运动目标的精准检测和跟踪技术

视频目标检测是智能视频监控系统中重要的步骤，目标检测即根据目标的特征将其从视频中分割出来，获取它的轮廓或位置。它是各种高级机器视觉技术应用的前提，也是目标跟踪、行为分析与识别的基础。通过目标轮廓形状或特征对目标的行为进行分析，可以实现智能识别、异常行为检测等。双摄像机协同观测系统中静止广角摄像机监控大场景区域，当目标进入场景内，需要对其进行检测并标识。选中目标后，驱动运动摄像机捕捉目标，对其进行跟踪，得到它的清晰图像。因此，运动检测是双摄像机系统中的关键步骤，一个有效的检测方法应该准确、快速，并有一定的鲁棒性。

根据目标是否运动可将目标检测方法分为静态目标检测和运动目标检测。静态目标检测是基于目标的固有特征，如颜色、纹理、哈尔特征等将目标从整幅图像中分割出来。因为静态目标检测是依据待检测目标的特征，常用目标匹配、机器学习、模式分类的方法来对目标进行检测，如AdaBoost、支持向量机（Support Vector Machine，SVM）等。模式分类的方法需要前期搜集正负样本，然后将样本送入分类模型训练建立分类器，因而分类器的效果与样本的选择息息相关，选择较好的样本才能得到精确度高的分类器。此外分类器训练耗费的时间长，一般只适用于特征十分明显的目标。由于静态目标检测实现过程复杂，计算量大，实时性和鲁棒性受到很大的挑战。虽然静态目标检测有一些缺点，但它有自己的优势，如适用范围广泛，限定条件较少，不需要额外的信息，既可用于单幅图像，也可用于图像序列中。另一种常见的目标检测方法是运动目标检测，它主要是检测场景中运动的区域，然后将其分割出来，再根据分割后区域的形状进行处理。当有物体在场景中运动时，物体会遮挡背景区域，反映在图像中为原来的背景图像出现该物体，因为物体与背景区域差别较大，则由目标运动引发的图像变化较大。根据图像的前后变化就能把物体从图像中提出来。因此运动目标检测相对静态目标检测更为简便，但该方法只能在背景固定并且运动目标和背景之间的差异较大的情况下采用。并且若场景中出现大范围光照变化、树枝摇动导致背景不稳定，或者运动目标和背景差异较小时，运动目标检测会精度下降或失效。双摄像机系统中广角摄像机相对场景静止，合适的方法是采用运动目标检测。运动目标检测主要基于图像序列的时间或空间信息。常用的运动目标检测方法主要有：基于差分的帧差法、基于背景建模的背景减法、基于运动场光流法。(www.xing528.com)

下面我们介绍常见的目标检测算法，常用于简单背景下的最基础的帧差法我们就不再介绍了，主要介绍应用于复杂背景计算量较大的混合高斯法、光流法及监督学习检测法。然后，结合多摄像机联动协同跟踪的应用背景，我们以头肩模型和DPM模型为例，着重介绍监控视频分析中最常见的行人检测算法。下面的介绍中，我们并没有直接说明这些算法在单目标和多目标场景下的应用区别，实际上，检测和跟踪，是视觉分析中两个不可拆分的环节。在后续章节跟踪技术环节中，我们将针对多目标的检测跟踪着重论述部分遮挡、目标丢失等情况下目标的再次检测和持续跟踪。