基于机器视觉的动态物体追踪研究与实现

目 录

摘 要 I
Abstract II
引 言 1
1 相关技术 3
1.1 Python 3
1.2图像二值化 3
1.3 Opencv 3
1.4图像去噪 3
1.5本章小结 4
2 动态目标检测算法 5
2.1 背景差分法 5
2.2 帧差法 7
2.3 光流法 9
2.4 本章小结 10
3 动态目标跟踪算法 11
3.1 Mean Shift 11
3.2 Cam Shift 13
3.3 本章小结 14
4 人脸分类器模型 15
4.1 Haar分类器 15
4.2 分类器训练 16
4.3 本章小结 18
5 对比实验及结论 19
5.1 目标检测算法对比 19
5.2 目标跟踪算法对比 21
5.3 案例实现 24
5.3.1项目结构 24
5.3.2图像输入模块 25
5.3.3人脸检测模块 25
5.3.4人脸跟踪模块 26
5.3.5云台控制模块 26
5.4 本章小结 26
结 论 27
致 谢 28
参考文献 29

摘 要

随着科学核心技术的发展，机器视觉方向的研究备受关注。同时视频监控领域充满着未来发展所具备的所有性质。监控技术正朝着智能化、人性化、工具化方向稳定发展。截止目前，监控系统能够完成对拍摄的视频进行自动化分析，对场景中的运动物体进行检测，识别和跟踪，并及时产生相应的反馈动作。
视频监控系统代表数字信息行业的将来发展趋势，并且蕴含着巨大的经济利益，受到各行各业及相关机构的高度重视。在机器视觉的未来发展前景及对动态目标跟踪技术研究的基础上，充分结合生活真实场景，完成基于机器视觉的动态物体追踪的研究。
该文章对机器视觉领域中的运动目标检测及跟踪两个方向的相关核心算法的原理和逻辑进行深一步的研究并做详细的阐述。在背景实时变化的状态下，依靠自主调整角度的单目摄像机，完成对单一运动目标检测及跟踪，为机器视觉技术在视频监控系统中的运用做好铺垫。项目将以人脸的检测与跟踪的实现为例，摄像机对人脸进行检测，采用运动目标检测算法及基于Opencv的人脸分类器检测出动态场景中的人脸，分析人脸位置坐标的改变，根据运动目标追踪算法调整云台摄像机角度进行实时的跟踪。
关键词：机器视觉；动态目标；目标检测；目标跟踪

Abstract

With the mature development of the science, researching machine vision has attracted much attention. At the same time, the field of video monitoring is full of all the characteristics of the future development. At present, the monitoring system allows automatic analysis, detection and detection Detect and track video records and generate on-site feedback.
Video monitoring system represents the future development of digital information industry, also contains huge economic interests that is highly valued by all walks of life and relevant institutions. These organizations attach great importance to them. On the basis of the future development prospect of machine vision and the research on dynamic target tracking technology, the research on dynamic object tracking based on machine vision is completed by combining with real life scenes.
In this document, racial variations and descriptions of basic methods define and reflect movements in image editing areas. In the dynamic background, In the dynamic background, the monocular camera with self-adjusting Angle can detect and track the single target, which lays a foundation for the application of machine vision technology in video surveillance system. The project will take the realization of face detection and tracking as an example, the camera will detect the face, use the moving target detection algorithm and the face classifier based on Opencv to detect the face in the dynamic scene, analyze the change of face position coordinates, and adjust the Angle of the camera based on the moving target tracking algorithm for real-time tracking.
keywords: machine vision; dynamic target; object detection; target tracking

引 言

21世纪以来，国家稳步前进，科学技术成熟发展，国民对出行及生活安保问题的逐渐重视，商场、银行、红绿灯违章拍摄等场所对现场记录和安防警示系统的要求逐渐规范，需求大量增加，加快机器视觉技术迅速革新。一方面随着摄像机，视觉传感器等相关基础硬件的成熟发展，视频拍摄的分辨率、存储能力、图像处理速度有了质的提高。另一方面，伴随着图像处理技术和视觉计算基础理论等学科的不断创新发展，结合计算机的性价比的快速飞升，以及公共场合对机器视觉应用的需求不断增长，机器视觉将会更宽泛的普及，将会是未来安防系统、交通生活不可或缺的核心元素，未来高科技产品中重要组成部分。本文重点对机器视觉中的两个分支进行研究和学习，即动态目标检测与跟踪算法。
动态目标检测与跟踪算法，不单单在机器视觉领域备受研究者的关注，更是在人工智能、视频分析、智能图像处理等领域深受到学者的热爱。眼睛是人类获取外界所有信息的核心方式，由于视觉信息结构的独一无二，导致其始终无法被其他信息所替代。随着科学技术的迅猛发展，机器视觉在动态变化场景的视频监控中的应用与日俱增。即便是在机器视觉的辅助下监控系统的优化逐渐完善，但现阶段对视频中有价值信息的筛选及处理能力依旧欠缺。若将动态目标检测算法及跟踪算法与视频监控系统结合，筛选关键帧有价值信息，不仅减少工作人员繁重无意义的工作，更能够降低成本。综上所述，运动目标检测和跟踪算法与智能频监控系统融合是必要的。
动态目标检测算法和目标跟踪算法在不断的优化，新颖的思路也不断涌现，但也很难同时处理复杂的场景，在不同的场景中检测和跟踪会受到不同因素的影响，如背景与目标特征的相似性、多目标间的相似性、运动方向的突然改变、摄像机分辨率的差异、动态目标旋转、目标距离变化等因素。这些因素的变化将影响动态目标检测及跟踪的可靠性、准确性、实时性及稳定性。基于以上因素，采用在相同的实验环境下控制单变量的模式，对检测和跟踪算法进行实验，分析算法产生的对应效果。
本文以人脸的检测与跟踪为具体案例，对运动目标检测和跟踪算法进行原理和算法逻辑的详细研究与总结，完成基于机器视觉的动态目标跟踪的研究与实现。
本论文权威结构划分为六章，章节结构内容安排如下:
第一章 基础理论
本章对课题研究涉及到的理论进行阐述。
第二章 目标检测算法综述
本章对运动目标检测算法做综合的研究和详细的概述。
第三章 目标跟踪算法综述
本章对运动目标跟踪算法做综合的研究和详细的概述。
第四章 人脸分类器模型训练
本章对人脸检测算法进行概述。采集人脸数据训练人脸分类器模型。
第五章 动态目标检测与跟踪算法的应用实现
本章对检测和跟踪算法实验比对，得到算法优缺点。以人脸为案例进行具体实现。

1 相关技术

该项目以Windows系统为研究环境，以Pycharm为开发工具，Python为主要开发语言，进行动态目标检测及跟踪算法的对比实验。以图像处理为基础，以Opencv视觉库为基础训练人脸分类器模型。项目的案例实现以Openmv进行开发。以人脸的检测与跟踪为具体的案例，完成基于机器视觉的动态目标跟踪的研究与实现。
1.1 Python
Python是一种可升级、可扩展、可移植、易于维护和编译的开发语言。Python由ABC、Modula-3、C、C+、Algol-68、Smalltalk组成，与Java和C++编程语言相比，Python具有更简单的语法规则。Python创新了新的数据类型。Python还有许多其他的系统表达式，Python是一种解释和编译的编程语言。在开发过程中不需要编译，提高了Python的性能。按照当前编程语言排行榜的显示，Python在人工智能的相关领域应用范围十分的广泛，包括数据分析，机器视觉。简便的语法规则更是可以用于网站的开发。
1.2 图像二值化
图像二值化是把目标图像变成只有黑白两种颜色[1]，将图像中的像素值处理成两种数值模式：0,255。通过该方法能够达到展现图像局部特征的效果。
在进行视觉方向的图像处理时，二值化操作会经常被用到，特别是在处理实际环境的过程中，图像二值化技术被用来分析图像和占据图像预处理方法中主要地位。将图像转换成灰度图像大小，通过对应的算法将目标图像改变成最后要得到的二值化图像，提高了研究效率，减少了数据计算量。
1.3 Opencv
OpenCV是Open Source Computer Vision Library的缩写[2]。包含了大量不同语言所对应的接口，C、C++、Python、MATLAB。Opencv的开源为许多机器视觉的爱好