摘要：采用智能視頻分析技術(shù)的智能監(jiān)控系統(tǒng)能夠最大限度地減少人為干預(yù)，提高監(jiān)控效率，減輕人的工作負擔(dān)，并可對動態(tài)場景視頻中的目標(biāo)物體進行檢測、分離、跟蹤與有效識別。文中介紹了opencv中的運動模板檢測方法，并給出了使用該檢測方法來對運動目標(biāo)進行檢測、跟蹤與智能判斷的實驗結(jié)果。
關(guān)鍵詞：opencv；視頻監(jiān)控；目標(biāo)檢測；智能識別

O 引言
    智能視頻監(jiān)控以數(shù)字化、網(wǎng)絡(luò)化視頻監(jiān)控為基礎(chǔ)，但又有別于一般的網(wǎng)絡(luò)化視頻監(jiān)控，它是一種更高端的視頻監(jiān)控應(yīng)用。智能視頻監(jiān)控系統(tǒng)能夠識別不同的物體。發(fā)現(xiàn)監(jiān)控畫面中的異常情況，并能以最快和最佳的方式發(fā)出警報和提供有用信息，從而能夠更加有效地協(xié)助安全人員處理危機，并最大限度地降低誤報和漏報現(xiàn)象。智能視頻監(jiān)控中的運動目標(biāo)檢測與跟蹤技術(shù)則是實現(xiàn)這一環(huán)節(jié)的關(guān)鍵技術(shù)。目前比較常用的運動目標(biāo)檢測方法是幀間差分法、背景差分法和光流法。而幾種較受關(guān)注的目標(biāo)跟蹤算法則有粒子濾波、基于邊緣輪廓的跟蹤和基于模板的目標(biāo)建模等方法。
    通過計算機開源視覺庫(openCV)中的運動模板檢測能對視頻圖像中運動目標(biāo)有效地進行檢測與跟蹤，本文首先介紹了openCV算法，然后在該算法的基礎(chǔ)上，給出了實現(xiàn)智能視頻監(jiān)控中對運動目標(biāo)進行跟蹤，并根據(jù)運動目標(biāo)的質(zhì)心位置作出相應(yīng)智能判斷的具體方法。

1 0penCV簡介
    OpenCV是“Open Source Computer Vision Library”的簡寫，是Intel開源計算機視覺庫。它由一系列C函數(shù)和少量的C++類構(gòu)成，是可實現(xiàn)圖像處理和計算機視覺方面的很多通用算法。OpenCV擁有包括300多個C函數(shù)的、跨平臺的中、高層API，它不依賴與其它的外部庫。Op-enCV對非商業(yè)應(yīng)用和商業(yè)應(yīng)用都是免費的；另外，OpenCV為Intel的IPP也提供了透明接口。這意味著，如果有為特定處理器優(yōu)化的IPP庫，那么，OpenCV將在運行時自動加載這些庫，以使函數(shù)性能達到最好。OpenCV的優(yōu)點是開放源代碼，具有基于Intel處理器指令集開發(fā)的優(yōu)化代碼，統(tǒng)一的結(jié)構(gòu)和功能定義，強大的圖像和矩陣運算能力，以及方便靈活的用戶接口，同時支持MS-Windows和Linux平臺。
    最新的OpenCV庫已經(jīng)包含有大量的函數(shù)和例子，可用來處理計算機視覺領(lǐng)域中常見的問題，其中主要涉及到以下幾個方面的內(nèi)容：
    (1) Motion Analysis and Objection Tracking-運動分析和目標(biāo)跟蹤；
    (2)Image Analysis-圖像分析；
    (3) StructuralA nalysis-結(jié)構(gòu)分析；
    (4)ObjectR ecognition-目標(biāo)識別；
    (5)3D Reconstruction-3D重建。

2 算法流程
    運動模塊檢測算法的流程圖如圖1所示。該流程首先是獲得當(dāng)前幀與上一幀的差，接著對差圖像進行二值化，以去掉超時影響，更新運動歷史圖像，然后計算運動歷史圖像的梯度方向，并將整個運動分割為獨立的運動部分，再用一個結(jié)構(gòu)序列標(biāo)記每一個運動分割，最后計算選擇區(qū)域的全局運動方向，從而獲得運動目標(biāo)的質(zhì)心位置與運動方向。

    這個算法基于的條件是運動目標(biāo)相鄰兩幀之間在畫面上存在的交集，此算法不用外推和相關(guān)分析以及軌跡后處理就可以清晰地顯示出目標(biāo)的軌跡、速度與方向。用該算法基于運動目標(biāo)檢測運動目標(biāo)前景圖像的具體過程可描述如下：
    ◇存儲檢測出來的目標(biāo)前景圖像，并使過去的幀灰度遞減：
    ◇在當(dāng)前幀打上時間戳疊加存儲到歷史圖像后綴；
    ◇形成梯度漸變圖像；
    ◇由分割得到的梯度漸變圖像得到目標(biāo)位置，并計算漸變梯度，以得到目標(biāo)的速度和方向，并加上批號標(biāo)記。
    該算法簡化了目標(biāo)相關(guān)性的運算，可在初始狀態(tài)下對于目標(biāo)運動趨勢不了解的情況下實施對目標(biāo)的穩(wěn)定跟蹤，同時具有良好的實時性能。

3 相關(guān)函數(shù)
    通過函數(shù)cvUpdateMotionHistory可使用下列方式更新運動歷史圖像：
    
    也就是說，MHI(motion history image)中運動所發(fā)生的象素點被設(shè)置為當(dāng)前時間，而運動發(fā)生較久的象素點將被清除。
    函數(shù)cvCalcMotionGradient用于計算MHI的差分Dx和Dy，然后計算梯度方向，其公式為：
    orientation(x，y)=arcztan(Dy(x，y)／Dx(x，y))
    其中要考慮Dx(x，y)和Dy(x，y)的符號。然后填充mask以表示哪些方向是正確的。
    函數(shù)cvCalcGlobalOrientation用于在選擇的區(qū)域內(nèi)計算整個運動方向。并返回0°到360°之間的角度值。首先由函數(shù)創(chuàng)建運動直方圖，并尋找基本方向做為直方圖最大值的坐標(biāo)。然后通過函數(shù)計算與基本方向的相對偏移量，并將其做為所有方向向量的加權(quán)和(運行越近，權(quán)重越大)。所得到的角度就是基本方向和偏移量的循環(huán)和。
    函數(shù)cvSegmentMotion可尋找所有的運動分割，并在seg_mask用不同的單獨數(shù)字(1，2，…)標(biāo)識它們。它也可返回一個具有CvConnected-
Comp結(jié)構(gòu)的序列。其中每個結(jié)構(gòu)對應(yīng)一個運動部件。在這之后，每個運動部件的運動方向就可以被函數(shù)cvCalcGlobalOrientation利用提取的特定部件的掩模(mask)計算出來。此外，每個運動部件的質(zhì)心位置也可由返回的圖像ROI位置來確定，由此便可確定運動目標(biāo)的位置。

4 實驗結(jié)果
    在實驗中，可采取標(biāo)準視頻圖像源來有效檢測跟蹤出圖像中的運動目標(biāo)，圖2所示是其實驗結(jié)果示意圖。其中通過圖2(a)能夠根據(jù)CvCon-
neetedComp中所獲取的運動分割形狀大小，濾掉所不關(guān)心的運動目標(biāo)；而對于圖2(b)，如果把限定閾值取大。則視頻中的騎自行車的人將不會被跟蹤顯示；

    圖2(c)中，假定豎直線右側(cè)為警戒區(qū)域，當(dāng)有目標(biāo)進入該區(qū)域時。即運動目標(biāo)的質(zhì)心位置為某一區(qū)間值時，則對該目標(biāo)進行標(biāo)記，從而達到智能判斷的效果。圖中直線方向表示運動物體的運動方向，在實際的運用場景中，可由此判斷物體是否逆行以達到智能監(jiān)控和識別的效果。

5 結(jié)束語
    本文介紹了openCV中運動模板的檢測方法，該方法可以有效正確檢測和跟蹤視頻圖像中的運動目標(biāo)，并能獲得該目標(biāo)的運動方向與相應(yīng)位置，從而實現(xiàn)智能視頻監(jiān)控和智能判斷。但實際上，該方法仍然會存在運動背景差不精確、運動目標(biāo)形狀大小不一等問題，因此，還需進一步研究或與其他方法相結(jié)合，以達到更好的效果。