地干扰了运动目标的边缘检测。阴影的检测方法基于阴影特征和基于几何模型两大类。其中基于阴影特征的检测方法是通过检测阴影的几何特征、颜色和亮度来处理图像。由于阴影的存在只影响像素点的亮度，并不会给像素点的颜色带来太大影响。本文采用基于HSV颜色空间的阴影检测方法[1]并结合边缘检测[5]提取运动目标。首先，利用边缘检测方法得到目标运动区域的边缘。然后，利用HSV法检测出目标运动区域的阴影，再利用边缘检测得到阴影部分的边缘。最后，用目标运动区域的边缘减去阴影部分的边缘即可得到准确的目标边缘信息。

2 Mean?shift目标跟踪

2.1 Mean?shift算法概述

经典的目标跟踪方法有：模板匹配、光流法、Kalma滤波、基于颜色直方图特征分布的Mean?shift算法[6?7]。Mean?shift最早是由Fukunaga于1975年在一篇关于概率密度梯度函数的估计中提出的，最初的含义是偏移的均值向量[8]。本文中Mean?shift是一个名字指代一个向量，随着Mean?shift的发展，Mean?shift的含义也发生了变化，现在提到的Mean?shift算法是一个迭代的过程，先通过计算得到当前点的偏移均值，将这个点移动到它的偏移均值处，并以此点为新的起点，继续重复上述过程，直到满足条件。随后Yizong Cheng对基本的Mean?shift算法做了改进，首先定义了一族核函数，使偏移量对均值偏移向量的贡献随着样本与被偏移点的距离不同而变化，其次设定了一个权重系数，使不同的样本点重要性不同，扩大了Mean?shift的适用范围。

3 实 验

本文实验采用室内拍摄的一段视频作为视频源验证算法的有效性。算法运行在Matlab上，通过观察目标检测的结果是否出现大量的孔洞以验证改进的帧差法的有效性，在目标跟踪效果上，通过观察搜索框的大小和中心位置是否实时跟随目标的变化而变化，来验证Bhattacharyya相似性度量系数[ρ（y）]的变化量是否超过阈值[r]，并且成功地重新启动了目标检测算法并更新了搜索窗。若目标检测结果清晰，没有出现空洞，并且Mean?shift算法的跟踪窗口的大小和位置可以根据目标物体变化实时更新大小和位置，即可验证算法的有效性。

实验步骤如下：

（1） 读取视频序列。

（2） 提取静态背景，以及连续的5帧图像[p1]，[p2]，[p3]，[p4]，[p5]。

（3） 将中间帧与提取的静态背景作帧差得到[DifpM]。

（4） 利用本文上述5帧差算法检测得到运动目标[D]。

（5） 对检测得到的目标区域进行HSV变换，结合边缘检测信息，消除阴影并提取出目标边框和中心点。

（6） 将步骤（5）中得到的目标边框和中心点作为Mean?shift算法的模板。

（7） 对后续帧进行逐帧目标跟踪，并判断Bhattacharyya相似性度量系数[ρ（y）]是否超过阈值；若没有超过阈值，则继续跟踪直到视频帧结束；若超过给定阈值，从当前帧开始转入步骤（2），重新检测并获得目标窗口。

目标检测实验结果如图2所示。

由图2可以看出，传统的三帧差分法处理出的图像具有明显的空洞，目标人物轮廓模糊。而改进后的算法得到的图像人物轮廓清晰，说明本算法提取精度较高，效果理想。

目标跟踪实验结果如图3所示。图3（a）～图3（d）为不同帧的跟踪效果图。从图3中可以明显看出，随着目标人物位置及尺寸的变化，搜索窗口的位置和大小也在随之改变。说明Bhattacharyya相似性度量系数[ρ（y）]的变化量超过了阈值[r]，并且成功地重新启动了目标检测算法。在整个跟踪过程中，没有出现“跟丢”的现象，此外整个过程没有人参与，实现了目标的自动跟踪。

4 结 语

随着智能监控等技术的应用，目标检测与跟踪技术变得尤为重要。本文提出一种基于改进的帧差法与Mean?shift算法结合的运动目标检测与跟踪算法，适用于静态背景的条件下。

该算法有效地克服了传统帧差法和Mean?shift算法的不足，消除了传统算法在检测和跟踪过程中有可能出现的空洞和边缘断裂等现象，准确地检测到目标边缘信息，完整地提取出了目标的轮廓，并且用提取到的目标轮廓作用于Mean?shift实时更新了目标的跟踪窗口，对于静态背景下的运动目标检测与追踪有很好的效果；并且程序采用的方法简单，运算速度快，可以满足实时性的要求。

参考文献

[1] 陈磊，邹北骥.基于动态阈值对称差分和背景差法的运动对象检测算法[J].计算机应用研究，2008，25（2）：488?490.

[2] JI X P， WEI Z Q， FENG Y W. Effective vehicle detection technique for traffic surveillance systems [J]. Journal of visual communication and image representation， 2006， 17（3）： 647?658.

[3] 张玲，陈丽敏，何伟，等.基于视频的改进帧差法在车流量检测中的应用[J].重庆大学学报（自然科学版），2004，27（5）：31?33.

[4] 李鹏杰，杨树元.运动目标自动特征提取与跟踪[J].计算机科学，2002，29（z2）：174?178.

[5] 裹娟娟，秦勃，王胜科，等.基于移动区域的快速车辆检测[J].计算机应用，2008，28（3）：804?807.

[6] CHENG Yizong. Mean shift， mode seeking， and clustering [J]. IEEE transactions on pattern analysis and machine intelligence， 1995， 17（8）： 790?799.

[7] 卢晓鹏，殷学民，邹谋炭.一种基于颜色分布的混合视频跟踪方法[J].电子与信息学报，2008，30（2）：259?262.

[8] LEE H P， FOSKEY M， LEVY J， et al. The estimation of the gradient of a density function， with applications in pattern recognition [J]. IEEE transactions on information theory， 1975， 21（1）： 32?40.

[9] 蒋建国，孙洪艳，齐美彬.基于Mean?shift算法的人脸实时跟踪方法[J].计算机应用研究，2008，25（7）：2225?2227.