引 言

在視頻中人或運(yùn)動(dòng)物體行為理解的整個(gè)流程中，運(yùn)動(dòng)目標(biāo)的檢測(cè)與跟蹤非常關(guān)鍵。通常一個(gè)視頻監(jiān)控系統(tǒng)大體可分解為四個(gè)不同的功能單元，即目標(biāo)檢測(cè)，搜索系統(tǒng)感興趣的目標(biāo)區(qū)域 ；目標(biāo)跟蹤，捕獲感興趣區(qū)域的運(yùn)動(dòng)軌跡 ；目標(biāo)分類， 將被跟蹤目標(biāo)分為人，汽車或其他移動(dòng)物體 ；目標(biāo)行為識(shí)別， 對(duì)跟蹤目標(biāo)進(jìn)行行為識(shí)別。目標(biāo)檢測(cè)作為視頻監(jiān)控的前提， 屬于低層次的視覺(jué)問(wèn)題，目前己有多種較為成熟的算法。而目標(biāo)跟蹤作為視頻監(jiān)控最基本的功能屬于中等層次的視覺(jué)問(wèn)題， 是當(dāng)前制約視頻監(jiān)控系統(tǒng)性能的主要瓶頸之一。

1 主流的目標(biāo)檢測(cè)方法介紹

1.1 背景分割法

背景分割法適用于運(yùn)動(dòng)場(chǎng)景固定且比較簡(jiǎn)單的場(chǎng)合，通過(guò)建立背景模型，用圖像序列的特征參數(shù)與背景模型比較， 分割出背景和前景，從而得到運(yùn)動(dòng)對(duì)象。背景差分圖像的主要原理是通過(guò)現(xiàn)有圖像對(duì)比已知背景圖像，且背景圖像中不含任何感興趣的對(duì)象，是背景模型 [1]。該對(duì)比過(guò)程被稱為前景檢測(cè)。該過(guò)程將觀測(cè)圖像分為兩個(gè)互補(bǔ)的像素集合，可覆蓋全部圖像，包括感興趣的運(yùn)動(dòng)對(duì)象及前景與前景的補(bǔ)集，即背景。

背景減除法最大的缺陷是，沒(méi)有成熟和高性能的規(guī)則來(lái)定義前景區(qū)域和對(duì)象，因此其使用范圍受限。有許多背景減除算法是針對(duì)特定需求提出來(lái)的，因此對(duì)模型和分割策略也提出了特殊要求。如文獻(xiàn) [2]，它必須適用于平緩或快速的光照變化，場(chǎng)景運(yùn)動(dòng)變化，復(fù)雜的背景或背景變化。由于部分場(chǎng)合要求由硬件承擔(dān)背景減除功能，因此算法負(fù)載成為最基本的要求。對(duì)于戶外視頻監(jiān)控系統(tǒng)而言，算法對(duì)噪聲的魯棒性以及算法對(duì)光照變化的適應(yīng)能力是最基本的要求。

1.2 相鄰幀間差分法

該方法選擇相鄰的兩幀進(jìn)行比對(duì)，選擇參數(shù)可以是直方圖，也可以是亮度或其他圖像的特征參數(shù)，兩個(gè)相鄰的圖像幀 進(jìn)行減法運(yùn)算，結(jié)果的矩陣值與預(yù)設(shè)的閾值進(jìn)行比較，通過(guò) 差的絕對(duì)值與閾值大小來(lái)判斷是否有運(yùn)動(dòng)。在這個(gè)原理的框 架下有更多的改進(jìn)算法被提出，比如基于亮度假設(shè)檢驗(yàn)和高 階統(tǒng)計(jì)量的相鄰幀差法等 [3]。

幀間差分法的優(yōu)點(diǎn)在于可以很好地適用于存在多個(gè)運(yùn)動(dòng) 物體，或者當(dāng)攝像機(jī)移動(dòng)的情況。但是該方法對(duì)噪音干擾的 魯棒性較差。

1.3 光流法

光流法（Optical Flow or Optic Flow）通過(guò)檢測(cè)圖像像素 點(diǎn)的強(qiáng)度隨時(shí)間的變化情況來(lái)推斷物體的移動(dòng)速度及方向。 對(duì)于每個(gè)像素點(diǎn)，每一個(gè)時(shí)刻均有一個(gè)二維或多維的向量集 合，如（x，y，t），表示指定坐標(biāo)在 t 點(diǎn)的瞬時(shí)速度。設(shè) I（x，y， t）為 t 時(shí)刻（x，y）點(diǎn)的強(qiáng)度，在很短的時(shí)間Δt 內(nèi)，x，y 分別 增加Δx，Δy，則光流變化的情況如公式（1）所示：

1.4 統(tǒng)計(jì)法

統(tǒng)計(jì)法通過(guò)建立統(tǒng)計(jì)模型來(lái)區(qū)分前景和后景。在魏波 [4] 的文章中，場(chǎng)景的統(tǒng)計(jì)，前景和后景的分布情況統(tǒng)計(jì)被作為基 礎(chǔ)，建立了間斷點(diǎn)的分布模型，此模型被用來(lái)實(shí)現(xiàn)運(yùn)動(dòng)目標(biāo) 的檢測(cè)。王長(zhǎng)安，朱善安 [5] 在其論文中提出了改進(jìn)的 GVF- Snake 模型與統(tǒng)計(jì)模型融合的算法思想，實(shí)驗(yàn)表明，融合后的 方法結(jié)合了 GVF-Snake 與統(tǒng)計(jì)模型的各自優(yōu)點(diǎn)，對(duì)靜態(tài)背景 的目標(biāo)檢測(cè)有很好的效果。各種文獻(xiàn)資料都表明，統(tǒng)計(jì)法適 合在復(fù)雜場(chǎng)景中檢測(cè)運(yùn)動(dòng)對(duì)象，且算法的時(shí)間復(fù)雜度低，易 于硬件實(shí)現(xiàn)，但由于檢測(cè)效果受先驗(yàn)知識(shí)的影響，統(tǒng)計(jì)法的 準(zhǔn)確度并不高。

1.5 小波法

數(shù)學(xué)界有一種公認(rèn)的提法，即小波分析是近代數(shù)學(xué)的一項(xiàng)重要成就，它已經(jīng)發(fā)展成為一個(gè)新的數(shù)學(xué)分支，是多學(xué)科結(jié)合的產(chǎn)物，包括泛函數(shù)值計(jì)算、Fourier變換等，是一種多尺度，多分辨的分析技術(shù)，在信息融合、語(yǔ)音處理、信號(hào)處理、大氣模型、地震預(yù)測(cè)等諸多領(lǐng)域都有著廣泛的使用價(jià)值，在目標(biāo)檢測(cè)方面亦有廣闊的應(yīng)用。在李紅艷[6] 的文獻(xiàn)中， Haar 小波變換的低Signal-to-Noise微小目標(biāo)檢測(cè)方法被提出， 仿真實(shí)驗(yàn)結(jié)果表明，李紅艷提出的方法可以有效提高目標(biāo)的Signal-to-Noise。小波分析的優(yōu)勢(shì)在于檢測(cè)復(fù)雜場(chǎng)景下的微弱目標(biāo)，但大規(guī)模成熟應(yīng)用的情況還比較少。

2 主流的目標(biāo)檢測(cè)方法性能比較

幾種典型目標(biāo)檢測(cè)方法的性能比較情況見(jiàn)表 1 所列 [7-10]。

3 主流的目標(biāo)跟蹤方法介紹

目標(biāo)跟蹤是機(jī)器視覺(jué)的關(guān)鍵功能步驟，在機(jī)器視覺(jué)的所有應(yīng)用領(lǐng)域，如視頻監(jiān)控，視頻壓縮，人機(jī)交互，醫(yī)學(xué)圖像處理等領(lǐng)域都是極具挑戰(zhàn)性的課題。目標(biāo)跟蹤除要在圖像序列中檢測(cè)出目標(biāo)外，還需要獲取目標(biāo)的位置、速度、運(yùn)動(dòng)軌跡、加速度等運(yùn)動(dòng)參數(shù)，從而為下一步運(yùn)動(dòng)目標(biāo)的行為識(shí)別與理解提供技術(shù)參數(shù)。經(jīng)過(guò)多年的發(fā)展，出現(xiàn)了許多目標(biāo)跟蹤的方法，這些方法都各自有其優(yōu)缺點(diǎn)。

3.1 基于特征匹配的跟蹤方法

運(yùn)動(dòng)目標(biāo)總會(huì)有一些區(qū)別于其他事物的屬性，如幾何形狀， 外形輪廓，子空間特征等屬性，這些屬性具有可靠性，獨(dú)立性， 稀疏性和可區(qū)分性等特點(diǎn)，可被用作目標(biāo)跟蹤的依據(jù)。特征點(diǎn)提取是該算法的關(guān)鍵，目前常用的特征點(diǎn)提取算法有SIFT算法，Kanade Lucas Tomasi（KLT）算法，Harris 算法及 SURF 算法等。

3.2 基于貝葉斯的跟蹤方法

在文獻(xiàn) [11] 中，二階 AR 模型被用來(lái)跟蹤目標(biāo)運(yùn)動(dòng)，一 階 AR 模型被用來(lái)跟蹤目標(biāo)尺度變化，理論推導(dǎo)和仿真實(shí)驗(yàn)顯 示，一階、二階融合的方法取得了較好的跟蹤效果。在貝葉 斯跟蹤方法中，Kalman 濾波（KF）是最早被成熟應(yīng)用的方法， KF 具有準(zhǔn)確預(yù)測(cè)平穩(wěn)運(yùn)動(dòng)目標(biāo)下一個(gè)時(shí)間點(diǎn)位置的特性，因 此在彈道目標(biāo)跟蹤中有成熟的產(chǎn)品應(yīng)用。但 KF 的缺陷是只能 處理線性高斯模型，雖然 KF 有各種改進(jìn)模型，但都不能處理 非高斯非線性模型。

3.3 基于動(dòng)態(tài)輪廓的跟蹤方法

 動(dòng)態(tài)輪廓跟蹤方法的主要原理是先勾勒出運(yùn)動(dòng)目標(biāo)的輪 廓，由后續(xù)幀不斷更新輪廓進(jìn)而達(dá)到跟蹤的目的。文獻(xiàn) [12] 中， 視頻圖像中的汽車跟蹤就采用了動(dòng)態(tài)輪廓跟蹤方法。該方法 其實(shí)是基于區(qū)域方法的一個(gè)變形，它比區(qū)域跟蹤更具體，更 高效，但對(duì)動(dòng)態(tài)輪廓跟蹤方法初始值比較敏感，需要進(jìn)行人 機(jī)交互，很難實(shí)現(xiàn)自動(dòng)跟蹤。

3.4 基于模型的跟蹤方法

模型跟蹤法的核心是建立的已知跟蹤目標(biāo)的精細(xì)三維模 型與待檢測(cè)圖像之間的匹配操作。其缺點(diǎn)是對(duì)模型過(guò)分依賴， 計(jì)算復(fù)雜，不利于實(shí)時(shí)處理。但基于模型的跟蹤方法便于實(shí) 現(xiàn)自動(dòng)跟蹤，因此國(guó)內(nèi)外學(xué)者對(duì) 3D 模型的跟蹤方法和基于 深度估計(jì)的跟蹤方法做了大量研究工作。VIEWS 系統(tǒng)是英國(guó) Reading 大學(xué)開(kāi)發(fā)研制的一種基于 3D 模型的道路車輛識(shí)別與 跟蹤系統(tǒng)——VIE 系統(tǒng) [13]，基于 VIEWS 的研究經(jīng)驗(yàn)，中科 院自動(dòng)化所模式識(shí)別實(shí)驗(yàn)室自行設(shè)計(jì)了擁有自主版權(quán)的交通監(jiān) 控原型 VStar，該系統(tǒng)在 PC 環(huán)境下運(yùn)行，用以對(duì)車輛進(jìn)行實(shí) 時(shí)跟蹤，并對(duì)各種干擾因素如光線變化，斑馬線干擾，邊界遮 擋等都顯示了較強(qiáng)的魯棒性。

4 主流的目標(biāo)跟蹤方法性能比較

幾種常見(jiàn)的目標(biāo)跟蹤方法的性能比較見(jiàn)表 2 所列 [14-16]。

5 結(jié) 語(yǔ)

就目標(biāo)檢測(cè)而言，其發(fā)展趨勢(shì)是尋找算法時(shí)間復(fù)雜度低、 算法魯棒性強(qiáng)、算法成熟度高和受先驗(yàn)知識(shí)影響小的算法。 就目標(biāo)跟蹤算法而言，尋找自動(dòng)化程度高、先驗(yàn)知識(shí)依賴程度 低、計(jì)算復(fù)雜度低和應(yīng)用成熟度高的算法是今后的發(fā)展趨勢(shì)。