4
[2]
不仅能够定位人和分割出人的身体部分，
而且通过建立外观模型来实现多人的跟踪， 并可以检测人是否携带物体等简单行为；Lipton 等 [3 ] 提出一种帧间差分与模板匹配相结合的方法从实时的视频流中提取运动目标，根据目标形状信息 对目标进行分类与跟踪。 由于摄像头和目标都有运动， 常用的利用高斯或混合高斯的背景相减及帧间差分 （如三帧差） 都无法从运动的背景中提取出运动目标，而光流法及匹配的方法又无法满足跟踪实时性的要求。
1 Di ( x, y ) = 0 I i ( x, y ) − I i −1 ( x, y ) > λ ； I i ( x, y ) − I i −1 ( x, y ) ≤ λ
（5）根据差分图像更新背景 Di ( x, y ) = 1 B ( x, y ) Bi ( x, y ) = i −1 ； Di ( x, y ) = 0 I i −1 ( x, y ) （6）帧号 i = i + 1 ，转入第三步循环。 通过 Surendra 方法得到当前帧的背景图像后，采用背景差法可得到目标图像的二值 图：
图 1 人体运动自动跟踪系统模块图
图 2 运动目标自动跟踪控制硬件平台
图 3 检测目标的图像处理模块算法流程图
３
快速的目标匹配方法 图像目标匹配就是对两幅或多幅图像进行比较从中找到该组图像中共有的景物， 或根据
பைடு நூலகம்
已知模式到另一幅图像中寻找相应的模式。基于图像像素灰度值匹配的经典算法有： 1. ABS(Absolute Balance Search)算法。 这种完全搜索模板匹配可以搜索到全局最优 匹配，但运算量大。因为模板要在(M-P+1)×(N-Q+1)个参考位置上进行匹配，其中 M ×N 为图像的大小，P×Q 为模板图像的大小。算法不能避免在非匹配点上作无用功，运算速度 慢，不能满足实时检测要求。 2. 基 于 归 一 化 互 相 关 匹 配 算 法 。 该 方 法 是 一 种 统 计 的 匹 配 方 法 (Normallized Correlation) [ 4 ][ 5] ,这种算法通过计算模板图像和待匹配图像的互相关值来确定匹配的程度。
一种新的自动跟踪室内人体运动目标的方法
黄绿娥，李平康 北京交通大学 机械与电子控制工程学院 北京 100044
摘要：本文针对人体运动目标的自动实时跟踪，设计了一种新的运动摄像头云台控制系统，该系 统采用 P89v51 内核，小巧实用、稳定可靠、价格低廉。对于运动目标的图像检测与跟踪，本文 提出一种快速的模板匹配的方法，首先通过改进的 Surendra 跟踪算法自适应地获取背景图像以 提取匹配模板， 然后通过摄像头运动前后帧相同的运动区域来缩小匹配区域， 进行快速目标匹配， 以满足实时性要求。实验结果表明，本系统在实际应用中能达到实时跟踪室内运动人体目标的目 的。 关键词：自动跟踪平台；小区域目标匹配；人体运动跟踪
互相关值最大时的搜索窗口位置决定了模板图像在待匹配图像中的位置。 该算法具有很高的 准确性和适应性， 而且不会受图像灰度值的线性变换影响。 但是考虑到图像中的自相关值都 比较大，因而在互相关计算过程中，相似度形成以模板存在的真实位置为中心的平缓的峰， 无法检测到准确的尖峰位置。即当模板稍微偏离真实位置时，所求得的图像相关值就很大， 这将使得确定模板存在的准确位置变得很难。因此该算法的缺点是计算时间过长。 3. 图像矩匹配方法。在图像处理中，矩是一种统计特性，可以采用不同阶次的矩来计 算模板的位置、方向和尺寸变换参数。由于高阶矩对噪声和变形非常敏感，因此在实际应用 中通常选用低阶来实现图像匹配，一般采用具有平移、旋转与尺寸不变性的矩特征参数 [ 6 ] 。 矩特征是关于区域的全局特征，若物体的一部分被遮挡，则无法计算矩不变量，在这种情况 下，可以使用物体区域的其它特征来完成识别任务。 本文在基于 ABS 算法的基础上进行了改进，通过算法首先估计出运动目标可能出现的 区域，再在该小区域下进行模板匹配，能大大减少模板匹配运算量，算法简单且能满足实时 性的要求。 ４ 目标模板提取 目标模板提取的方法有光流法、相邻帧差法、背景差法、特征值提取法等。光流法运算 公式复杂，计算量大,不适用于实时性要求很高的场合。实时性要求较高的场合常用背景差 法、 相邻帧差法和特征值提取法。 背景差法在对复杂固定背景中的运动目标提取有独到的优 势，是三种方法中最直接、最简单的一种方法。而复杂运动背景下的模板提取很难采用单一 方法实现，为了更好地提取目标模板，首先采用背景差法获得目标轮廓，再通过颜色特征和 形状特征对目标进行确认，确保了目标的准确提取。 背景差法的第一步就是获取背景，背景图像的获取通常有三种方法：手动给出、统计方 法、Surendra 背景更新算法 [ 7 ] 。手动给出法需要有人的参与，不适合自动跟踪。统计方法 是对一段图像序列中的每个象素点统计， 得到一些变化不大的值视作该点的背景值。 统计方 法对背景的变化不能够有自适应的调节作用。 Surendra 背景更新算法能够自适应地获取背 景图像。 该算法的基本思想是通过帧差法找到物体的运动区域， 运动区域内的背景保持不变， 而非运动区域的背景用当前帧进行替换更新，这样就可以提取出背景图像。 Surendra 背景更新算法的实现方法为（其中 I i ( x, y ) 为图像空间中某一点的灰度值） ： （1）开始时选择第一帧图像 I 0 作为背景 B0 ； （2）设定阈值 λ 和初始化帧号 i ； （3）获取当前帧图像 I i ； （4）计算差分图像
Miny1 = min(
y1∈N
∑ [ I ( x,1) − I
i x =1 M i x =1
M
i −1
( x, y1 )]2 ( x, y 2 )]2
Miny 2 = min(
y 2 ∈N
∑ [ I ( x, N ) − I
i −1
（2）判断 Miny1 和 Miny 2 的大小，当 Miny1 比 Miny 2 小且 Miny1 < λ 时，说明当前帧的左 边界在前一副图像中间， 即当前帧相对于前一帧图像向右位移了 y1* 个单位； 相反， 当 Miny 2 比 Miny1 小且 Miny 2 < λ 时，说明当前帧的右边界在前一副图像中间，即当前帧相对于前一 帧图像向左位移了 y 2 * 个单位。 所以相对位移量为：
联系人：黄绿娥，研究生，13264254478，Email：06121787@
在跟踪方法上主要通过卡尔曼或结构卡尔曼滤波，对基于目标的位置、速度、形状、纹 理、色彩等的特征在连续的图像帧之间进行匹配；或者采用匀加速运动模型，结合卡尔曼滤 波、 区域分割匹配方案实现目标的跟踪。 本文提出了通过摄像头运动前后帧找出目标可能出 现的范围，再在该小范围内进行快速的匹配目标并定位。同时搭建了一个基于 P89v51 单片 机的硬件运动控制平台， 控制摄像头对准运动目标图像中心左右， 使运动目标始终处在运动 摄像头的视场范围。 ２ 运动摄像头自动跟踪运动人体目标的系统平台 本文首先设计了基于视觉图像的运动目标闭环监控系统平台（图 1） 。该系统通过 USB 口采集图像传输给目标检测模块的计算机，图像检测模块（图 3）将从图像序列中获知是否 存在运动目标，如果存在运动目标，则给出目标在视 频图像中的位置。然后将该位置信息发送给目标跟踪 模块，根据给定的目标位置和其它信息，建立快速跟 踪控制模式，获取目标的运动估计方向，通过步进电 机驱动系统控制摄像机的转动方向、速度与距离，始 终将目标锁定在摄像头视场范围内。
Abstract: In this paper, a new system of motion video tracking motion human body was designed and completed, and the tracking platform which based on P89v51 was simple and stable. In the complex motion background, we adopt the adapting Surendra background updating algorithm for capturing the background image and subtracting the target template, and a new fast model matching way was presented by decreasing the search matching area, lastly motion video tracking the motion human body was realized in real-time by fuzzy control method. Key words: Automatic tracking platform; A small area object matching; Motion people tracking １ 引 言 为了获得运动目标的信息，当前的研究热点是在摄像机静止的情况下检测及跟踪运动目标。 但在实际应用中，由于摄像机视场有限，如果运动目标移出摄像机视角范围，则无法监视到运动 目标。因此提出了通过摄像机的运动来追踪运动目标，但目前研究得还很少，如何由运动的摄像 机实时检测及跟踪运动目标是一项亟待解决又极具挑战性的课题。 对于运动目标的跟踪的主要研究有： 1997 年美国国防高级研究项目署(Defense Advanced Research Projects Agency)设立的以卡内基梅隆大学(Carnegie Mellon University)为首、麻 省理工学院( Massachusetts Institute of Technology)等高校参与的重大视觉监控项目 VSAM (Visual Surveillance And Monitoring) [1] ， 主要研究用于战场及普通民用场景进行监控的自动视 频理 解技术 ，其 研究开发了 “ 实时 视 频中 动目标 识别分类与跟踪系统 ” (Moving Target Classification and Tracking from Rea1 Time Video)，可以对视频中的目标实时监控及跟踪， 并识别两种目标：人和汽车；实时视觉监控系统W