目标检测与跟踪

目标检测与跟踪（精选十篇）

目标检测与跟踪 篇1

关键词：运动目标检测,运动目标跟踪,边缘检测

0 引言

伴随着对视觉机理不断深入的认识以及现代计算机技术迅速的发展, 计算机技术被越来越多的应用到图像处理领域, 由此产生了计算机视觉[1]。

计算机视觉主要包括运动目标检测、目标提取、目标识别与跟踪几个模块, 其中目标检测部分最关键。对运动目标检测的一些经典的方法有:基于统计、学习的方法, 基于光流场的方法, 背景差分法[2]。

基于统计、学习的算法检测到的运动目标比较准确, 但计算复杂, 计算量大, 不适于实时处理。光流场的方法能检测出独立的运动目标, 对于变化的以及复杂背景情况都有较好的效果, 并且不需要预知场景信息, 其缺点是大多数算法很复杂并且计算量很大, 应用到实时检测系统就需要有特殊的硬件支持。背景差分法能够比较完整的检测到运动的目标, 缺点是对于光照和其他的外部条件引起的环境变化很敏感, 常常会将目标的阴影区域错误地检测为其自身的一部分。并且随着时间流逝, 实际场景的多种因素都会发生变化, 背景必须得到实时更新才能准确检测出目标。本文的目标检测部分采用图像差分法, 计算量小, 算法简单, 适用于实时性要求较高的图像处理系统。

1 常用的目标检测算法分析

1.1 背景差分算法

背景差分法通过当前图像与背景图像作差分就能检测出运动目标。背景图像是由背景中的一幅或几幅图像取平均值得到, 运动的区域是根据当前图像和背景图像作差的结果进行判断, 若差分值大于某一阈值T, 则判定此象素点在运动目标上[3]。该算法的公式表达如下:

其中:b (x, y) 为背景图像, (x, y) 为当前图像, (x, y) 为检测结果, T为阈值, k为帧数。

该算法计算量小, 能够得到比较精确的运动目标信息。根据实际情况确定阈值并进行处理后, 所得结果就直接反映了运动目标的形状、位置、大小等信息, 适用于背景己知的情况, 其关键是如何获得场景的静态背景图像。缺点是外界的干扰容易影响最终的检测结果, 外界的干扰如光线的变化, 或是背景中有物体突然发生移动等。

1.2 帧间差分算法

帧间差分算法将连续两帧图像中的对应像素点的像素值相减, 得到一个差分值, 用预先设定好的阈值与这个差分值进行比较, 如果阈值小于差分值, 则认为对应位置处有运动目标。

为了对运动目标进行更精确的检测, 文献[4]提出了一种基于三帧差分的算法。

该算法分为2步:

(1) 设为连续三帧图像, 通过相邻两帧图像的差分得到两个差分图像m1, m2, 该算法的公式表达如下:

(2) 将上一步中差分后得到的图像m1, m2进行运算, 得到三帧的差分图像m3, 该图像是运动目标在中间帧的三帧交叉部分

帧间差分算法比较适合于检测不停运动的目标, 当运动目标出现短暂停留时, 连续两帧图像不存在偏差, 所以此时就检测不到运动目标了, 所以目标做不连续运动时就不那么适用了。

2 边缘检测的背景差分算法

基于边缘检测的背景差分算法源于背景差分法, 可以精确地从背景中提取出运动目标, 不会像帧间差分法会因为运动目标运动速度的快慢而出现检测到的目标过小、过大或空洞等现象。光线的变化易于影响背景差分算法的检测结果, 而对于基于边缘检测的背景差分算法没有影响, 对于背景中有物体突然移动的情况, 也能有很好的效果对运动目标进行准确地检测。

基于边缘检测的背景差分算法对背景图像与当前图像分别进行边缘检测再相减得到差分图像, 最终根据差分图像结果来提取运动目标。该算法计算量小, 执行速度快, 可以准确并完整地提取到运动目标, 在光线变化的情况下, 检测结果依然准确。

实现步骤如下:

(l) 使用高斯模型法建立背景图像b (x, y) 。

(2) 对背景图像b (x, y) 进行中值滤波, 边缘增强, sobel滤波和二值化, 得到背景图像运算后的图像B (x, y) 。

(3) 对当前帧图像进行步骤 (2) 中的操作, 得到当前帧图像运算后的图像F (x, y) 。

(4) 对步骤 (2) 、 (3) 中得到的图像进行差分运算得到D (x, y) =F (x, y) -B (x, y) 。统计D (x, y) 中值为l的点的个数, 如果该数值小于预先设定的阈值M, 表示检测到了轻微的目标运动, 这个结果可能是由于图像中物体的扰动 (如树枝的轻微摆动等) , 所以认为没有检测到运动的目标。如果该计数值大于阈值M, 则认为检测到了运动目标, 然后遍历图像D (x, y) , 找出像素值为1的点, 把当前图像f (x, y) 对应位置的像素值置0, 其它位置的像素值保持不变。阈值M的选取对于检测的精度有很大的影响, 如果M取值过大会检测不到目标的细微运动, 如果M取值过小就会检测到微小的扰动, 所以M值的选取应根据实际的场景, 进行多次实验取得最佳值。

(5) 更新背景b (x, y) , 转到步骤 (2) 。

通过以上五步便能对运动目标进行快速的检测, 并且能把运动目标的边缘信息完整地提取出来。

3 运动目标的跟踪

采用基于能量累积的运动目标跟踪的方法, 采用最小平均绝对差值的匹配的准则和1/8像素级的搜索方式, 即进行Wk和Wk+1的行、列方向灰度累积曲线匹配时, 以1/8像素为步长步进, 计算出所有匹配点绝对差值的累加和, 在其中找出最小累加值和其对应的步进长度, 找出的两个步进长度就分别是跟踪目标在行、列方向上的位移量。然后分别对W1、W2中的每一行、每一列的图像灰度值进行求和, 最后以1/8象素级分别对W1行、列灰度累积曲线和W2行、列灰度累积曲线搜索, 以最小平均绝对差值的方式进行最佳匹配, 求出最佳匹配时跟踪目标的位移量。

4 实验数据与分析

通过背景差分算法实现了运动目标检测, 并对其进行二值化和形态学滤波[5]等优化得到了较为良好的检测结果。

图1中a、b分别是第1帧的图像和第80帧图像, 第一帧为背景, c为背景差分得到的检测结果, d为检测到的目标。

采用基于能量累积的运动目标跟踪的方法对行人的跟踪, 能够自动检测到运动目标并进行跟踪。

5 结语

本文讨论了几种常见的用于运动目标检测的算法, 分析了这些算法的优缺点, 提出了一种基于边缘检测的背景差分算法, 实现了对运动目标轮廓快速完整的提取。采用基于能量累积的运动目标跟踪的方法实现了运动目标的跟踪。检测和跟踪都取得了良好的效果。

参考文献

[1]马颂德, 张正友.计算机视觉一计算理论与算法基础[M].北京:科学出版社, 1998:2-8

[2]施华, 李翠华.视频图像中的运动目标跟踪[J].计算机工程与应用, 2005 (10) :56-58

[3]Piccardi M.Background Subtraction Techniques:A Review[A].IEEE International Conference on Systems, Man and Cybernetics[C].2004, 4:3099-3104

[4]秦涛, 周泽魁.一种检测序列图像中运动目标的新方法[J].计算机应用与软件.2004, 21[5]:27-29

一种特征点跟踪的运动目标检测 篇2

提出一种基于特征点跟踪的运动目标分割算法.在角点跟踪过程中,8等分匹配点邻域,构造方向子邻域提高匹配精度;提出一种新的聚类准则抽取最优特征子集估计运动参数;结合统计方法消除残差噪声;采用时域滤波滤除孤立区域检测出运动目标.对200帧可见光视频序列和100帧红外图像序列中运动汽车进行检测分割实验,检出率分别达到96%和94%.

作 者：王俊卿 史泽林 黄莎白 WANG Jun-qing SHI Ze-lin HUANG Sha-bai 作者单位：王俊卿,WANG Jun-qing(中国科学院沈阳自动化研究所,辽宁,沈阳,110016;中国科学院研究生院,北京,100039)

史泽林,黄莎白,SHI Ze-lin,HUANG Sha-bai(中国科学院沈阳自动化研究所,辽宁,沈阳,110016)

目标检测与跟踪 篇3

【解析】how often 意为“多久（一次）”，它引导的特殊疑问句用来询问某动作发生的频率。how often通常是对一些表示频率的副词提问，如：always，usually， often， sometimes， never等，也可以对表示“多久几次”之类的频率短语提问，如：once a week， twice a year， three times a day等。

特别提示：若仅对once， twice， three times这样只表示次数的词提问，要用how many times“多少次”，不用how often。如：

——How often does he go swimming？他多久游一次泳？

——Once a day. 一天一次。

2.【原句】What do you usually do on weekends?

你周末通常做什么？

【解析】on weekends“在周末”（周六和周日），on the weekend 意为“那个周末”，指说话双方都明白的、特定的那个周末；on weekdays “在工作日”（除周六、周日以外的五天）。on用于指具体某一天（日期，如：on May 1st 在五月一日；某天某段时间，如：on Monday morning 在周一早上；具体某天，如：on that day在那一天；纪念日，如：on your birthday在你生日那天；节日，如：on Christmas Day在圣诞节）。而in用在月/季节/年代前和一些固定短语中。at用来表示确切时间点。

3.【原句】 Here are the results of the student activity survey at Green High School. 这些是对格林高中的学生活动的调查结果。

【解析】此句为倒装句，here在此作状语，are后面的复数名词是主语，以there或here开头的句子，若主语为代词时，句子不倒装。倒装句的谓语取决于后面的主语，主语为单数，谓语就用单数，后面的主语为复数，谓语就用复数。如：

Here she comes. 她来了。

There it is. 它在那儿。

若主语为名词，状语提前时，使用完全倒装。如：

There goes the bell. 铃响了。

At the head of the queue was an old woman.

在队伍前面的是一位老妇人。

4.【原句】As for homework， most students do it every day.

至于说家庭作业，大多数学生每天都做。

【解析】every day是名词词组“每天、天天”，有时也指“一天天地”，作状语。如：

I read English every day. 我每天读英语。

而everyday是形容词“日常的、普通的、每天的”，用作定语。如：

Let’s begin with everyday English. 让我们从日常英语开始学起。

5.【原句】Is her lifestyle the same as yours or different?

她的生活方式与你的相同还是不同?

【解析】same（相同的）和different（不同的）是一对反义词。same前必须加冠词the， the same as表示“与……相同”，be different from表示 “与……不同”。如：

Your hat is the same as his. 你的帽子和他的一样。

Your hat is different from his. 你的帽子和他的不一样。

注意：different的名词形式为difference“不同点、不同之处”，复数加“s”。如：

There are many differences between the two languages.

这两种语言之间有很多差异。

6.【原句】A lot of vegetables help you to keep in good health.

大量的蔬菜帮你保持身体健康。

【解析】keep（be） in good health=have/has good health表示“身体健康”，反义词组：be in bad（poor） health身体不好（差、不佳），keep（be） in good health 相当于keep healthy=stay healthy=keep fit“保持健康”。如：

My grandpa is over 70 years old, but he is still in good health.

爷爷70多岁了，但身体仍然很好。

She has always had good health. 她一直都很健康。

It is important for us to stay healthy.

保持健康对我们来说是很重要的。

[跟踪训练]

1. ——You play the piano so well. ____ do you have the piano lessons?

——Once a week.

A. How soonB. How oftenC. How longD. How much

2. ——____ have your parents been abroad?

——Only once.

A. How longB. How far

C. How many timesD. How often

3. Quite a lot of children get together in the park ____ June 1st to celebrate Children’s Day.

A. onB. fromC. atD. by

4. The accident happened ____ a cold winter morning.

A. inB. onC. atD. of

5. There ____.

A. the bus comesB. the bus coming

C. comes the busD. is coming the bus

6. ——I left（忘记） my pen at home.

——____, use mine.

A. Here are youB. Here it isC. Here is itD. Here you are

7. 用every day/everyday填空

This is my ____ work. I do the work ____.

8. Chinese is different ____ English. There are a lot of ____ between them.

A. from, differenceB. from, differences

C. as, differenceD. as, differences

9. 翻译：她长得和她妈妈一模一样。

She looks ____ ____ ____ her mother.

10. 用所给词的适当形式填空

She was in bad ____ then. (healthy)

Key:1.B 2.C 3.A 4.B 5.C 6.D 7.everyday, every day 8.B 9.the same as 10.health

7.【原句】The other students guess the illness and give advice.

其他的学生猜测是什么疾病并给出建议。

【解析】advice作名词表示“建议、忠告、劝告”时，是不可数名词，没有复数形式，一条建议可说成a piece of advice，一些建议some advice。词组：take one’s advice听从某人的劝告。

8.【原句】It’s easy to have a healthy lifestyle, and it’s important to eat a balanced diet.

拥有一种健康的生活方式很容易，重要的是进行合理的饮食。

【解析】句中it是形式主语，动词不定式to…是真正的主语，句中结构为“It is+形容词+(for sb.)+to do sth.”,其中sb.为宾格代词或名词。如：

It’s not easy to learn a foreign language. 学一门外语是不容易的。

It is very hard for us to answer the questions.

我们很难回答这些问题。

It is+形容词+for sb.+ to do sth.此句型可转换为: It’s+形容词+that从句，或To do sth. is+形容词。如：

It is good for you to live alone for some time.=It is good that you live alone for some time.=To live alone for some time is good for you.

你单独住一段时间好些。

9.【原句】…and you should exercise to stay healthy.

你应该锻炼以保持身体健康。

【解析】本句中stay作系动词，后接表语，意思是“保持、维持（某种状态）”，相当于keep+形容词。如：

The shop stays open till ten o’clock at night.

那家商店营业到晚上10点。

像stay一样既是实义动词又是系动词的还有：look（看起来、显得），get（变得、成为），keep（保持），turn（变成），grow（变得），remain（保持）。stay作动词时，表示“停留、逗留、呆”，是延续性动词。如：

It is raining. You must stay at home. 天在下雨，你必须呆在家里。

Can you stay for supper? 留下吃晚饭好吗？

10.【原句】I’m not feeling very well at the moment.

现在我感到不舒服。

【解析】at the moment的意思是“现在、此刻”，相当于right now/now，用于一般现在时/现在进行时/现在完成时。如：

Yao Ming is the most popular basketball star at the moment.

目前姚明是最受欢迎的篮球球星。

They are very busy at the moment. 现在他们很忙。

11.【原句】I study late every night, sometimes until 2 am.

我每晚都学到很晚，有时到凌晨两点。

【解析】本句中until相当于till，用于肯定句时，谓语动词应是持续性或表示状态的，表示这一动作或状态延续到until/till状语所表示的时间为止。用于否定句即not…until，此句谓语动词表示动作的开始。另外until/till只能表示时间，不能表示地点，until/till后只能接时间点，不能接时间段。如：You’d better stay in bed till two o’clock.

你最好躺在床上直到2点钟。

用于否定句中时，谓语动词一般是非延续性动词，表示这个动作一直到till/until后所表示的时间才发生。如：

He won’t go until six o’clock. 要到6点钟他才去。

12.【原句】You should drink some hot tea with honey.

你应该喝些加蜜热茶。

【解析】hot tea with honey是一个名词短语，中心词为tea，介词短语with honey作后置定语，修饰hot tea，此处with表示某物带有、具有某种特征。如：

Tom is an English boy with short and curly hair.

汤姆是一个头发短而卷曲的英国男孩。

There is a big house with a beautiful garden near the park.

公园附近有一个带有美丽花园的大房子。

另外with…，还表示伴随状态。“with+名词+介词短语”，在句中作伴随状语，强调主语的状态。如：

The teacher came in with a book under her arm.

老师夹着书进了教室。

With a smile on her face, she came in. 她面带微笑走了进来。

13.【原句】I don’t think I’m improving. 我认为我没有提高。

【解析】“I think…”常用来发表说话人的观点或看法，后面常加宾语从句。在宾语从句中，当主句含有I think时，从句的否定意义应在主句上变化，一般疑问句也在主句上变化，从句无需变化。如：

I don’t think it will rain. 我想天不会下雨。

I don’t think they are right. 我认为他们是不对的。

Do you think I can work out the problem？

你认为我能算出这道题吗？

若主句含有I/We think（认为），suppose（猜想），believe（相信），guess（猜测），expect（期待）时，其从句的否定意义要转移到主句上，这种情况就是否定转移。从句的否定意义应在主句上变化，从句无需变化。如：

我猜她不会来参加晚会了。

I don’t suppose she’ll come to the party.

[跟踪训练]

1. Mrs. Jenny gave us ____ on how to learn English well.

A. some advicesB. many advices

C. some advice D. an advice

2. The books on the bookshelf are not difficult to reach. (改为同义句)

____ ____ to reach the books on the bookshelf.

3. 翻译：对我们来说今天很难完成这项工作。

____ difficult ____ ____ ____ finish the work today.

4. 翻译：如果你想保持健康，你必须进行足够的体育锻炼。

If you want to ____ ____, you have to ____ ____ ____.

5. We should keep ____ in the reading-room.

A. quietB. quietlyC. quiteD. quickly

6. I’m sorry I haven’t got any books at the moment.

(找出和划线部分相同的选项)

A. a moment agoB. for a while

C. right nowD. just now

7. I won’t believe that little Bob can run 100 meters in 15 seconds

____ I see it with my own eyes.

A. untilB. afterC. whenD. if

8. ——Would you like some coffee?

——Yes, please. I prefer coffee ____ milk.

A. fromB. withC. toD. for

9. China is a great country ____ 5,000 years’ history.

A. toB. forC. withD. from

10. I think they are clever. (变为否定句)

I ____ ____ they ____ clever.

图像的运动目标检测与跟踪算法研究 篇4

1 视频图像监控的工作

视频图像监控是根据人对运动目标通过眼睛观察运动状态原理, 完成运动目标检测以及跟踪的工作。一般视频图像监控的一个对运动目标检测的完整的工作顺序主要包括以下几点:首先, 视频监控摄像头拍摄、录像到视频图像, 并且能够完成图像的有序排列;其次, 从序列的视频图像中筛选出所需的运动目标, 完成运动目标的特征属性的分类, 主要的办法有:根据运动目标的形状、运动等特性划分其的属性;接着是针对运动目标进行追踪, 跟踪技术的核心工作是追踪运动目标和相对静态背景目标的在视频监控中的相对位置。详细做法是为被追踪的目标设计一个特征模型, 跟踪特征模型与静态背景目标的相对位置关系。最后, 根据跟踪运动目标获得的信息, 分析其的行为目的。

2 图像的运动目标的检测

视频图像运动目标的检测能够运用到多领域, 为人们服务。其中, 图像运动目标信息的描述给人们的带来很大的利益, 这也给其获得更多的发展机会, 使其逐步向智能化方向发展。

2.1 目标检测工作的难度

图像的运动目标检测不仅受到网络、微电子等理论技术的影响, 还遭受外界因素 (光强、空间气温) 的影响。而对于技术要求, 图像运动目标的检测工作需要考虑四种环境: (1) 监控机和事物都静止; (2) 目标相对监控机运动; (3) 监控机相对目标运动; (4) 监控机和事物都运动。

2.2 目标检测工作的方法

图像运动目标的检测在国内外已经得到很大的发展, 相关研究人员总结了比较多的检测方法。图像运动目标的检测可以提供目标的有用信息。科学的检测方法能更好实现运动目标的检测工作。

2.2.1 图像序列差分法

图像序列差分法的工作原理:当监控机检测到目标运动时, 能够对相邻图像帧间进行区分, 并且帧间差相互减掉, 获得两个图像帧间的亮度差的数值, 判断所得的数值是否在有效范围内, 完成图像序列的特征表达, 并判断是否存在运动目标。此办法所利用的是在时域上, 图像序列帧的高通滤波, 挑选出有效的运动目标, 判断目标的属性特点, 完成运动目标的检测任务。

2.2.2 利用梯度信息的前景检测法

这种检测法的主要理论想法:首先借助N帧图像建立以图像梯度信息为背景的模型, 以此模型作为参照物。再借助多级边缘检测方法, 对摄像机视频中的景物进行特点边缘标识。接着借助多级边缘方法获取所得标记事物边沿的相关帧, 分析景物是否为需要跟踪的目标。

2.2.3 帧间二阶差分检测法

这种检测手段借助数学函数——拉普拉斯, 以此构建相符合的图像。此图像能够很好地分离运动目标, 目标的分离主要作用是:图像序列具有比较严格的帧间排列序列且帧间关系紧密联系, 序列的分离要符合帧间关系的要求, 并要符合图像序列时域变化的要求。帧间二阶差分法结合梯度信息图像法, 更加合理的进行实物的分割, 所得到的运动目标更加准确。

3 图像运动目标的跟踪及跟踪算法

传统的图像运动目标追踪大都是借助运动目标的外部特点分析运动目标在时域内的运动情况。但是由于运动目标外部特征有时会发生变化, 这就会影响对运动目标的跟踪。这种运动目标追踪法常常疏忽了图像背景的作用。笔者在文中仅介绍Tri-tracking跟踪法。

3.1 Tri-tracking跟踪法的原理

Tri-tracking跟踪法就是试图把视频中的前景和背景划分为两个问题, 并联系前景和背景, 利用分类器定位运动目标。首先实现Tritracking跟踪器的初始化, 其的框架能够对最近获取的图像帧分类到未标识数据。设置具有各自权重的三个SVM分类器, 并构建独立的置信图。置信图能够主动定位帧的具体方位, 再借助跟踪器框架刷新标志的帧抽样。以此实现SVM的训练机器学习, 更新各分类器的权重, 删除不需要的旧的帧抽样。以此方法, 实现对运动目标的追踪, 直到其完全消失监控机拍摄范围内。

3.2 Tri-tracking跟踪器初始化

比如, 对运动目标人的头部进行N帧序列排序, 确定头部与自身在时域、空间内的相对位置, 判断运动目标所在的区域, 并借助Mean Shift跟踪器更加明确地找到运功目标的位置。利用N帧图像标识运动目标所在范围, 背景作为负向量、前景为正向量, 两者相互配合确认运动目标的范围。

3.3 确定SVM的权重

基于分类器在参与目标追踪工作时出现的错误率规定SVM的权重, 并依图像前景和背景的正、负向量, 分析错误率。

3.4 确定追踪目标的位置

依据三个SVM各自的权重和置信图, 逐步精确运动目标的位置。SVM通过循环的训练机器学习, 逐步更新置信图, 删除旧的帧, 获得最新的置信图, 同时也完成了对运动目标的定位。

3.5 更新SVM信息库

SVM信息库的不断更新最主要的目的是应对运动目标在时域、空间内外部特征的变化, 而取得更加精确的目标跟踪。Tri-tracking跟踪器是通过训练机器学习的方法, 不断的更新三个SVM的置信图和权重, 保证SVM分类器的鲁棒性。

4 总结

综上所述, 图像的运动目标的检测和追踪都是一个难度高、工作量大的工作。在对运动目标进行检测和追踪时, 采用先进科技手段, 利用性能好的设备, 这更能够增加检测和跟踪工作的效率。在对运动目标检测和追踪时, 还要学会善于使用追踪目标的自身特点和背景特征, 寻找目标相互联系点和跟踪的突破口, 完成更为准确的检测、追踪任务。

摘要：随着计算机技术、网络工程、电子信息科学技术的发展, 信息时代越来越影响着我们的日常生活、学习、工作。目前计算机网络已经深入我们的日常工作过程中, 并且占据着无法取代的位置, 比如视频图像检测已经运用到多领域。笔者浅要探讨图像的运动目标检测, 以及跟踪目标所利用的跟踪算法的探究。

目标检测与跟踪 篇5

对仅有方位量测的被动目标跟踪问题建立了一种拟线性时变模型,利用增广卡尔曼滤波讨论了可测性,给出了它的滤波解、离散系统及其解析解,本模型不需要任何初始估计;对算法进行了蒙特卡罗仿真试验,给出了不同噪音水平下4种典型态势的仿真结果.

作 者：许志刚 董志荣 作者单位：许志刚(淮海工学院,连云港,22)

董志荣(江苏自动化研究所,连云港,22)

目标检测与跟踪 篇6

随着计算机技术日新月异的发展,计算机视觉,模式识别,人工智能,多媒体技术,越来越受到人们的重视的快速发展。广泛地被定位对象使用运动跟踪和检测,监测和智能人机交互和分析他们的行为,一旦发现有异常行为的对象,监控系统发出警报,提醒人们注意和及时的治疗,改善人类的人工监督注意力浪费资源等问题。计算机视觉是通过计算机代替人的眼睛和大脑感知外部环境,分析和理解。

1.1 Open CV技术介绍

视觉处理算法的Open CV提供了非常丰富的,它部分是用C写的,有它的开源特性,妥善处理,无需添加新的外部支持进行编译和链接,生成程序的完整实现,所以很多人们用它做算术移植,Open CV的可正常运行的系统DSP和MCU系统正常重写代码。

二、运动目标检测

运动目标的检测在整个视频监控系统的底层,各种高级应用,如目标跟踪,目标分类,目标行为的随访,了解互惠的基础。运动对象检测装置,从在实时目标视频流中提取,目标通常设置面积和颜色特性。结果运动目标检测是描述一些静态功能的“静态”的目标前景。根据上下文,其中环境可分为两大类静态背景下运动目标检测和动态背景运动目标检测,本章与实际纸工作主摄像机静态背景运动目标运动结合,不会发生前景对象的运动目标检测检测算法。

2.1运动目标检测的基本方法

目标检测和提取已在目标跟踪应用程序中的重要地位。目标检测和提取的精度直接影响结果和准确性的跟踪。一个良好的各种环境动目标检测算法的应能适用于监测,在正常情况下,移动体检测算法可以根据场景被监视在室内或室外监测算法被分成室内和室外监视算法,则可以按照使用特定算法的方法分为连续帧差分方法,背景减除法和光流法。

2.1.1帧间差分法

对于许多应用,图像的连续帧之间的差检测出图像的顺序是非常重要的一步。场景中的任何可观察到的运动将反映在场景图像序列的变化,如果能检测到这种变化,我们可以分析的运动特性。

2.1.2背景差法

基于该原理的背景差分方法非常简单,基本操作过程示于(4.2)如下:首先使用式(4.3)来计算背景图像之间的差fbk当前帧fk,然后根据下式(4.4)是差分图像的Dk值化和形态学滤波处理,并获得当该区域的通信区域比给定的阈值RK进行连通区域分析的结果,它成为检测对象,并且该区域是区域目标在区间的,你能确定的最小边界矩形的目标。

其中fk(x,y)、fbk(x,y)为连续两帧图像,Dk(x,y)为帧差图像。

其中T是二值化设定阀值。

2.1.3光流法

光流是指在图像模式(或表观的)运动的表观亮度。用“表观运动”,主要是由于光流的运动图像不能有部分信息只以确定,例如,区域性或亮度轮廓点更均匀的亮度不能唯一确定的运动对应的点,但观察到的运动。这解释了光流和该流不一定是由物体的运动所产生的光,而运动的主体不一定会产生光流体育场不一定是唯一的。

三、目标跟踪算法的研究

目标对象的运动信息的条件的先验知识下跟踪,通过从信息源的实时数据来估计所述目标状态,以实现所述目标位置和运动趋势判定。运动目标跟踪问题是一个复杂的估计。研究精度高,性能稳定,目标跟踪方法的适用性仍面临巨大挑战,具有重要的理论意义和实用价值。

3.1图像匹配法

通过图像匹配方法可以识别要跟踪的运动对象,并确定它们的相对位置。早期跟踪涉及的目标位置的变化的两个图像之间的测量计算出的相关函数,跟踪点是,这两个图象相匹配的最佳位置,这是相关函数的峰值。

3.2基于团块的目标跟踪

基于团块(BLOB)的基本原理是用于图像分割候选像素跟踪算法,它决定像素是否属于背景或属于定位或属于其他区域。基于跟踪算法的质量也可称为基于图像分割的跟踪,分割结果刚够目标和背景之间的区分,而传统的图像分割算法需要目标轮廓的精确显示。分裂台球在目标,纹理特征和图像的深度信息的一般特性。

四、结语

随着在军事领域的计算机视觉,智能交通监控,视频运动目标检测与跟踪的发展必将得到更广泛的应用和发展。在本文中,历时四个月中,主要研究的Open CV实现运动目标检测与跟踪的应用,实验结果表明,该系统具有良好的鲁棒性和准确性,实现毕业设计的预期目标,在工作和问题结合起来实际应用中。

摘要：运动目标检测与跟踪是计算机视觉领域是基础的一个重要分支,在工业,医疗,航空航天和军工具有广泛的应用领域,已被广泛关注,并成为计算机视觉研究的热点首先,运动目标检测----帧间差分法和背景减除深入的研究和讨论,然后,在Visual C++6.0编程环境Open CV的技术手段的基本方法开发出一种运动目标检测与跟踪系统。捕获的预处理视频图像的系统第一序列有关移动目标的视频序列之后比较可靠地检测。通过试验结果和数据系统可以断定:基于运动对象检测的Open CV跟踪系统的设计具有良好的实时性,实时能够精确检测和跟踪移动目标。

运动目标检测与跟踪算法的研究进展 篇7

人类感知的环境信息大多是通过视觉获得的,而在接受到的所有视觉信息中,人们又往往对动态信息更感兴趣。随着多媒体技术的发展,人们正在接触越来越多的视频信息。一方面,要获得较高压缩比来存储这些信息,另一方面,需要对感兴趣的区域或对象进行操作[1]。因此对视频图像中运动目标的提取、分类识别和跟踪,已成为对运动目标的行为进行理解和描述视频图像中动态信息的主要内容。

运动目标的检测与跟踪在技术上融合了计算机视觉、视频图像处理、模式识别和自动控制等相关领域的知识[2]。运动目标的检测与跟踪是视频技术的一个重要研究方向,其应用十分广泛。在交通流量的监测、安全监控、军事制导、视觉导航,以及视频编码中都有涉及。目前,运动目标的检测与跟踪已经取得了很多成果,并且不断有新技术、新算法涌现。但是,在实际环境中,由于自然环境的复杂(光照、气候的变化等),目标的高机动性,干扰了目标检测与跟踪,造成检测不准确且跟踪效率不高。因此,研究改进运动目标检测与跟踪算法有很现实的意义和应用价值。

2 运动目标检测常用算法

运动目标检测就是从视频图像中将变化的区域从背景中提取出来,此类算法依照目标与摄像机之间的关系可以分为静态背景下运动检测和动态背景下运动检测。静态背景下只有被监视目标在摄像机的视场内运动;而动态背景下摄像机也发生了运动,这个过程就产生了目标与背景之间复杂的相对运动,造成动态背景下的运动检测和跟踪[3]难度很大。目前对于动态背景下运动检测和跟踪的研究较少,因此本文暂不涉及运动背景下的运动目标检测与跟踪。在静态背景下,运动目标检测主要算法有三种:帧间差分法、背景差分法和光流法。下面分别对这三种算法进行分析。

2.1 帧间差分法

帧间差分法[4]的基本原理就是相邻帧的图像对应像素点的灰度值相减,通过差分图像进行二值化处理以确定运动目标。帧间差分法的主要优点是:算法实现简单,程序设计复杂度低;不存在背景的获取、更新和存储的问题;对场景中光线的变化不太敏感,实时性好。但在实际环境中,当目标运动速度过快时,容易产生空洞,也可能把一个运动目标分割为两个或者多个,并且运动目标的获取存在着模糊的边缘。

针对帧间差法存在的问题,人们提出了很多方法改进,如采用三帧差分法、加入颜色信息进行判别等。例如Shahinfard等提出对相邻5场的视频序列作差分处理,并且综合视频序列的RGB分量信号进行运动检测[5]。因此,该方法即适用于高速运动目标,同时也适用于低速目标。针对光线变化的环境,Crnojevic等提出将小波变换加入差分算法中[6],取得了较好的效果。聂烜等提出了一种复合差分算法,利用两次差分之间的相关性来检测运动目标,并且将前景像素面积作为判别目标漏检程度的依据,有效的减少了目标漏检[7]。

2.2 光流法

光流是空间运动物体在观测成像面上的像素运动的瞬时速度。物体在光源照射下,其表面的灰度呈现一定的空间分布,称之为灰度模式。当人的眼睛观察运动物体时,物体的景象在人眼的视网膜上形成一系列连续变化的图像称之为光流。光流表达图像的变化,包含目标运动的信息,可用来确定目标的运动。光流算法评估了两幅图像的之间的变形,它假设一个物体的颜色在前后两帧没有巨大而明显的变化。基于这个思路,我们可以得到图像约束方程。不同的光流算法解决了假定了不同附加条件的光流问题。Horn和Schunck于1981年创造性地将二维速度场与灰度相联系,引入光流约束方程,得到光流计算的基本算法[8]。Lucas和Kanade同年提出了LK光流算法[9]。

虽然光流携带了有关物体运动和景物三维结构的丰富信息,在实际应用中,由于遮挡、多光源和噪声等原因,使得光流方程的灰度守恒假设条件得不到满足,不能正确的解出光流场;同时大多数的光流计算方法相当复杂,计算量大,难以实时应用,因此在对实时性要求较高的监控系统中一般并不采用这种算法。

因此减少光流算法的运算复杂度是应用光流法的关键。为此,戴斌等人提出了最优估计的点匹配技术和光流均匀采样策略[10],同时进行运动目标的检测和跟踪,并能在一定程度上解决光流技术中的计算量和信息量的矛盾。为改善HS算法中最小均方差迭代的最终收敛点产生的偏移,桂本烨等提出了新的能够循环求精的梯度算法[11],并将该算法与多分辨率光流算法结合,提高了算法的鲁棒性和准确度。而Lee Yee Siong等人更是将HS和LK算法作了整合,并且进行了滤波处理[12],收到了较好的结果。

2.3 背景差分法

背景差分法又称减背景法,是一种最基本、应用最广泛的运动目标检测方法。它采用当前图像与背景图像同位置像素亮度相减的方式进行前景目标检测,具体来讲,它首先选取或构造一帧背景图像,其次根据某种背景模型更新背景图像,并计算当前图像与背景图像的差分图像,然后进行阈值处理以分割出运动目标。如图1所示:

背景差分法计算比较简单,在相对静止的场景中检测运动目标时,该方法取得了比较好的性能。但是这种方法对场景中的动态变化比较敏感,受场景光照变化、背景扰动等因素的影响较大,目标的阴影也常被误检为目标。并且背景模型的建立与更新对目标检测和跟踪结果的好坏至关重要。

针对背景建模以及阴影消除,很多研究人员提出了改进方法。首先介绍关于背景建模的方法;Elgammal等人利用高斯内核非参数化估计同像素点的概率密度,提出了一种无参数的内核密度估计法[14];齐美彬等人提出一种新的基于背景像素值出现频次最高假设的背景重构算法[15],在前景点灰度值出现概率大于背景点灰度值出现概率下,仍然能够正确重构背景;Yi Tang等人提出了一种基于段分布的背景构建方法[16],能够有效解决背景扰动等问题,提高了目标检测的准确性。此外,还有参数建模的方法[17]。例如Stauffer和Grimson提出的K个高斯分布的混合模型表示背景像素的分布规律[18];黄鑫娟等人对高斯混合高斯模型作了改进,提出了自适应的混合高斯模型[19],能快速适应场景的变化;还有将混合高斯模型应用到HSV彩色空间中[20],取得了更好的有效性和可靠性。在高斯混合模型之后,有人提出了一种基于码本的运动目标检测算法[21],更加适合实时应用;李莉采用了新的码本提炼和更新策略[22],改进了码本算法。也有别出心裁者,利用多个阈值的差分图像来检测运动目标[23],也取得了较好的效果。阴影的消除大多通过变换彩色空间来完成。

对于动态背景下的目标检测,由于存在目标与摄像机之间的相对运动,因此,动态背景下的运动目标检测比静态下要复杂的多。由于背景和前景都在做全局运动,要检测运动目标就要进行图像的全局运动估计和补偿。通常我们使用块匹配法[24]或光流法进行运动参数的估计。Xiao-jun Cao等人对块匹配作了改进,没有对序列图像内的全部块进行计算,而是对包含运动目标的块做处理[25],提高了算法的准确性。郑世友等人提出了一种基于场景图像参考点3D位置恢复的图像背景判别方法[26],较好的解决了在具有多帧间全局运动参数的动态场景序列图像中检测运动目标的问题。

3 运动目标跟踪算法简介

运动目标跟踪是指对目标在图像中的位置以图像帧的形式进行连续按时间采样,通过对目标运动行为的估计,预测目标在图像下一帧中的物理特征,并根据这些特征对图像序列中的目标进行匹配,从而得到运动目标完整的运动轨迹的过程。运动目标跟踪是图像处理中的一个重要领域,为进行场景中运动目标的运动分析提供了重要来源。现在常用的跟踪方法有四类[27]:分别是基于模型的跟踪(Model-based Tracking)、基于区域的跟踪(Region-based Tracking)、基于变形模板的跟踪(Deformable-template-based Tracking)、基于特征的跟踪(Feature-based Tracking)。下面将分别介绍这四种方法。

3.1 基于模型的跟踪

基于模型的跟踪方法对目标物体的外形特征进行建模,然后在图像序列中跟踪这个模型。对运动物体的外形进行建模时,通常可以用三种形式的模型来表征物体[28]:线图模型、二维轮廓模型、三维立体模型。例如Sung,K等提出的直板人模型[29],它将人的肢体用一组连接的平面区域块来表达,该区域块的参数化运动受关节运动的约束;还有将人身体的各部分用直线来近似表示并建立了人体运动的分层模型[30]用于实现对人体的跟踪的方法。

基于模型的跟踪方法的特点是跟踪的准确度取决于目标物体几何模型的精度。对于刚体运动目标而言,其运动过程中状态变换主要是平移、旋转等,利用这种方法实现运动目标的跟踪能取得比较好的效果;对于非刚体目标而言,其在运动过程中形状的变化往往没有规律可言,因此难于获得运动目标的确切的几何模型,因此对非刚体目标的跟踪不适合使用该跟踪方法。

3.2 基于区域的跟踪

基于区域的跟踪算法基本思想是:首先得到包含目标的模板,该模板可通过图像分割获得或预先人为确定,模板通常略大于目标的矩形,也可为不规则形状;然后在序列图像中运用相关算法跟踪目标。

基于区域的跟踪方法在运动目标未被遮挡并且没有阴影时,跟踪效果相当的好。若发生遮挡会导致精度的下降,进而导致目标丢失;阴影面积较大时,会引起不同目标区域的连接,并且该算法不能很好的搜索到非刚性目标。针对这些问题,也有不少改进方法。例如王绍钰提出的将颜色直方图和边缘直方图结合建立参考模型[31],提高了跟踪的准确性。

3.3 基于变形模型的跟踪

变形模型是边缘或者纹理可以按照一定限制条件变形的模型或者曲线。变形模型中最常用的是Snake模型[32],Snake模型以构成一定形状的控制点为模板(轮廓线),通过模板自身的弹性形变,与图像局部特征相匹配达到调和,即某种能量函数极小化,完成对图像的分割。图像特征是局部的,即图像上某一点的特征只与这一点所在的邻域相关,而与物体的形状无关。该模型同样要求有较好的初始化,且对背景中的变化及噪声的干扰对该模型影响较大。现在有很多人将水平集理论应用到运动目标跟踪中,取得了较好的效果。例如Imamura,K改进了水平集的迭代算法[33],完成了比Snake模型更精确的跟踪。

3.4 基于特征的跟踪

基于特征的跟踪其基本思想是:在跟踪过程中利用运动目标在运动中具有不变性质的特征,如角点、纹理、色彩等来实现跟踪。这种跟踪方法一般包括特征的提取和特征的匹配两个过程。与基于区域的跟踪算法的不同之处在于,后者使用目标整体作为相关时的对象,而前者使用目标的某些特征作为相关时的对象。

基于特征的跟踪算法的优点是当目标被部分遮挡时,通过一些可见的子特征,完成跟踪任务。缺点是,对周围环境变化敏感,尤其是光强度的变化。对某个运动目标,确定它的唯一特征集是十分困难的,特征过多就造成算法耗时,并且结果容易出错;特征过少,又会引起跟踪结果不准确。

Camshift算法是是基于特征的跟踪方法中的常用算法。由于RGB模型对光照变化敏感,一般采用HSI模型,被跟踪目标的颜色概率模型建立后,将视频图像转化为颜色概率分布图,并在第一帧图像中初始化一个矩形搜索窗。对以后的每一帧图像,定位被跟踪目标的中心和大小。Camshift算法计算量小,能够在简单背景环境中取得较好的跟踪效果,但是当背景颜色和运动目标颜色接近或者跟踪目标被遮挡时,不能正确的跟踪目标,甚至丢失目标。Bo Yang等人提出了结合Kalman滤波的算法[34],提高了跟踪效率,增强了抗干扰能力。

4 结论

目标检测与跟踪 篇8

视频图像的目标检测与跟踪是当前计算机视觉领域的一个重要基础,其主要实现方法是对目标的某一个或多个特征来进行提取和分类[1,2,3,4,5,6]。目标特征主要分为两类,一类为基于边缘的特征,如目标轮廓,另一类为基于区域的特征,如目标的像素值或其统计量。一般而言,区域特征比边缘特征包含更大的信息量,因此基于区域特征的检测与跟踪算法有着更强的稳健性。但是,当前大多数应用的检测与跟踪算法模型只能提供简单的目标边界,并且是通过对于矩形区域内的相似统计特性来实现判断检测和跟踪目标的[7,8,9,10,11,12]。由于边界检测算法的局限性,对于实时的详细的目标边界的检测与跟踪是视觉领域的重要难题。Mikolajczyk,Schmid[1]以及Fraundorfer,Bischof[2]分别以详尽的评价标准证明了Matas等提出的最稳定极值区域(MSER)算法[3]能够适用于测试图像序列,并且断定MSER符合稳健局部检测器的一切条件,从而奠定了MSER检测算法扩展应用的重要理论基础和依据。简单的说,MSER算法对于当前帧图像,通过函数处理像素值将一系列可辨别的检测区域作为可疑的目标区域进行表示,并确定被检测区域的准确边界。如果一个视觉系统的检测与跟踪采用相同的特征与标准,系统最终结果将会有更高的稳健性和更好的边界划分特性。

笔者提出了一种新颖的跟踪框架,确保了跟踪结果,同时在每帧图像上实现了精确的目标分割。

2 跟踪系统框架构成

整个系统的构成如图1所示。首先,对于每帧新输入的图像计算其统计颜色概率图,用以衡量每个像素的邻域之间的局部相似性,为MSER检测目标提供依据。其次,将MSER方法应用到本系统中,通过对局部颜色相似性的应用,划定可疑区域边界,保留相应的信息作为候选目标。最后,给由MSER产生的目标区域排序组合直接赋予相应的权值,利用训练得到的目标先验动态形状模型,并根据学习训练的形状信息与目标的相似度大小赋予相应的权值,融合加权处理后得到最终需要的检测与跟踪的结果。

在利用MSER算法进行单帧图像检测时,为了克服其检测具有与目标相似稳定区域的虚假目标区域,并且将非目标区域认定为检测目标这一缺点,只需要标定少数目标样本,通过融合目标的形状信息来降低目标检测的误检率。在进行跟踪时,通过保存处理时域信息,即除了通过在t时刻检测到的分割的目标做初始化之外,还要利用在t-1时刻已经确定的目标特征信息和位置信息作为目标跟踪的依据。

2.1 计算颜色概率

在视频跟踪的应用中,颜色信息始终作为一种非常重要的特征来进行应用。同样,系统首先运行的是计算t时刻时像素为目标的颜色概率值P(O|xi),用以衡量当前帧被跟踪目标O与局部区域的每个像素x之间的颜色相似性。为了达到以上的目标,可以借助t-1时刻被跟踪目标的信息,进一步增加前景与背景的区分度。概率图结果P(O|x)可以在图2中看到,白色亮度区域表示有着较高的颜色相似性的区域。

1)将t-1时刻目标O的颜色分布通过高斯模型来表示为NO(μO,ΣO),定义为在三维RGB颜色空间的3×1的均值向量μO和3×3的对称协方差矩阵ΣO。同时,可以将目标周围区域的非目标区域的颜色分布通过高斯模型NB(μB,ΣB)来表示,作为事前定义好的非目标区域,借此进一步划分目标O的边界。

表示RGB分布的高斯分布为

2)通过滑动L×D的目标窗口,将窗口内像素颜色值Nωi(μωi,Σωi)与之前计算的目标区域模型NO(μO,ΣO)和非目标区域模型NB(μB,ΣB)进行比较,对于每个像素xi的颜色概率值P(O|xi)进行计算。同时,对于邻域的每个像素xi的颜色特征也可以建立一个混合高斯模型来表示。

3)计算像素xi为目标O的颜色概率

式中:β(·)为两个高斯分布之间的K-L距离,计算公式如下

式中:d为使用的特征空间的维数,tr(·)表示矩阵的迹。

以上分析了如何利用目标和背景区域在RGB颜色空间的分布来进行计算,同样,其他的任何颜色空间都是能够得到应用的。对于某些分布的目标图像,最好的特征空间是那种能够最大限度地增加目标物和它周围的背景之间颜色特征的K-L距离。

2.2 改进的MSER算法

Matas等提出的最稳定极值区域(MSER)算法[3]是计算机视觉领域内公认的较好的目标区域检测算法之一。通过定义适合的像素点特征的排序关系,该方法能够突出重点特征,例如,通过设计使用的颜色概率图P(O|x)来定义像素的排序与归属。

简单来说,MSER检测器是将具有连续的较暗边界值的较亮的连续区域检测出来。文章中,MSER表示的是连通区域内像素点的像素值有着较大相似性的集合,同时,MSER的集合在几何变换的条件下,通过多维度变换可以有机结合组成待检测目标,更加能够体现目标有效边界的分割。在跟踪时,t-1时刻的目标区域的信息更是决定被分割开的两个目标是否为跟踪的某个单个目标。同时,利用颜色概率图P(O|xi)来进行MSER检测也确保了颜色概率能够被有效地检测。

在t时刻进行跟踪时,通过t-1时刻的目标区域提供的信息,在本帧图像初步描绘出兴趣点区域(ROI),结合MSER方法采用的成分树结构(component tree)方法将ROI区域检测到的目标进行初步确认,并且随着树节点的下推,通过P(O|xi)判断被跟踪目标的最大极值区域。

2.3 目标先验形状信息

PCA的基本原理就是通过去除数据之间相关性,寻找到最大的矢量投影方向,将数据从高维降低到低维。简单分析为给定一个矢量数据类型X的一组数据,一般,这组数据就其分量而言是相关的,即

因此处理后,在以主分量为基矢量的坐标空间中,给定数据组的坐标分量不再是相关的,数据被解耦合了。PCA解除了数据的二阶相关性(去除一阶相关性,去除直流分量,即使数据中心化,均值为0;去除二阶相关性,去除数据分量之间的相关性)。在数据分布方面,PCA分析找出数据分布发散性中最大的矢量方向,即主分量矢量。通过PCA处理生成的特征图形能够广泛应用于检测识别领域,例如,PCA生成的特征脸曾经广泛应用在人脸识别领域。PCA训练的样本图像见图2。

定义目标训练数据集为Ψ={Ψ1,Ψ2,…,Ψm},则有PCA降维结果ψ={ψ1,ψ2,…,ψm}。假定训练数据的形状分布符合高斯形状,将形状能量定义为

式中:Σ为数据协方差矩阵,可以通过训练数据计算得到。定义通过形状信息得到的分割结果的概率为

2.4 MSER与形状融合

为了充分利用目标的像素信息与形状信息,去除虚假检测结果,提高目标检测精度与跟踪性能,最终进行融合判别,即将系列目标一(通过MSER算法检测出来的最稳定区域目标)与系列目标二(通过PCA计算出来的目标)通过设定权值的方法表决,最终将t时刻的目标成功识别出来,并进行跟踪。结果图见图3。

式中:αi和βi分别是两种方法在对于结果最终判别的比重权值。

3 实验结果

为了证明系统的有效性与稳健性,通过改变不同的视频场景来分别对于目标进行检测与跟踪。不同尺寸的目标(由于镜头变换引起的整体场景变化)在系统中都能够被有效地检测出来,同时对于目标物进出视场,即只有一部分身体作为目标时,系统也同样能够有效地检测出来。

整个实验部分主要分为两个部分:第一部分的视频中,视频镜头在同时进行移动和旋转运动,传统的背景剪除算法不适用,而通过算法实验,目标物的整个轮廓能够清晰地被标识出来,同时,在新的目标进入视场,视场中同时出现多个目标时,系统对多目标进行检测和跟踪;第二部分的视频中,由于镜头变化的影响,视频视场中的目标整体变小,虽然只有一个目标物在进行移动,但是背景变化相对复杂,同时由于光照变化的影响,鱼尾在摆动时激起的水面波纹反射了强烈的灯光造成局部曝光,干扰物的出现以及作为目标的鱼在受到影响之后,游动速度急剧增加,以至于相邻两帧的图像上的目标物的位置有时甚至完全没有重合处,但实验结果证明,本算法能够应用在这一系列复杂、恶劣的条件下并且能够得到稳健的跟踪效果。图4的第一列彩色鱼形目标图像为MSER检测结果,第二列为融合之后的结果及目标的准确边界表示;第三列为目标跟踪的结果。图5为改变拍摄镜头后的目标检测与跟踪效果图,每列两幅图的前一张表示目标的精确轮廓,后一张示意的是目标的检测与跟踪结果。

4 小结

介绍了一种新颖的视频图像目标检测跟踪系统,它基于重复运行MSER算法在每一帧图像寻找有效的分割检测结果,并通过计算颜色概率信息为准确地将目标分割识别出来提供重要依据,同时,创造性地通过投票表决的方法将它与PCA计算两者的优点结合起来,得到满足目标跟踪的稳健性要求和精确进行目标边界划分的实验结果。本系统能够在单帧图像上实现目标物的检测功能,在连续帧视频图像中实现令人满意的跟踪效果,并且只需要极少量的训练样本。在将来,MSER检测的应用必将可以延伸到三维视觉空间,进而实现对3D图像数据中的目标检测和跟踪。

摘要：针对非刚体目标的精确实时跟踪问题,提出了一种融合先验形状信息的基于最稳定极值区域(MSER)检测器的跟踪算法。首先,利用训练样本建立目标颜色特征的混合模型,生成目标统计颜色概率图,为最大稳定区域方法提供概率统计依据。其次,利用基于最稳定极值区域方法给出最稳定的分割结果。最后,利用训练样本得到目标的先验动态形状模型,并且融合目标形状信息与通过MSER算法生成的稳定区域信息,去除虚假分割结果,提高目标检测精度与跟踪性能。实验结果证明,该算法能在视频序列图像中有效检测并跟踪目标。

关键词：最稳定极值区域,主分量分析,目标检测,目标跟踪

参考文献

[1]MIKOLAJCZYK K,SCHMID C.A performance evaluation of local descriptors[EB/OL].[2009-01-20].http://courses.csail.mit.edu/6.869/handouts/mikolajczyk_cvpr2003.pdf.

[2]FRAUNDORFER F,BISCHOF H.A novel performance evaluation method of local detectors on non-planar scenes[EB/OL].[2009-01-20].http://portal.acm.org/citation.cfm-id=1099934.

[3]MATAS J,CHUM O,URBAN M,et al.Robust wide baseline stereo from maximally stable extremal regions[EB/OL].[2009-01-20].http://cmp.felk.cvut.cz/~matas/papers/matas-bmvc02.pdf.

[4]DONOSER M,BISCHOF H.Efficient maximally stable extremal region(MSER)tracking[EB/OL].[2009-01-20].http://ieeexplore.ieee.org/xpls/abs_all.jsp-arnumber=1640804.

[5]DONOSER M,BISCHOF H.ROI-SEG:Unsupervised color seg-mentation by combining differently focused sub results[EB/OL].[2009-01-20].http://ieeexplore.ieee.org/xpls/abs_all.jsp-arnumber=4270256.

[6]HE Wei,ZHAO Xiaoli,LI Zhang.Online feature extraction and selection for object tracking[EB/OL].[2009-01-20].http://ieeexplore.ieee.org/xpls/abs_all.jsp-arnumber=4304126.

[7]董春利,董育宁,王莉.活动轮廓模型目标跟踪算法综述[J].计算机工程与应用,2008,44(16):206-208.

[8]杨艳芳,齐美彬,王倩,等.基于运动检测与运动搜索的多目标跟踪[J].计算机工程,2008,25(7):222-224.

[9]朱冰莲,潘哲明,李单单.基于图像配准的运动目标检测[J].电视技术,2007,31(4):94-96.

[10]张洁颖,王生进,丁晓青.基于视频图像处理的交通流检测系统[J].电视技术,2008,32(6):68-70.

[11]钟德华,夏翠艳,宋启敏,等.多目标跟踪算法的研究与应用[J].计算机测量与控制,2008,16(6):846-848.

一种在线学习的目标跟踪与检测方法 篇9

现有的视频跟踪技术主要有基于模板匹配法、基于特征法、基于光流法, 这些方法各有优点, 但当所跟踪目标出现了一些比较大的外观变化, 如较大的尺度变化、目标成像角度变化、目标被遮挡、明显的光照变化等, 它们就很难继续保持对目标稳定跟踪。而基于在线学习理论的跟踪则提出一种新的思路来解决上述问题, 它把跟踪看成目标和背景的分类问题, 在跟踪过程中利用被跟踪目标的位置获得训练需要的正负样本, 然后对分类器进行学习和更新。这种方法对目标和场景的变化具有良好的适应能力, 其缺陷是现有在线学习跟踪方法是通过在图像中对目标进行检测实现跟踪的, 因而难免会出现错检或漏检的情况, 但分类器仍然会将错误的检测结果作为正样本进行学习, 很容易累积误差, 使得分类器分类能力逐渐下降, 最终导致跟踪失败。总的说来, 现有基于在线学习的跟踪方法是一种缺乏监督的自学习方法。

在一些文献中, 提到了对在线学习方法的缺陷进行修正, 如用初始目标位置的信息来训练跟踪过程中得到的新样本, 但这种半监督的在线学习方法却在目标形态持续变化的情况下限制了分类器的在线更新[1]。较为知名的是Co-trainning的在线学习跟踪方法, 即采用两种独立的特征来训练两个分类器, 通过两个分类器彼此监督的过程提高分类能力, 但如果目标发生遮挡时正负样本标记会出现错误, 因此仍会导致跟踪的失败[2]。总的说来, 现有在线学习跟踪方法的基本原理是对目标和场景进行分类, 本质上是一种目标检测的行为, 在分类错误时难以进行有效的判决和修正。

本文针对现有各种跟踪方法的不足, 将视频跟踪算法和基于在线学习的目标检测理论结合起来, 利用SURF (Speeded Up Robust Features, SURF) 特征点跟踪的结果, 把具有可靠置信度的跟踪结果作为分类器的正样本输入, 实质上是形成了对目标分类器的监督机制, 避免了分类器对错误跟踪结果进行学习导致的退化。克服了现有在线学习跟踪方法在样本训练中缺乏监督, 当跟踪区域被部分遮挡或完全遮挡时仍然作为正样本对分类器进行更新的缺点。该方法能对目标进行长时间稳定跟踪, 能适应跟踪过程中目标出现的尺度、旋转、仿射、光照、纹理、成像角度等多种变化。特别是在目标因完全遮挡或其它原因导致无法继续保持跟踪的情况下, 能做出准确判断, 从而停止在线学习, 避免了对错误样本的学习。目标检测器的设定使本方法具有跟踪失败后对目标进行重新捕获的能力。

1 SURF特征点跟踪

SURF方法和SIFT方法都是在尺度空间进行特征点检测的[3,4], 只是SURF方法用盒子滤波 (Box Filter) 近似代替二阶高斯滤波来构造图像的尺度空间。SURF方法需要建立Dxx、Dyy、Dxy三个尺度金字塔, 在构建过程中, 保持图像大小不变, 通过改变方框滤波掩模大小的方式形成图像金字塔。这样尺度空间的多层图像可以被同时处理, 不需要对图像进行二次抽样, 并且方框滤波可以利用积分图像加速卷积运算, 从而能有效提高计算速度。

利用SURF特征点对目标区域进行跟踪, 是通过对两帧图像之间的特征点进行匹配来实现的。通常只要能准确匹配的特征点数目大于一定阈值, 就可以计算出目标区域在下一帧中的位置, 因此当目标出现局部遮挡时, 对跟踪几乎不造成影响。

把当前帧跟踪位置的区域图像与上一帧跟踪位置的区域图像进行归一化互相关 (NCC) 运算, 得到的结果作为跟踪置信度, 其公式为

其中:是目标模板和当前图像窗口的均值。T (x, y) 和I (x, y) 分别是模板和原图像在点 (x, y) 处的灰度值。

在计算得到跟踪置信度之后, 选择置信度比较高的跟踪结果作为随机森林分类器的正样本输入, 对分类器进行更新。目前的在线学习目标分类器都是用检测结果作为学习样本, 虽然也有置信度等限制条件来降低对错误样本的学习概率, 但在图像中出现相似目标干扰或目标被大面积遮挡甚至出现丢失的情况下, 分类器的检测结果往往是不准确的。如果用置信度比较低或者错误的样本参与学习, 分类器的分类能力将逐渐下降, 对目标的跟踪也会发生错误。而具有较高置信度的跟踪结果, 可以在极大程度上保证参与分类器学习的样本源于目标区域, 避免了对错误样本的学习。

2 在线学习目标检测

2.1 随机森林分类器

随机森林分类[5] (Random Forest Classification, RFC) 是由很多决策树分类模型组成的组合分类模型, 其本质是将很多弱分类器集成为一个强分类器。相对于单棵决策树而言, 随机森林可以避免过拟合问题, 分类精度高, 稳定性好;随机森林保留了多值分类的特性, 适合处理多值分类问题;相比Boosting和其它集成方法, 随机森林方法对于数据噪声更稳定。大量的理论和实证研究都证明了随机森林具有很高的预测准确率, 对异常值和噪声具有很好的容忍度, 且不容易出现过拟合。

2.2 分类器训练与更新

要训练目标分类器, 需要在原始图像中采集正负样本。根据给定的初始跟踪位置和初始跟踪框大小, 将待跟踪的目标区域作为正样本, 考虑到在跟踪过程中可能出现旋转、尺度等变化, 因此把初始目标区域进行一定旋转、尺度变换后的图片也作为正样本, 以提高分类器对上述变化的适应性。负样本则在目标区域以外的背景部分随机选取。为了便于后续特征选取和计算, 将正负样本都归一化为20 pixels×20 pixels大小。

由于扩展Haar-like特征可以反映图像的边缘、区域特征, 并可以用积分图像进行快速计算, 因此本文用扩展Haar-like特征作为目标检测的特征, 具体可以描述为:将扩展Haa-like特征中不同区域的灰度特征值分别设为I (p1) 和I (p2) , 并进行比较作为一个分布特征值, 当时输出为1, 反之, 输出为0[6]。这样, 每个样本区域便能得到一组反映该样本灰度区域分布的特征值, 这个特征值便成为随机树的一个分支。

成长和修剪是随机森林进行增量学习的过程。在初始化时, 每棵树对输入的样本只有一个分支, 在跟踪过程中, 目标的外观会持续发生变化, 如果决策树不根据目标的变化进行更新, 那么当目标外观变化超过一定程度, 目标检测器就再也无法从图像中检测到目标。因此, 在整个处理过程中, 决策树必须不断用具有可靠置信度的正样本进行更新[7]。这些陆续输入的新样本通过计算其扩展Haar特征, 又产生了新的分支, 它们代表了随机森林对目标外观改变的适应。在学习过程中, 如果某个分支对应的检测结果是错误样本, 表明该分支已经不能体现目标的特征, 可以进行修剪。

2.3 目标检测

由于目标尺度变化是未知的, 因此在目标检测时需要采用不同尺度的窗口在图像中遍历扫描, 才能适应目标尺度变化。具体方法为:使用与训练样本尺寸相同的窗口从当前图像行从左到右、从上到下的扫描, 并用训练好的随机森林决策树对每个扫描窗口内的图像进行分类;遍历结束后, 按照一定的比例因子将图像缩小, 重新进行上述窗口的遍历和分类过程。重复以上步骤, 直到图像的尺寸小于扫描窗口尺寸为止。

在对未知样本进行分类时, 每棵树对该样本是否为目标作出一个判决, 然后通过集合M棵决策树的分类结果, 采用投票的方式决定新样本的类别, 公式如下:

式中:pk是每棵决策树的分类结果, pk=1表示正样本, pk=0表示负样本, 当c>M/2时认为该输入样本为目标, c≤M/2认为该输入样本为背景。

由于在分类中只需要做比较运算, 不需要加法乘法等运算, 所以决策树的分类很快。

3 算法处理流程

整个算法的处理流程如图1所示。初始处理模式为跟踪。当目标跟踪置信度满足阈值, 将跟踪框内的图像作为随机森林的正样本输入进行学习和更新;否则认为跟踪失败, 转入目标检测处理模式。在图像中通过窗口扫描的方式得到最终检测结果, 检测结果与正样本之间通过归一化相关计算得到置信度, 如果置信度满足阈值, 把检测结果作为新的跟踪目标区域, 并将工作模式转入跟踪模式。

本文提出的跟踪框架中, 跟踪算法对在线学习具有很强的约束与监督作用。单纯的目标检测, 在遇到相似物体干扰或目标出现较大面积遮挡的时候, 检测结果会出现错误。而基于SURF特征点的跟踪方法不受相似物体干扰影响, 在出现部分遮挡时仍能进行稳健跟踪。因此, 用跟踪结果作为在线学习的正样本输入, 能保证参与学习的正样本具有很好的可靠性, 从而避免了因为对错误样本进行学习带来的分类树决策能力下降。反之, 目标检测在跟踪过程中具有修正和重捕作用。当SURF特征点跟踪置信度下降时, 认为跟踪出现了漂移, 此时可以用检测结果对跟踪进行修正。在跟踪出现失败的情况下, 还可以对目标进行重新捕获, 弥补了单一的跟踪算法无法进行自我修正和目标重捕的缺陷。

4 实验结果与分析

在下面两组实验中, 主要参数设置为:决策分类树棵树M=12, 每棵决策树最大层数为13层, 跟踪结果置信度为0.9, 检测结果置信度为0.6。实验在Intel双核CPU, 内存3.5G配置的电脑上用Matlab 2009编程实现。实验1中用本文提出的方法对一运动车辆目标进行了处理, 实验结果见图2。

在视频序列的第199帧、212帧和344帧中车辆尾部分别被广告牌和路灯杆遮挡, 实验结果表明本文的跟踪算法不受局部遮挡的影响, 在第507中, 目标被树完全遮挡, 跟踪失败, 到了第561帧, 目标重新出现在视场中, 本文算法对目标进行了重新捕获。在实验2中, 目标相继出现了光照、尺度、纹理等变化, 实验结果见图3。从实验结果看出本文算法可以很好的适应目标出现了上述改变, 保持跟踪的稳健性。

针对上述两个实验, 对SURF特征点跟踪方法、Co-training跟踪方法和本文跟踪算法的跟踪稳定性和跟踪精度进行了比较, 结果如表1、表2所示。其中, 跟踪稳定性以能成功跟踪目标的帧数来衡量, 跟踪精度以实际跟踪位置和精确位置之间的欧氏距离来衡量。从表中的数据可以看到, 基于在线学习的目标跟踪与检测方法具有非常好的跟踪稳定性, 在出现各种干扰的情况下仍能对目标进行跟踪, 且具有很好的跟踪精度。

5 结论

为了克服现有在线学习跟踪方法缺乏监督机制的不足, 提出了一种目标跟踪与目标检测相结合的视频序列跟踪方法。SURF算法具有运算速度快、匹配精度高、对目标旋转、尺度、光照变化不敏感的优点, 用于跟踪可以适应目标较大的外观变化和局部遮挡, 具有比较高的跟踪精度和速度。把这种跟踪方法与在线学习的目标检测方法结合起来, 发挥特征点跟踪稳定性好的优点对参与在线学习的样本起到监督作用;同时利用目标检测的结果修正特征点跟踪过程中出现的跟踪漂移, 并在跟踪失败时对目标进行重新捕获, 避免了跟踪过程的中断。通过测试, 该方法能实现复杂背景下快速运动目标的实时稳定跟踪。

参考文献

[1]Grabner H, Leistner C, Bischof H.Semi-supervised on-line boosting for robust tracking[C]//10th European Conference on Computer Vision, Marseille, France, October 12-18, 2008:234-247.

[2]王路, 卓晴, 王文渊.基于Co-training的协同目标跟踪[J].计算机工程, 2009, 35 (3) :202-204.WANG Lu, ZHUO Qing, WANG Wenyuan.Collaborative Object Tracking Based on Co-Training[J].Computer Engineering, 2009, 35 (3) :202-204.

[3]Bay H, Ess A, Tuytelaars T, et al.Speeded-up Robust Features[J].Computer Vision and Image Understanding (S1077-3142) , 2008, 110 (3) :346-359.

[4]Lowe D G.Distinctive Image Features from Scale-invariant Keypoints[J].International Journal of Computer Vision (S0920-5691) , 2004, 60 (2) :91-110.

[5]Breiman L.Random forests[J].Machine Learning (S0885-6125) , 2001, 45 (1) :5-32.

[6]王丽婷, 丁晓青, 方驰.基于随机森林的人脸关键点精确定位方法[J].清华大学学报:自然科学版, 2009, 49 (4) :543-546.WANG Liting, DING Xiaoqing, FANG Chi.Accurate localization of facial feature points based on random forest classifier[J].Journal of Tsinghua University:Science and Technology, 2009, 49 (4) :543-546.

目标检测与跟踪 篇10

随着计算机技术、机器人和各种智能系统技术的发展,使用计算机模拟人类的视觉功能成为目前计算机领域的最热门话题。而运动目标检测和跟踪是应用视觉研究领域的一个重要的课题,也越来越受到关注。这一技术包括了运动目标的检测、跟踪、分类和识别等,常见的运动目标检测方法有光流法[1]、背景消减法[2]、时间差分法[3]等。这些算法虽然能进行快速目标检测,但在实际场景中往往不能精确提取出运动目标,从而给后续的处理带来一定的困难[4]。

1 运动目标的检测

1.1 图像序列预处理

图像预处理主要是为了增强图像中目标和背景图像的对比度,并去除采集和传输图像时产生的噪声。首先从差分图像Fj j-1(x,y)(灰度图)未变化的背景区域提取一个m×m的图像块Sm×m,该块像素的分布应与Fj j-1(x,y)中未变化的区域像素的分布规律相一致,通过估计该图像块的均值和方差来设计检测门限,均值和方差分别用下式进行估计:

undefined。 (1)

undefined。 (2)

检测门限表示为:

T=βσ+Md 。 (3)

其中:β为加权系数,可由实验确定,一般取β=3～5。然后对当前的灰度图像Fj j-1(x,y)使用图像分割算法进行二值化:

undefined

。 (4)

虽然这种阈值的选取可以随着整体亮度和背景缓慢的变化而变化,但对于复杂背景的图像,单一的帧内阈值不可能去除掉所有噪声和背景。

1.2 噪声去除

在二值化后的图像里,运动目标和噪声点的像素点分布有很大的区别,运动目标区域表现为由若干具有一定亮度且分布密集连续的像素点组成的较大形状空间的集合,而噪声点则表现为相对孤立且比较稀疏离散的像素点的较小形状的集合。但是由于图像上各像素的灰度值分布不是相互独立的,各像素之间有一定的概率依赖关系,从而目标像素点就组成了一定形状的集合,称其为目标基元。本文采用4×4大小的正方形,一个目标基元可以看作是一个马尔可夫随机场,这样,可以利用马尔可夫随机场的性质去除噪声。设在4×4点矩阵内,白色点个数为i,根据马尔可夫性作如下假设:当目标基元中大多数像素点表现为白色时,认为目标基元中所有像素都显示白色;相反,认为目标基元中所有像素都显示黑色。这样不仅可以将离散噪声去掉,同时可以比较完整地保留目标的轮廓信息。

1.3 三帧时间差分法

传统的帧差法尽管具有很强的自适应性,但对“进行差分的帧”的选择时机要求较高,而且有赖于运动目标的运动速度。如果目标运动速度较快,且选取的时间间隔过大,会造成两帧之间无覆盖区,导致运动目标无法分割;如果目标运动速度过慢,且选取的时间过小,则会造成过度覆盖,使目标检测出现空洞(最坏时目标几乎完全重叠),同样检测不到目标。

三帧时间差分法[5]是建立在连续帧差法基础上的,即分别对连续3帧图像中前帧与中间帧、中间帧与后帧进行两帧时间差分运算,本文实验中所用的车辆图像是通过数码摄像机采集的,原始图像为彩色图像。其中,颜色模型为RGB模型,当采用0.3份红色、0.59份绿色、0.11份蓝色混合后可以得到比较符合人类视觉的灰度值,即:

灰度值=x1R+x2G+x3B 。 (5)

其中:R、G、B为图像的R、G、B值;x1、x2、x3分别为红色、绿色、蓝色的份额。根据式(5)可以计算出当前像素对应的灰度值,将其作为图像中彩色像素对应的灰度值。在运动车辆的动态图像序列中,假设第k-1、k、k+1帧的灰度图像分别为Fk-1(x,y)、Fk(x,y)、Fk+1(x,y),首先计算相邻两帧图像的绝对值灰度差Dk(x,y)、Dk+1(x,y),然后对绝对值灰度图像Dk(x,y)、Dk+1(x,y)进行逻辑“与”运算,得到当前的灰度图像R′k(x,y):

R′k(x,y)=Dk(x,y) & Dk+1(x,y) 。 (6)

再对当前的灰度图像R′k(x,y)使用图像分割算法进行二值化,即认为当差分图像中某一像素的差大于设定的阈值时,则认为该像素是前景像素(检测到的目标区域),反之认为是背景像素:

undefined

。 (7)

其中:T1是二值化设定的阈值。

由上分析可知,通过定义连续3帧序列图像可有效解决运动对象前、后帧的遮挡问题。但对检测出的物体在两帧中的位置信息不够准确,容易把当前帧显露出来(前帧中被目标覆盖)的背景区域(即显露背景)也检测出来,从而造成检测的不准确性,以及当目标部分区域与背景有相同或相似的灰度值时导致运动目标的部分区域无法检测。故采用三帧差分法仍然不能得到运动目标的完整轮廓。

1.4 改进算法

为克服复杂背景条件下帧序列中目标与背景间存在的低对比度以及帧间目标重叠所导致运动体某些部分无法分割的问题,依据上述三帧差分法提取运动目标的基本思想,对上述算法做了如下改进,以期获得完整的运动目标区域。图1为改进的基于图像融合的五帧时间差分算法流程。

在f1帧～f5帧中取中间帧f3,对f1和f3、f3和f5、f2和f3、f3和f4分别 计算中间帧f3中的运动对象边缘w1、w2、w3、w4,对得到的结果进行或操作,这样就将5帧中相对于中间帧的运动信息都集中在中间帧f3,获得了比较完整的运动目标信息。但是,由于采用了多帧序列融合的方法,噪声也会因此而增加。为了减少噪声的干扰,本文以多帧序列融合后得到的变化区域作为参考区域,取该区域中各行的平均灰度加上一定的容限作为该行的检测门限,再对中间帧图像f3的相应区域进行第二次扫描检测,将二次扫描后的变化信息与w4相融合,由此提取出完整的运动目 标。

图2为视频序列运动目标检测图。由图2可见,相对于三帧差分法,改进算法可以获得更加完整的运动目标轮廓。

2 运动物体的跟踪

2.1 运动物体的跟踪

本文采用区域跟踪的方法实现对车辆的跟踪,并在区域跟踪算法中选用了2个参数实现匹配。该方法能够在物体重叠和遮挡的情况下准确地定位出运动物体在图像中的位置,很好地实现了物体的跟踪。

设标号为m的车辆的大小用车辆面积Sm来描述,每一辆车都对应一个外截矩形框,用Box描述,则Box可用一条对角线的两端点S、T的坐标来表示:

Box=(S,T) 。

其中:S=(s1,s2);T=(t1,t2);sm≤tm,m=1,2。

相邻两帧中标号为m的车辆与标号为l的车辆面积差ΔSml为:

ΔSml=|Sm(k)-Sl(k+1)| 。

相邻两帧中标号为m的车辆与标号为l的车辆质心间的距离为:

undefined。

其中:Xi、Xj为像素点的横坐标;Yi、Yj为像素点的纵坐标。

2.2 跟踪步骤

(1)将首帧图像中的车辆检测出来,并计算出被跟踪车辆在首帧图像中面积的大小、质心的位置等数据。

(2)在下一帧中检测出被跟踪车辆,计算面积以及质心的位置。

(3)计算首帧中车辆与下一帧中车辆的质心间距离D和面积差。

(4) 更新被跟踪车辆的面积和质心位置的数据。转到第(2)步继续实现对后续帧的跟踪。

运用上述的跟踪算法既能够实现对某一车辆的跟踪,也能够实现对多辆车的同时跟踪,跟踪实验结果见图3。

3 结束语

本文提出了一种对运动目标进行检测与跟踪的方法,在目标检测方面,首先对二维图像进行预处理,然后通过设定阈值滤除序列图像中的噪声。为了获得完整的运动目标区域,对三帧算法进行了改进,在车辆跟踪方面,运用质心间的距离与物体尺寸之差2个参数对检测出的问题进行跟踪,不但区分出了运动物体和静止物体,同时避免了以前直接检测算法中出现的误检和空洞问题。实验结果表明,此方法能够准确识别目标,显著地提高识别跟踪效率。

参考文献

[1]Meyer D,Denzle J,Niemann H.Model based extractionof articulated objects in image sequences for gait analysis[G]//Proc IEEE International Conference on ImageProcessing.Santa Barbara,2007:78-81.

[2]Hartaohu I,Harwood D,Davis L.W4:Real-timesurveillance of people and their activities[J].IEEETrans Pattern Analysis and Machine Intelligence,2000,22(8):809-830.

[3]Lipton A,Fujiyoshi H,Patil R.Moving targetclassification and tracking from real-time video[G]//Proc IEEE Workshop on Application of ComputerVision.Princeton,1998:8-14.

[4]Dubmission M P,Jain A K.Contour extraction of movingobjects in complex outdoor scenes[J].Int J ComputVision,2005,14(1):83-105.