[发明专利]运动目标识别跟踪方法和系统

说明书

技术领域

本发明涉及视频监控技术领域，具体涉及一种运动目标识别跟踪方法和系统。

背景技术

随着世界工业化进程不断加快，制造业开始脱离人工进行生产，人们开始大力发展机器人行业，用机器人来代替人类进行各种生产作业和危险活动。科技的不断进步也使机器人业越来越智能，涉及的行业也越来越多，机器人在人类社会发展中扮演着重要的角色。和人类获取外部信息一样，智能机器人在获取外部信息时也需要一双“眼睛”，那就是人工视觉或者叫计算机视觉，它是智能机器人系统中不容缺少的一环。而运动目标识别与跟踪技术是计算机视觉技术中主要研究方向之一，运动目标识别与跟踪就是使用计算机或者嵌入式处理器对图像进行解析，自动将运动目标从待检测的图像序列中识别出来，然后进行定位跟踪，为完成更高一级任务做准备。同时，运动目标检测识别跟踪技术也广泛应用于人脸识别、安全监控、人机交互、现代医学、航空航天、无人机、军事等领域。

目前，运动目标识别跟踪技术已逐渐成熟，但全球计算机视觉产业主要在欧美日等发达国家。我过对计算机视觉的研究起步比较晚，近些年来，我国对于这方面的投入也逐渐加大，正逐步建立完善的科学体系。传统的运动目标识别跟踪技术主要采用集中处理的方式，开发专用的上位机软件完成图像处理过程。这种方式对计算机的要求非常高，如今随着系统功能的不断扩展，即便是高性能计算机也无法满足数据处理的需求。

发明内容

本发明克服现有技术存在的不足，所要解决的技术问题为：提供一种运动目标识别跟踪方法和系统，以实现运动目标的准确识别和持续跟踪。

为了解决上述技术问题，本发明采用的技术方案为：一种运动目标的识别跟踪方法，包括以下步骤：

S1、目标识别之前采集一帧图像作为背景图像进行存储；

S2、实时采集实时图像；

S3、对背景图像和实时图像分别进行灰度化、均衡化以及阈值化处理，得到处理后的背景阈值图像和实时阈值图像；

S4、将实时阈值图像与背景阈值图像进行差分运算，得到运动目标所在区域，并将差分运算结果再次进行均衡化、阈值化操作，然后对目标进行边缘检测和定位，得到运动目标的位置信息，并根据运动目标的位置信息在实时图像中截取出运动目标的彩色图像特征；

S5、根据MeanShift目标跟踪算法，计算得到目标模型的Mean shift向量，所述Mean shift向量为目标由初始位置向下一位置移动的向量；

S6、重复步骤S2~S5，不断迭代计算Mean Shift向量，最终得到运动目标的真实位置，以对运动目标进行连续的实时跟踪定位。

所述步骤S4中，所述灰度化的具体方法为：通过IMAQ Cast Image VI算法对图像进行灰度化处理得到灰度图像；所述均衡化的具体方法为：首先统计出灰度图像中灰度值为f的像素点个数n_f，然后计算f出现的概率p(f)，再根据公式计算出累计直方图，并根据该累计直方图分布求出原灰度图像中点（x，y）的灰度值f(x, y)到均衡化处理后点（x，y）的灰度值f1(x, y)的灰度映射关系，最后按照公式对原图像各像素点的灰度值进行替换，完成灰度映射，即可对原图像均衡化；g表示灰度值小于等于f的概率。L-1代表灰度等级最大值：255；n代表一帧画面中的像素点个数；所述阈值化的具体方法为：通过ostu算法完成阈值化操作，得到阈值图像。

所述步骤S4中，所述对目标进行边缘检测和定位的具体方法为：对运动目标所在区域内每一像素点的灰度值进行模板卷积运算，得到其灰度值的梯度，并根据其灰度值梯度找到图像目标的边沿处，从而得到运动的上下左右四个边的线性方程，并以此计算出运动目标所在区域的四个顶点；最后，将运动目标所在区域的四个顶点转化成极大矩形的四个顶点，得到运动目标的坐标信息，然后将目标像素子集从图像像素集合中提取出来，获取运动目标像素集合。

所述步骤S5中，所述根据MeanShift目标跟踪算法对运动目标进行实时跟踪定位的具体方法为：分别计算目标区域和候选区域内像素的特征值概率，得到关于目标模型和候选模型的描述，然后利用相似函数度量初始帧目标模型和当前帧的候选模型的相似性，选择使相似函数最大的候选模型并得到关于目标模型的Mean Shift向量，通过不断迭代计算Mean Shift向量，得到目标的真实位置，达到跟踪的目的。