邢定宇+侯宝临+秦明伟

摘要：对传统的运动目标跟踪算法而言，目标检测时由于环境因素的影响，难以准确检测到目标区域。因此常采用手动选取运动目标的方法，但此方法由于智能化程度不高，且具有较强的主观性和经验性，所得数据缺乏足够的说服力。针对于此，提出在多帧差分法的基础上，采用连通区域搜索筛选出合适的运动目标并标定目标区域，确定运动目标后进行跟踪；在目标跟踪阶段，实时更新标定区域内的融合特征向量，以提高后续跟踪算法的准确性和鲁棒性。实验表明：该方法切实可行，在目标检测阶段，改进后的算法在增加少量计算量的前提下，筛选并标定出目标区域；在目标跟踪阶段，将计算区域缩小在标定跟踪范围内，提高了算法效率，且保证算法了的稳定性和鲁棒性。

关键词：目标检测；多帧差分；连通域检测；目标跟踪

中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2018）01-0209-03

Abstract： For traditional moving target tracking algorithm， it is difficult to detect the target region accurately because of the influence of environmental. Therefore， the method of manually selecting tracking targets is often adopted. But the method is not sufficiently intelligent and has strong subjectivity and experience. So the data is not sufficiently convincing. To solve this problem， Based on the multi frame difference method， the connected region search is used to select and calibrate the appropriate moving region. In the target tracking phase， the fusion feature vector in the calibration area is updated in real time to improve the accuracy and robustness of the follow-up tracking algorithm. Experimental results show that the method is feasible. In the target detection phase， the improved algorithm can select and calibrate the target area under the premise of adding a small amount of computation. In the target tracking phase， the computation area is reduced in the calibration tracking range， which improves the efficiency of the algorithm and ensures the stability and robustness of the algorithm.

Key words： Target detection； Multi frame difference； Connected domain detection； Target tracking

1 概述

基于圖像序列的运动目标检测跟踪是图像处理和计算机视觉领域的重要分支之一。即根据图像序列在时间空间上的连续性与相关性，检测到运动目标后，确定其在每帧图像中的具体位置，并标记出来，为后续决策算法或者行为预测提供理论依据[1]。

近年来目标跟踪相关研究日趋成熟，大体形成了目标检测、特征提取、目标识别的理论体系。目标检测按特征的判别性可分为纹理目标检测和无纹理目标检测，对纹理物体进行识别和检测的有SIFT、SURF等；对无纹理物体进行检测的有基于模板匹配的检测算法以及其他拓展算法等。跟踪算法可分为基于轮廓的跟踪，基于特征点的跟踪，基于相关滤波（Correlation Filter， CF）的跟踪[2]等。

由于传统跟踪算法常采用手动圈定运动目标的方式，导致所得跟踪特征具有较强主观性和经验性。本文基于简单易实现的帧间差分法，用多帧差分进行预处理，通过连通区域搜索，筛选出目标运动区域。跟踪阶段在每帧图片跟踪目标标定后，增加特征的计算模块，使得目标选取更为客观，提高跟踪算法准确性。

2 目标区域筛选

2.1 多帧差分

多帧差分是在传统帧差法的基础上提出的。传统帧差法虽然便于实现，复杂度低，但易出现重叠、空洞的现象，所得目标轮廓往往不连续。且对于光变、背景干扰等场景，难以提取完整的目标信息。多帧差分，即对多帧连续的图像做处理，最终确定运动目标的大致轮廓[3]，基本流程如图1所示。

以五帧为例，将中间帧Pk分别与Pk-2，Pk-1，Pk+1，Pk+2做差分运算，为避免所得结果显示重叠和空洞，先作“与”运算得到PY1、PY2，所得结果再做“或”运算得到PH，在实际测试中，虽然能够得到运动目标的大致区域，但由于光照变化、背景扰动等因素的影响，目标周围存在许多不相关的噪声。因此需要进一步处理排除噪声干扰，以缩小目标的实际区域，为跟踪算法做准备。

2.2 连通区域搜索

连通区域搜索可将图像中连通的部分找出来，作出各连通区域最小外接矩形框，通过矩形框的位置关系判断各个连通域间的关系：若矩形框存在重合部分，则认为其同属于一个运动目标[4]。并通过实际场景中运动物体的大小，淘汰掉光照变化、环境噪声和背景移动等造成的无效连通域。作出每个连通域的外接矩形框，在排除环境噪音和背景移动的前提下，最大限度确定运动目标区域，为后续目标跟踪提供有用信息。endprint

3 运动目标跟踪

传统Camshift算法采用H分量作为特征向量，对图像的旋转、缩放等物理变换不敏感，在背景信息不复杂情况下可以满足多数目标跟踪[5]。但颜色直方图是对于整幅图片色彩分类的统计结果，不包括运动物体的位置信息，初始帧颜色直方图一经确定便不作更改，因此遇到背景或其他物体颜色相同、相似的情况很容易受到干扰。

纹理特征作为一种重要的图像特征，具有较强的光抗性，能够有效弥补单一使用颜色特征带来的影响，对纹理特征的定义如下[6]：

按八邻域做出灰度图像中心点上下左右四个方向的差值Qi，纹理图像中心点定义为：

根据上式可得到整幅图片的纹理信息，与颜色特征融合，可得到颜色-纹理特征的反向投影图，以此建立目标模型，并在每帧跟踪结束后计算标定范围内新的融合特征反向投影图[7]。由于该操作会增加额外计算量，增加算法时耗，做出实际算法耗时情况对比图，如图2所示。

由图2可以看出，由于算法计算量的增加，每帧图片的算法耗时均有所增加，但由于只计算跟踪算法标记范围内的特征，因此时耗增加并不多，平均每幀多耗时4ms。

4 实验结果及分析

4.1 算法测试

为验证改进后的算法性能，采用VGA分辨率（640*480），帧率30FPS的视频作为测试视频，在Window7环境下采用Visual studio 2012应用软件和OpenCV 3.0处理库完成跟踪实验；利用MATLAB R2014a完成实验数据的统计整理等工作。用传统手动选取目标区域并跟踪的算法和本文提出的自动目标检测、跟踪算法进行对比实验，如图3所示。

主要测试算法在自然光照下目标发生形变的适应能力及抗遮挡能力。如图3所示，传统算法在遮挡前后，标记范围忽大忽小，极易丢失跟踪目标；本文算法在检测阶段选取的范围包含了运动目标的大部分信息，且跟踪过程中始终能够准确标定运动物体的实际位置。即便在短暂遮挡后标记范围出现变化，仍能够准确圈定目标，保证跟踪的稳定性。

4.2 测试数据分析

图4为实验一环境下，目标实际位置中心点与本文算法标记位置中心点对比图。实际位置中心点为手动测量：取测试视频其中200帧，从第20帧起，每隔5帧测量运动目标的最小外接矩形框，求出中心坐标。

将所测实际值按最小二乘法作曲线拟合，与算法标记位置值做平均中心误差（Average Central Error， ACE），定义为算法标记中心位置与实际中心位置欧式距离的均值，如式（2）（3）所示：

Z表示平均中心误差；A表示实际中心位置，T表示算法标记中心位置；下标x和y分别表示x方向和y方向；n表示测试的视频帧数，由公式得出Zx为3.55pixel，Zy为6.215pixel。

图5为相对速度的变化示意图。其中实际值为手动测量中心点作最小二乘曲线拟合后逐帧差分后数据作得的图像。可以看到实际值中有两个峰值，分析原因，可能是由于障碍物遮挡时，测量到的最小外接矩形框只是运动目标的局部位置导致。由图中可以看出，在绝大多数跟踪过程中，本文算法的测试值与实际拟合值在相对速度的误差其实很小，相对速度在x方向最大误差为22pixel，平均误差为1.25pixel，y方向最大误差为27pixel，平均误差为2.49pixel。

由实验结果可得：本文算法在目标跟踪的准确性和稳定性方面都比传统算法性能更为优秀，但耗时略高于传统算法。

5 总结

对于目标跟踪而言，传统做法往往是将目标检测与跟踪分开进行，采用手动选取目标，虽然对于跟踪算法来说提高了运行效率，但在智能化方面却略显不足。本文采用多帧差分和连通区域搜索筛选的方法，准确检测运动目标区域，并对跟踪算法加以改进。实验证明在物体光照、尺寸大小等发生改变，甚至出现短暂遮挡的情况下，均能稳定完成动目标跟踪。但由于增加了检测算法以及对每帧图片进行特征更新，计算量稍有增加，在运行效率方面仍有待改进。

参考文献：

[1] 王倩. 图像运动目标检测与跟踪算法研究及应用[D].成都：电子科技大学2015.

[2] Henriques J F， Caseiro R， Martins P. High-speed tracking with kernelized correlation filters[J].IEEE Trans on Pattern Analysis and Machine Intelligence，2015，37（3）：583-596.

[3] 郭春凤. 基于五帧差分法的动态目标检测新算法[J].重庆科技学院学报：自然科学版，2015（5）：87-89.

[4] 施隆照，王凯. 基于连通区域的复杂车牌的字符分割算法[J].计算机工程与设计，2016（8）：2138-2142.

[5] 张颖颖，王红娟，黄义定. 基于MeanShift和粒子滤波的行人目标跟踪方法[J].计算机与现代化，2012（3）：40-43.

[6] 黄清泉，陈亮，庞亮，等. 基于背景加权的联合颜色纹理直方图跟踪算法[J].微型机与应用，2016（01）：56-59.

[7] 刘苗，黄朝兵. 基于多特征自适应融合的MeanShift目标跟踪方法[J].现代计算机：专业版，2016（11）：68-72.endprint