摄像机上实现动态目标实时跟踪的方法
【技术领域】
[0001] 本发明涉及计算机技术领域，尤其涉及目标检测及跟踪，具体是指一种摄像机上 实现动态目标实时跟踪的方法。
【背景技术】
[0002] 当前可行的人物检测技术主要分两类：基于外形检测的方法和基于运动检测的方 法。
[0003] -、基于外形检测的方法
[0004] 是指通过分析待检测图像的边缘和纹理特征来检测。主要分为三类：
[0005] 1)基于人体建模的方法
[0006] 主要是指根据人体结构的特点，构造一些人物的参数模型，包括2D和3D的。在检 测时提取待检测图像的原始特征来求解模型。该类方法的有点是可以处理遮挡问题，重建 人物姿态，不足之处在于人体建模比较困难，求解也相当复杂。
[0007] 2)基于模版匹配的方法
[0008] 主要是通过制作一些人物的轮廓模版，然后再检测时提取待检测图像的轮廓与模 版库中的模版比较得到检测结果。该方法的优点是计算上简单，不足之处在于一个较完备 模版库的建立比较困难。
[0009] 3)基于统计学习的检测方法
[0010] 主要是从大量训练样本中通过机器学习寻找其内置的模式，从而得到相应的分类 器。基于分类的优点是算法鲁棒性强，对于不同光线和场景的人物均具有较好检测能力。不 足之处在于训练样本库的建立以及针对人物检测这一特定问题需要对机器学习算法作特 殊定制。一般来说，机器学习分两步：第一是特征提取，第二是设计分类器的训练。特征提取 是为了得到图像最关键的特征，设计分类器训练是为了提高分类器的泛化能力，也就是提 高我们检测算法的鲁棒性。机器学习方法主要有三种：人工神经网络、SVM以及AdaBoost。
[0011] 人工神经网络的思想是通过学习的方法将模式的特征隐含在一系列的网络参数 中，可以描述极为复杂的模式。
[0012] SVM方法是一种统计学习方法，它遵循结构风险最小化原则，具有良好的泛化性， 是一种具有广泛应用前景的小样本机器学习方法。
[0013] AdaBoost是一种分类器组合的策略，它的目的是将一些弱分类器组合成一个强分 类器。AdaBoost得到的分类器具有较好的推广性能。
[0014] 然而很多实验结果表明在复杂背景纹理中的检测结果还不是特别理想。
[0015] 二、基于运动检测的方法
[0016] 运动检测多是基于底层视频信息的检测。是指从图像序列中将前景变化区域从背 景图像中提取出来。从方法上看大概有如下几类：
[0017] 1)相邻帧差法
[0018] 相邻帧差法是通过递归方程式从日常规则中得到训练规则，并利用训练规则来实 现目标检测的算法。检测过程中，该类方法主要利用时间信息，通过比较图像序列中连续 2、3帧中所有对应位置像素点，并根据规则计算对应像素点的差值，如果差值大于一定的阈 值，就认为该点对应位置有运动目标存在并提取该运动目标。它采用单台摄像机，对动态环 境有较强自适应性，但一般来说使用该方法不能完全提取相关的特征像素点，得到的背景 并非纯背景图像，所以检测得到的运动目标结果并不十分精确。
[0019] 2)光流法
[0020] 光流是图像亮度的运动信息描述，基于图像中相邻点的亮度是相似的这一个前 提，即图像中亮度变化平稳，在该前提下光流法将3维空间的图像表面亮度点的速率信息 映射为近似的2维运动场来计算。在目标检测过程中，应用运动目标随时间变化的流矢量 特性在图像序列中检测运动区域。由于采用了光流场信息，可以得到完整的运动信息，能很 好的从背景中检测得到不同的运动目标等前景，甚至可以检测到运动目标的一部分。因此 可以采用单一摄像机运动过程中独立运动目标的检测，不过算法要对所有帧中的所有像素 进行计算，所有计算量大，算法复杂耗时，如果没有专门的硬件设备支持，很难实现视频实 时检测。
[0021] 3)背景减法
[0022] 相对于其他方法而言简单易于实现，利用当前图像与背景图像的差来检测运动区 域。一般能够提供最完全的特征数据，适用于背景已知的情况。其关键所在是如何自动获 得场景的静态背景模型。目前最简单的背景模型是时间平均图像。然而在场景中，背景往 往是不固定的，会随着光线、运动以及背景物体的移入/移出等变化而动态变化，背景模型 必须及时适应这些变化。
【发明内容】
[0023] 本发明的目的是克服了上述现有技术的缺点，提供了一种采用运动检测方法辅助 SVM方法检测、运动检测结果来参与最后决策、克服SVM方法检测时动态背景适应能力的问 题的摄像机上实现动态目标实时跟踪的方法。
[0024] 为了实现上述目的，本发明的摄像机上实现动态目标实时跟踪的方法具有如下构 成：
[0025] 该摄像机上实现动态目标实时跟踪的方法，其主要特点是，所述的方法包括以下 步骤：
[0026] (1)摄像机采集所述的动态目标的图像；
[0027] (2)控制模炔基于SVM方法特征检测以及基于相邻帧差法运动检测对所述的动态 目标的图像进行分析；
[0028] (3)所述的摄像机根据所述的控制模块的分析结果调整所述的摄像机的方向及位 置，以实现对所述的动态目标的跟踪。
[0029] 进一步地，所述的摄像机采集所述的动态目标的图像，具体包括以下步骤：
[0030] (1. 1)所述的摄像机采集所述的动态目标的视频图像；
[0031] (1. 2)所述的摄像机分析获取所述的视频图像中的静态图像；
[0032] (1. 3)所述的摄像机对所述的静态图像进行缩放和编码，以形成格式统一的图 像；
[0033] (I. 4)所述的摄像机抽取所述的格式统一的图像的Y分量以生成灰度图像并输出 该灰度图像。
[0034] 进一步地，所述的控制模炔基于SVM方法特征检测以及基于相邻帧差法运动检测 对所述的动态目标的图像进行分析，具体为：
[0035] 所述的控制模炔基于SVM方法特征检测对所述的动态目标的图像进行分析并基 于相邻帧差法运动检测对所述的动态目标的图像进行分析，并根据SVM方法特征检测获得 的分析结果以及相邻帧差法运动检测获得的分析结果得到所述的动态目标的目标位置。
[0036] 更进一步地，所述的控制模炔基于SVM方法特征检测对所述的动态目标的图像进 行分析，具体包括以下步骤：
[0037] (2. I. a)所述的控制模炔基于sobel算子以及所述的动态目标的图像构造 sobel 边缘图像；
[0038] (2. I. b)所述的控制模块根据所述的sobel边缘图像构造 centrist特征图像；
[0039] (2. I. c)所述的控制模块对所述的centrist特征图形进行直方图统计；
[0040] (2. I. d)所述的控制模块根据所述的直方图统计获取SVM方法特征检测的分析结 果。
[0041] 更进一步地，所述的基于相邻帧差法运动检测对所述的动态目标的图像进行分 析，具体包括以下步骤：
[0042] (2. 2. a)所述的控制模块对相连续的两帧图像作差，以获得差值图像；
[0043] (2. 2. b)所述的控制模块对所述的差值图像的每个像素进行阈值判断以获取二值 图像；
[0044] (2. 2. c)所述的控制模块对所述的二值图像的像素进行判断以获得一组运动区 域；
[0045] (2. 2. d)所述的控制模块根据该运动区域获得基于相邻帧差法运动检测的分析结 果。
[0046] 进一步地，所述的摄像机根据所述的控制模块的分析结果调整所述的摄像机的方 向及位置，具体包括以下步骤：
[0047] (3. 1)所述的摄像机获取摄像机预置位；
[0048] (3. 2)所述的摄像机获取当前位置；
[0049] (3. 3)所述的摄像机根据所述的控制模块的分析结果获取目标位置；
[0050] (3. 4)所述的摄像机根据当前