動(dòng)態(tài)視頻目標(biāo)檢測技術(shù)
傳統(tǒng)電視監(jiān)控技術(shù)只能達(dá)到“千里眼”的作用，把遠(yuǎn)程的目標(biāo)圖像（原始數(shù)據(jù)）傳送到監(jiān)控中心，由監(jiān)控人員根據(jù)目視到的視頻圖像對(duì)現(xiàn)場情況做出判斷。智能化視頻監(jiān)控的目的是將視頻原始數(shù)據(jù)轉(zhuǎn)化為足夠量的可供監(jiān)控人員決策的“有用信息”，讓監(jiān)控人員及時(shí)全面地了解所發(fā)生的事件：“什么地方”，“什么時(shí)間”，“什么人”，“在做什么”。將“原始數(shù)據(jù)”轉(zhuǎn)化為“有用信息”的技術(shù)中，目標(biāo)檢測與跟蹤技術(shù)的目的是要解決“什么地方”和“什么時(shí)間”的問題。 目標(biāo)識(shí)別主要解決“什么人”或“什么東西”的問題。行為模式分析主要解決“在做什么”的問題。

動(dòng)態(tài)視頻目標(biāo)檢測技術(shù)是智能化視頻分析的基礎(chǔ)。本文將目前幾種常用的動(dòng)態(tài)視頻目標(biāo)檢測方法簡介如下：

背景減除
背景減除（Background Subtraction）方法是目前運(yùn)動(dòng)檢測中最常用的一種方法，它是利用當(dāng)前圖像與背景圖像的差分來檢測出運(yùn)動(dòng)目標(biāo)的一種技術(shù)。它一般能夠提供相對(duì)來說比較全面的運(yùn)動(dòng)目標(biāo)的特征數(shù)據(jù)，但對(duì)于動(dòng)態(tài)場景的變化，如光線照射情況和外來無關(guān)事件的干擾等也特別敏感。

實(shí)際上，背景的建模是背景減除方法的技術(shù)關(guān)鍵。最簡單的背景模型是時(shí)間平均圖像，即利用同一場景在一個(gè)時(shí)段的平均圖像作為該場景的背景模型。由于該模型是固定的，一旦建立之后，對(duì)于該場景圖像所發(fā)生的任何變化都比較敏感，比如陽光照射方向，影子，樹葉隨風(fēng)搖動(dòng)等。大部分的研究人員目前都致力于開發(fā)更加實(shí)用的背景模型，以期減少動(dòng)態(tài)場景變化對(duì)于運(yùn)動(dòng)目標(biāo)檢測效果的影響。

時(shí)間差分
時(shí)間差分（Temporal Difference 又稱相鄰幀差）方法充分利用了視頻圖像的特征，從連續(xù)得到的視頻流中提取所需要的動(dòng)態(tài)目標(biāo)信息。在一般情況下采集的視頻圖像，若仔細(xì)對(duì)比相鄰兩幀，可以發(fā)現(xiàn)其中大部分的背景像素均保持不變。只有在有前景移動(dòng)目標(biāo)的部分相鄰幀的像素差異比較大。時(shí)間差分方法就是利用相鄰幀圖像的相減來提取出前景移動(dòng)目標(biāo)的信息的。

讓我們來考慮安裝固定攝像頭所獲取的視頻。我們介紹利用連續(xù)的圖像序列中兩個(gè)或三個(gè)相鄰幀之間的時(shí)間差分，并且用閾值來提取出視頻圖像中的運(yùn)動(dòng)目標(biāo)的方法。我們采用三幀差分的方法，即當(dāng)某一個(gè)像素在連續(xù)三幀視頻圖像上均有相當(dāng)程度的變化(及大于設(shè)定的閾值時(shí))，我們便確定該像素屬于運(yùn)動(dòng)目標(biāo)。時(shí)間差分運(yùn)動(dòng)檢測方法對(duì)于動(dòng)態(tài)環(huán)境具有較強(qiáng)的自適應(yīng)性，但一般不能完全提取出所有相關(guān)的特征像素點(diǎn)，在運(yùn)動(dòng)實(shí)體內(nèi)部容易產(chǎn)生空洞現(xiàn)象，只能夠檢測到目標(biāo)的邊緣。 而且，當(dāng)運(yùn)動(dòng)目標(biāo)停止運(yùn)動(dòng)時(shí)，一般時(shí)間差分方法便失效。

光流
基于光流方法（Optical Flow）的運(yùn)動(dòng)檢測采用了運(yùn)動(dòng)目標(biāo)隨時(shí)間變化的光流特性，如Meyer 等作者通過計(jì)算位移向量光流場來初始化基于輪廓的跟蹤算法，從而有效地提取和跟蹤運(yùn)動(dòng)目標(biāo)。該方法的優(yōu)點(diǎn)是在所攝場所運(yùn)動(dòng)存在的前提下也能檢測出獨(dú)立的運(yùn)動(dòng)目標(biāo)。然而，大多數(shù)的光流計(jì)算方法相當(dāng)復(fù)雜，且抗噪性能差，如果沒有特別的硬件裝置則不能被應(yīng)用于全幀視頻流的實(shí)時(shí)處理。

當(dāng)然，在運(yùn)動(dòng)檢測中還有一些其它的方法，如運(yùn)動(dòng)向量檢測法，它適合于多維變化的環(huán)境，能消除背景中的振動(dòng)像素，使某一方向的運(yùn)動(dòng)對(duì)象更加突出的顯示出來。但是，運(yùn)動(dòng)向量檢測法也不能精確地分割出對(duì)象。[nextpage]

動(dòng)態(tài)視頻目標(biāo)跟蹤技術(shù)
在傳統(tǒng)監(jiān)控系統(tǒng)中，目標(biāo)跟蹤是由監(jiān)控人員手工操作來完成。由于所有的目標(biāo)的運(yùn)動(dòng)特性是非線性的，其速度和方向都在隨時(shí)發(fā)生改變。即使目標(biāo)的速度、方向不變，但它與攝像機(jī)的距離也在變化，從而引入很強(qiáng)的非線性因素，因而用人工操作的方法來實(shí)現(xiàn)控制非常困難。

智能化視頻監(jiān)控技術(shù)提供有效的目標(biāo)自動(dòng)跟蹤的工具，在用計(jì)算機(jī)自動(dòng)處理視頻流的過程中，如發(fā)現(xiàn)和跟蹤感興趣的目標(biāo)，就提示監(jiān)控人員加以關(guān)注，并可以控制靈巧快球攝像機(jī)，對(duì)移動(dòng)目標(biāo)實(shí)現(xiàn)自動(dòng)跟蹤。下面我們簡述典型的目標(biāo)跟蹤算法的幾個(gè)步驟。

目標(biāo)運(yùn)動(dòng)軌跡假設(shè)：軌跡的交合與分離
在目標(biāo)軌跡跟蹤問題中，一般有五種基本情況：
1、有一個(gè)運(yùn)動(dòng)檢測區(qū)域存在，但與任何已知目標(biāo)都不匹配。在這種情況下，我們需為其創(chuàng)立一個(gè)新的目標(biāo)模型，但它的可信度值比較低。

2、有一個(gè)已知目標(biāo)與任何一個(gè)運(yùn)動(dòng)檢測區(qū)域都不匹配。在這種情況發(fā)生的可能性包括：在該目標(biāo)已移出圖像視場，該目標(biāo)被其他目標(biāo)遮擋，或該目標(biāo)未被檢測出來。在這種情況下，該目標(biāo)的可信度值也比較低。

3、有一個(gè)已知目標(biāo)與一個(gè)運(yùn)動(dòng)檢測區(qū)域完全匹配，這是目標(biāo)軌跡跟蹤問題中的一種最好情況。將該目標(biāo)的運(yùn)動(dòng)軌跡模型更新，并增加其可信度。

4、有一個(gè)已知目標(biāo)與多個(gè)運(yùn)動(dòng)檢測區(qū)域都匹配。發(fā)生這種情況的可能性包括：一個(gè)目標(biāo)分裂成為多個(gè)獨(dú)立目標(biāo)（例如一輛車?yán)锍鰜矶鄠€(gè)人，或一個(gè)多人組合各奔東西），或者目標(biāo)檢測中的聚類算法未能將同一個(gè)目標(biāo)的像素正確地聚為一個(gè)目標(biāo)。在這種情況下，我們可以根據(jù)相關(guān)函數(shù)的值來選擇一個(gè)最好的區(qū)域作為目標(biāo)的新位置。

5、多個(gè)目標(biāo)與一個(gè)運(yùn)動(dòng)檢測區(qū)域匹配。發(fā)生這種情況的可能性包括：兩個(gè)目標(biāo)互相遮擋，兩個(gè)目標(biāo)交合（例如多個(gè)人上了一輛車，或多個(gè)人組合成為一個(gè)組），或者是由于聚類算法的失誤而分類的同一目標(biāo)的兩部分重新歸為一個(gè)。 在這種情況下，需要對(duì)該目標(biāo)的以前的軌跡做一分析。比如這兩個(gè)目標(biāo)以前一段時(shí)間內(nèi)的軌跡重合或很相似，則可以將他們合為一個(gè)目標(biāo)。否則，需要將他們按兩個(gè)獨(dú)立目標(biāo)分別對(duì)待。

更新目標(biāo)軌跡模型
根據(jù)目標(biāo)匹配的情況對(duì)目標(biāo)模型的參數(shù)進(jìn)行更新。更新后的目標(biāo)位置由相關(guān)函數(shù)計(jì)算到亞像素精度。更新后的速度經(jīng)一個(gè)IIR濾波器得出。

消除誤報(bào)
任何一個(gè)高性能和高可靠性的目標(biāo)跟蹤系統(tǒng)都需要處理誤報(bào)問題。視頻圖像中存在的噪聲，隨風(fēng)飄動(dòng)的樹葉等等，都會(huì)引起目標(biāo)檢測與跟蹤系統(tǒng)的誤操作。一個(gè)較為可行的消除誤報(bào)的方法是檢查其持續(xù)性，因?yàn)橐粋€(gè)持續(xù)出現(xiàn)的檢測信號(hào)要比偶爾出現(xiàn)一次的信號(hào)更有可能成為有效的目標(biāo)；另外一個(gè)可以用來消除誤報(bào)的方法是檢查目標(biāo)的目的性，來回晃動(dòng)的樹葉并不具備目的性，而運(yùn)動(dòng)的人或車輛會(huì)向一些特定的目標(biāo)移動(dòng)。

以上介紹的主要是單路視頻圖像的目標(biāo)跟蹤問題。在實(shí)際監(jiān)控系統(tǒng)中，往往同一個(gè)人或目標(biāo)出現(xiàn)在多個(gè)攝像機(jī)的視場里。如何將與此目標(biāo)相關(guān)的各個(gè)攝像頭采集的視頻圖像關(guān)聯(lián)起來，根據(jù)物體的運(yùn)動(dòng)情況，形成其運(yùn)動(dòng)軌跡，并自動(dòng)發(fā)送PTZ 控制指令，使攝像機(jī)能夠自動(dòng)跟蹤物體，尤其在物體超出該攝像機(jī)監(jiān)控范圍之后，自動(dòng)通知物體所在區(qū)域的攝像機(jī)繼續(xù)進(jìn)行追蹤。這才能使目標(biāo)真正獲得了跟蹤。

結(jié)語
上面簡要地介紹了動(dòng)態(tài)視頻目標(biāo)檢測和跟蹤技術(shù)的基本問題，作為拋磚引玉。其目的是引起安防技術(shù)人員的關(guān)注和研究，若有商榷之處，歡迎共同商討指正。