.322. 智能系统学报 第9卷 的颜色直方图分别表示为HR、HG、HB)。在判断目 出现时间，并记录其起始运动位置。相比传统算 标1与目标2是否匹配时，进行以下过程操作： 法[町，本轨迹计算方法计算简单，执行效率高。 首先，分别计算两个目标彩色直方图在各颜色 分量上的Bhattacharyya距离： 5实验结果分析 实验所用测试视频均是用固定摄像头拍摄的室 dg(HH)= 1-Σ √H1(i)·H2(i) 240:} 内场景，2个测试视频为IntelligentRoom.avi和Two H,(i) Cars.avi,分别用来测试单目标的检测跟踪和多目标 其次，在特征匹配过程中，首先，判断目标的彩色直 的匹配跟踪。实验的环境为Windows7操作系统下 方图各分量上的Bhattacharyya距离是否小于某一给 的Microsoft Visual Stuidio,并配置有OpenCV计算机 定阈值D,即判断以下各式是否成立： 视觉数据库。在测试实验中，首先，对测试视频1n- dg(H,H2)Dg telligentRoom.avi背景场景进行建模，利用背景差分 dc(H,H2)Dc 法实现视频运动目标的检测，用二值图像表示，目标 dg(H,H2)Dg 区域用高像素值，背景区域用低像素值，目标检测结 dg(H,H2)dc(H,H2)+dg(H,H)D 果如图3所示，图3(a)为原始视频加上跟踪标记后 式中：DR、D。、DB分别为RGB颜色通道直方图 的画面，图3(b)画面白色区域为对应帧的目标检测 的Bhattacharyya距离阈值，实验中均取值为0.5，D 的目标区域。从图3(b)目标的检测中可以明显看 为三通道之和的总阈值，实验取值为1.0。 出，双层码本模型可以较完整的检测出运动目标，并 然后，对于满足上述条件的被测目标进行SFT 且对噪声有一定的鲁棒性。 特征相似度判断，不满足条件的目标判断为新出现 目标。 运用SFT特征对目标图像匹配，首先在目标特 征库中选定某个关键点，并找出其与分割出的目标图 像中欧式距离最近的前两个关键点，如果最近的距离 (a)原始视频加上跟踪标记 与次近的距离的比值小于某个阈值，则认为两者是一 对匹配点，试验中，一般阈值取值为0.8。在特征库中 搜索待匹配目标，如果当前目标与特征库中目标匹配 点个数超过所有SFT关键点的60%，则当前目标识 别为满足该条件的匹配点对数最多的目标。 (b)对应懒的目标检测区域 在跟踪过程中，目标的特征更新可以使算法及时 图3目标检测结果 且更完整地描述目标。因此，对于特征库中的每一个 Fig.3 Target detection result 被匹配的目标，在匹配跟踪完成后需要对其特征库信 其次，需要记录其相应运动目标的运动轨迹， 息进行更新，对运动目标特征库内的彩色颜色直方图 所用测试视频的运动目标轨迹如图4所示。从图4 进行替换，对匹配成功的SFT特征点进行保留，新出 可以看出，此轨迹较好地反应了目标的行走路线并 现的特征点进行添加。而文献[7]中并未体现出对跟 且没有出现断点，证明了算法可以有效地跟踪运动 踪目标的特征更新。 目标，并且完成对目标轨迹的记录。 4目标轨迹计算 为了得到一个目标的连续轨迹和其在视频中出 现的时间信息，需要在检测出视频前景运动目标后， 记录每帧中目标出现的时间和其运动的轨迹。由于 采用了双层码本的背景建模技术，每一个出现在视频 中的运动目标可直接被检测。对于检测出的运动目 标，首先判断目标是否为连续出现目标，如是连续出 现目标，则需要将此目标的位置信息加入轨迹序列， 图4目标运动轨迹 并更新其最近一次出现的时间：对于未找到匹配的目 Fig.4 Target trajectory 标，则认为是新出现目标，标记当前时间为该目标的 为了验证算法可应对多目标的检测和跟踪，采的颜色直方图分别表示为 ＨＲ、ＨＧ、ＨＢ）。 在判断目 标 １ 与目标 ２ 是否匹配时，进行以下过程操作： 首先，分别计算两个目标彩色直方图在各颜色 分量上的 Ｂｈａｔｔａｃｈａｒｙｙａ 距离： ｄＲ（Ｈ１ ，Ｈ２ ） ＝ １ － ∑ｉ Ｈ１（ｉ）·Ｈ２（ｉ） ∑ｉ Ｈ１（ｉ）·∑ｉ Ｈ２（ｉ） 其次，在特征匹配过程中，首先，判断目标的彩色直 方图各分量上的 Ｂｈａｔｔａｃｈａｒｙｙａ 距离是否小于某一给 定阈值 Ｄ ，即判断以下各式是否成立： ｄＲ（Ｈ１ ，Ｈ２ ） ＜ ＤＲ ｄＧ（Ｈ１ ，Ｈ２ ） ＜ ＤＧ ｄＢ（Ｈ１ ，Ｈ２ ） ＜ ＤＢ ｄＲ（Ｈ１ ，Ｈ２ ） ＋ ｄＧ（Ｈ１ ，Ｈ２ ） ＋ ｄＢ（Ｈ１ ，Ｈ２ ） ＜ Ｄ 式中： ＤＲ 、 ＤＧ 、 ＤＢ 分别为 Ｒ、Ｇ、Ｂ 颜色通道直方图 的 Ｂｈａｔｔａｃｈａｒｙｙａ 距离阈值，实验中均取值为 ０．５， Ｄ 为三通道之和的总阈值，实验取值为 １．０。 然后，对于满足上述条件的被测目标进行 ＳＩＦＴ 特征相似度判断，不满足条件的目标判断为新出现 目标。 运用 ＳＩＦＴ 特征对目标图像匹配，首先在目标特 征库中选定某个关键点，并找出其与分割出的目标图 像中欧式距离最近的前两个关键点，如果最近的距离 与次近的距离的比值小于某个阈值，则认为两者是一 对匹配点，试验中，一般阈值取值为 ０．８。 在特征库中 搜索待匹配目标，如果当前目标与特征库中目标匹配 点个数超过所有 ＳＩＦＴ 关键点的 ６０％，则当前目标识 别为满足该条件的匹配点对数最多的目标。 在跟踪过程中，目标的特征更新可以使算法及时 且更完整地描述目标。 因此，对于特征库中的每一个 被匹配的目标，在匹配跟踪完成后需要对其特征库信 息进行更新，对运动目标特征库内的彩色颜色直方图 进行替换，对匹配成功的 ＳＩＦＴ 特征点进行保留，新出 现的特征点进行添加。 而文献［７］中并未体现出对跟 踪目标的特征更新。 ４ 目标轨迹计算 为了得到一个目标的连续轨迹和其在视频中出 现的时间信息，需要在检测出视频前景运动目标后， 记录每帧中目标出现的时间和其运动的轨迹。 由于 采用了双层码本的背景建模技术，每一个出现在视频 中的运动目标可直接被检测。 对于检测出的运动目 标，首先判断目标是否为连续出现目标，如是连续出 现目标，则需要将此目标的位置信息加入轨迹序列， 并更新其最近一次出现的时间；对于未找到匹配的目 标，则认为是新出现目标，标记当前时间为该目标的 出现时间，并记录其起始运动位置。 相比传统算 法［１３］ ，本轨迹计算方法计算简单，执行效率高。 ５ 实验结果分析 实验所用测试视频均是用固定摄像头拍摄的室 内场景，２ 个测试视频为 ＩｎｔｅｌｌｉｇｅｎｔＲｏｏｍ．ａｖｉ 和 Ｔｗｏ⁃ Ｃａｒｓ．ａｖｉ，分别用来测试单目标的检测跟踪和多目标 的匹配跟踪。 实验的环境为 Ｗｉｎｄｏｗｓ ７ 操作系统下 的 Ｍｉｃｒｏｓｏｆｔ Ｖｉｓｕａｌ Ｓｔｕｉｄｉｏ，并配置有 ＯｐｅｎＣＶ 计算机 视觉数据库。 在测试实验中，首先，对测试视频 Ｉｎ⁃ ｔｅｌｌｉｇｅｎｔＲｏｏｍ．ａｖｉ 背景场景进行建模，利用背景差分 法实现视频运动目标的检测，用二值图像表示，目标 区域用高像素值，背景区域用低像素值，目标检测结 果如图 ３ 所示，图 ３（ａ）为原始视频加上跟踪标记后 的画面，图 ３（ｂ）画面白色区域为对应帧的目标检测 的目标区域。 从图 ３（ ｂ）目标的检测中可以明显看 出，双层码本模型可以较完整的检测出运动目标，并 且对噪声有一定的鲁棒性。 图 ３ 目标检测结果 Ｆｉｇ．３ Ｔａｒｇｅｔ ｄｅｔｅｃｔｉｏｎ ｒｅｓｕｌｔ 其次，需要记录其相应运动目标的运动轨迹， 所用测试视频的运动目标轨迹如图 ４ 所示。 从图 ４ 可以看出，此轨迹较好地反应了目标的行走路线并 且没有出现断点，证明了算法可以有效地跟踪运动 目标，并且完成对目标轨迹的记录。 图 ４ 目标运动轨迹 Ｆｉｇ．４ Ｔａｒｇｅｔ ｔｒａｊｅｃｔｏｒｙ 为了验证算法可应对多目标的检测和跟踪，采 ·３２２· 智 能 系 统 学 报 第 ９ 卷