基于GMM与KLT算法的运动目标检测与跟踪方法

梁硕 娄莉 张艳艳

摘 要： 在视频监控方面，存在着运动目标的各种行为，针对这种情况，提出一种基于GMM与KLT算法的运动目标检测与跟踪方法。首先用基于GMM的背景减除法对运动目标进行检测，再通过形态学处理得到目标区域，然后对运动目标进行KLT特征点跟踪，最后根据特征点画出运动目标的运动轨迹。实验证明该算法有良好的检测结果与跟踪效果。

关键词： 运动目标检测；背景减除法；运动目标跟踪；GMM；KLT

Abstract：In video surveillance there are various behaviors of moving objects. Aiming at this situation this paper proposes a method of moving object detection and tracking based on GMM and KLT algorithm. Firstly the background subtraction method based on GMM is used to detect the moving target and the target region is obtained by morphological processing. Then the moving target is tracked by KLT feature point. Finally the motion trajectory of the moving target is drawn according to the feature point. Experiments show that the algorithm has good detection result and tracking effect.

Key words： moving target detection；background subtraction method；moving target tracking；GMM；KLT

引言

运动目标检测与跟踪是计算机视觉领域一个热门课题，在人工智能、模式识别、图像处理、医学成像等多个领域有着广泛的应用。在现实的交通情况中，道路视频监控系统存在着运动目标（包括行人、车辆等）各种异常行为，如车辆逆行、超速和行人的违规举止等[1]。而在监控视频中，为了能够更为准确有效地检测出运动目标，进一步跟踪运动目标，从而对运动目标的行为表现展开分析，本文设计提出了一种基于GMM与KLT算法的运动目标检测与跟踪方法。实验结果表明该方法能够准确提取出运动目标区域，并且能对目标进行快速跟踪，具有良好的检测效果与跟踪结果。

本文先使用基于GMM的背景减除法对运动目标进行检测，经过形态学处理后得到比较准确、完整的目标区域信息，然后用KLT算法对运动目标进行特征点跟踪，最后绘制出运动目标的轮廓和轨迹。

1 目标检测技术

视频图像的目标检测技术则是理解图像的基础。运动目标检测就是研究寻找存在运动的区域，检测到的运动区域将可以为后续的目标识别和跟踪、行为分析等任务提供可参考区域[2]。

通常，視频图像可分为2种。一种是静态背景的视频，比如高速道路的监控视频；另一种是动态背景的视频，比如无人机摄像头航拍的视频[3]。在实际生活中，受到太阳光照变化和天气影响，视频的背景也将随时随地有不同呈现，而且还存在着运动目标阴影、各种干扰物等，这就使得运动目标检测在实现过程中面临诸多制约与挑战。

时下，目标检测在研究上主要有帧差法、光流法和背景减除法三种传统算法。这里，将给出如下研究与论述。

1.1 目标检测算法的比较

帧差法算法计算复杂度小、容易实现，同时对环境的适应能力强，稳定性高。但是通常很难获取运动目标的完整轮廓，容易产生“空洞”现象。光流法摄像头无论在固定或者运动的情况下，都能够检测出运动目标，但是却具有计算耗时，实时性和抗噪性能差，并且需要特殊的硬件支持等不足。因此，光流法不能检测出运动目标的准确信息和轮廓。背景减除法检测准确快速，能够达到实时监测视频中运动物体的要求，而且检测获得的轮廓信息丰富、且完整。但是外界环境的变化会造成背景图像的动态差异，因而对背景模型的更新要求较高[4]。

综上可得，本文研究使用了基于高斯混合模型（GMM）的背景减除法进行运动目标检测。而对其中涉及的算法原理可做详述如下。

1.2 基于GMM的背景减除法的基本原理

背景减除法是用当前帧减去实时更新的背景模型，通过相减后图像的像素值与设定的阈值，综合判定该像素点是否为运动目标的区域。进一步分析可知，背景模型的获取与实时更新即已成为研究关键所在。高斯混合模型（Gaussian Mixture Model，GMM）是高斯概率密度分布函数的单一扩展，能够近似为任何密度分布的平滑形状。因此近年来，高斯混合模型更多地应用于图像处理方面，是建模方面堪称成功的方法之一。基于GMM的背景减除法的设计流程则如图1所示。

如果该像素点与K个高斯分布都不匹配，则需要增加一个新的高斯分布，均值取为Xt，并且选取一个较小权重和较大方差，对其进行初始化。此外，还要替换掉先前模型权重最小的高斯模型，其它的保持不变[6]。

（3）背景模型生成。求出每个像素的高斯分布的ω/σ值，再从大到小进行排序，并且按照式（5）运算得到的B值，基于上述排序结果取出B个值，作为背景像素。具体来说，B值符合下式：

在此基础上，将要进行匹配校验。如果前B个高斯分布能够和像素值Xt的任意一个高斯分布匹配成功，就可判定该点是背景点；如果都不匹配，就可断定该像素点为前景运动目标。

2 运动目标跟踪

2.1 運动目标跟踪技术概述

运动目标跟踪是在运动目标检测的基础上，找出每帧图像中研究者感兴趣的运动目标信息，获取相应的行为姿态、运动轨迹、速度及位置等参数。目前，该研究已在人机交互、精确制导、医学领域、智慧交通等方面发挥着重要的作用，是许多视频场景分析理解任务的基础[7]。

随着目标跟踪技术相关研究的拓展深入，更新的算法和理论正陆续涌现。根据设计采用的运动目标的不同信息可将算法划分为如下4种，分别是：基于主动轮廓的、基于模型的、基于运动估计的和基于特征点的运动目标跟踪[8]。本文设计采用的KLT算法就是一种基于特征点的运动目标跟踪方法。

2.2 KLT算法的设计原理

KLT算法是一种角点跟踪算法，也称为LK光流跟踪法。上世纪80年代 Lucas与 Kanade提出了一种近似加权图像的二阶导数梯度局部搜索的思想，即图像的局部匹配。之后 Tomasi和Lucas用基本相同的方法进行跟踪，如果梯度矩阵的特征值大于某个阈值，则将选择该点作为特征。KLT算法利用空间特性信息，通过位置搜索直接得到最佳匹配。该算法将比传统技术更快地找出图像之间的潜在匹配信息。

KLT 跟踪算法的基本原理是：将当前图像帧中的可靠特征点作为跟踪点，对跟踪点进行光流估计，计算出跟踪点在下一帧图像中所对应的位置，进一步可计算出两帧图像间的位移变化量[9]。

KLT 算法效率高，速度快，可靠性也在合理的范围内。因此，KLT 算法更适合视频图像序列的快速同名点获取[11]。随着计算机视觉的不断研究推进，KLT算法也已获得了更广阔的应用前景。

3 实验方案设计及结果分析

3.1 实验方案设计

在视频监控中，对运动目标展开检测与跟踪的过程中，首先通过高斯混合模型对背景进行建模，并且辅以背景模型更新，在此基础上还将引入相应的形态学处理，从而提取出比较完整、准确的运动目标。然后，对目标区域进行特征点跟踪，最后绘制出运动目标的轮廓和轨迹。本文研究算法的设计流程如图2所示。

3.2 实验结果分析

本文配置选择的实验环境是：计算机系统为 Windows 7，处理器为AMD A8-4500M，主频为 1.9 GHz，内存为6 GB，显存为1 G。实验拟基于PyCharm 开发工具，使用Python 编程语言，并结合OpenCV3.0 计算机视觉库设计实现的。过程中，是采用监控下拍摄的汽车视频图像序列进行相关实验，图像的大小均为480×360。

对监控视频的第72帧分别进行了光流法、帧差法和本文检测算法的仿真实验，研究可得仿真实验结果如图3所示。

由仿真对比结果可知，帧差法对运动目标的检测存在目标检测不完整的问题，头部有明显的大片空洞现象；光流法虽然能够检测到运动目标的大体轮廓，可是程序运行较慢，计算复杂度高，未能检测到目标的详细轮廓信息[12]；本文采用的基于GMM的背景减除法，经过形态学处理后，能够保留更多的目标信息，研究获得的运动目标轮廓更趋完整，边缘更加连续，空洞现象较少，目标信息也更为丰富。

研究至此，则将按照获得的运动目标区域对该目标进行KLT特征点跟踪，最终效果如图4所示。图4中，红框标出的是检测的运动目标整体轮廓，绿线是对运动目标的跟踪轨迹。上述实验结果表明，本文方法能够对运动目标进行准确的检测与快速跟踪。

4 结束语

本文提出了一种基于GMM与KLT的运动目标检测与跟踪方法，可以用在监控视频中。从仿真的结果来看，能够提取出相对完整、准确的运动目标信息，并达到了目标的快速跟踪，具有一定的实效性。在未来的工作中，可以在此基础上，根据运动目标的

轨迹、位置和轮廓，对运动目标的行为进行分析，从而对监控视频中的实时情况做出更佳判断。但是本文提出的算法也存在缺点，即如在特征点匹配时，有些点发生了漂移，因而研究中还需要续接进一步的改进与完善。

参考文献

[1] 胡全. 基于内容的图像检索技术研究[D]. 哈尔滨：东北林业大学，2008.

[2] 刘洁. 基于光流法的运动目标检测和跟踪算法研究[D]. 徐州：中国矿业大学，2015.

[3] 余婷婷. 浅论混合高斯背景建模方法[J]. 黑龙江科技信息，2012（15）：60.

[4] 陈明明. 复杂背景下的目标跟踪技术研究[D]. 成都：中国科学院（光电技术研究所），2014.

[5] 杨娜. 视频序列中的人脸检测与跟踪技术研究[D]. 天津：天津师范大学，2009.

[6] 华媛蕾，刘万军. 改进混合高斯模型的运动目标检测算法[J]. 计算机应用，2014，34（2）：580-584.

[7] 赵聪. 基于双目立体视觉的运动目标检测与跟踪[D]. 济南：山东大学，2009.

[8] KUMAR S YADAV J S. Segmentation of moving object using background subtraction method in complex environments[J]. Radioengineering 2016 25（2）：399-408.

[9] 杨陈晨，顾国华，钱惟贤，等. 基于Harris角点的KLT跟踪红外图像配准的硬件实现[J]. 红外技术，2013，35（10）：632-637.

[10]SONG Zhiqin LU Jinzheng NIE Shiliang. Improved spatiotemporal background subtraction method for target detection[J]. Opto-Electronic Engineering 2016 43（2）：27-32，39.

[11]THAKUR G S ALI M PAN HUI et al. Comparing background subtraction algorithms and method of car counting[J]. arXiv preprint arXiv：1202.0549 2012.

[12]NIRANJIL K A SURESHKUMAR C. Background subtraction in dynamic environment based on modified adaptive GMM with TTD for moving object detection[J]. Journal of Electrical Engineering & Technology 2015 10（1）：372-378.