随着智慧城市建设工作的全面展开，智慧交通作为智慧城市的重要组成部分受到广泛关注。智慧交通旨在解决道路交通现有的诸多问题，通过采用人工智能分析的方式对交通事故、道路附属设施等进行有效检测和快速处理，达到保护公民生命和财产安全的目的。近年来，随着交通路况视频监控网络的大面积布设，动态目标跟踪及监测作为交通管理的重要环节受到广泛关注。因此，如何将计算机视觉和视频监控技术有效结合，在尽可能少或完全脱离人为干预的条件下，通过对所监控影像序列的逐层分步计算与分析，达到对场景中蕴含的高层次语义信息的感知、分析与理解，从而实现智能监控是当前研究的热点。

目前，动态目标检测根据镜头状态主要分为两类：动态场景下的目标检测和静态场景下的目标检测。动态场景即前景和背景均处于运动状态，常用算法有基于特征的目标检测^[1-3]及基于相位相关的检测算法^[4]；而静态场景中由于背景处于静止状态，常采用帧间差分法^[5]、光流法^[6]及背景差分法^[7-8]等进行目标检测。背景差分法检测运动目标速度快、检测准确且易于实现，是目前动态目标检测最常用的算法，但由于实际情况中场景的复杂性、不可预知性及各种环境干扰和噪声的存在(如光照的突然变化、实际背景图像中有些物体的波动、摄像机的抖动、运动物体进出场景对原场景的影响等)，使得背景的建模和模拟变得比较困难。针对上述难点，国内外学者尝试建立自适应背景模型实现对背景的更新，以解决背景差分法应用的局限问题^[9-13]。

本文提出通过彩色空间转换到HSV空间，根据HSV颜色空间色调和亮度分离特性，采用色调分量作为待处理数据，利用IIR(infinite impulse response digital filter)滤波法对背景模型进行自适应更新，完成对动态目标的检测，并采用道路约束条件和HSV特征相结合的方法对运动目标进行搜索、匹配及预测，从而实现动态目标的实时跟踪。

1 动态目标实时跟踪 1.1 HSV彩色空间变换

在RGB颜色空间上，彩色图像的3个分量不仅代表色彩和亮度，而且还存在着很大的相关性，即光线的变化会直接引起R、G、B这3个分量同时变化，对图像的处理结果影响较大。

HSV(hue、saturation、value)是根据颜色的直观特性创建的一种颜色空间，即六角锥体模型，是一种非线性颜色表示系统。颜色的表征参数是色调(H)、饱和度(S)、亮度(V)，其中亮度分量V和色调分量(H、S)相互独立，与图像的彩色信息无关。如果仅考虑H、S两个分量，则在一定程度上会抑制光照变化产生的影响。RGB彩色空间到HSV彩色空间的转换公式^[14]如下

1.2 自适应背景差分法 1.2.1 单一模型背景差分法

背景差分法又称背景减除法，通过对图像进行统计建模获取一个经验背景模型，然后将当前图像与背景图像进行差分，根据它们之间的差异提取出目标，从而实现运动目标的检测，其数学表达式^[15]如下

式中，D_i(x, y)为背景差值后的影像；I_i(x, y)为第i帧影像；B(x, y)为背景影像；T为阈值；M_i(x, y)为二值化影像。

该算法具体步骤为：

(1) 设定阈值T，将前景图像与背景图像进行相减得到差值D。

(2) 对比T与D，如果D＞T，就判定此像素点是运动目标上的点；反之，则认定不是运动目标上的点。

此外，检测算法的灵敏度取决于阈值的大小，实际检测动态目标时，背景通常存在各种干扰，且随着时间变化背景也会随之改变，因此难以建立适用于整个图像序列的理想背景模型，这也是该方法的不足之处。

1.2.2 IIR滤波背景建模

IIR滤波器是一种结构简单、可人为调控获取最佳背景模型的建模方法，比基于统计的建模方法应用更加普遍。

IIR滤波器以第一帧影像作为背景影像，与下一帧影像进行加权分配获取新的背景影像，并以此进行迭代，直至所有帧影像处理完毕。背景更新的数学模型^[16]如下

式中，I_bg(x, y)、I′_bg(x, y)分别为当前背景影像和上一背景影像灰度矩阵；I_i(x, y)为第I帧影像的灰度矩阵；λ为调节系数。

获得背景差分影像后对影像进行二值化处理，并对影像进行边缘检测，将边缘长度小于100的视为噪声区域进行过滤，从而检测出动态目标。

1.3 道路约束下的动态目标跟踪

动态目标跟踪就是将检测出的图像序列与前景目标间建立联系，从而确定运动目标的轨迹，即以图像序列中的目标检测为基础提取目标的物理特征，并据此对目标进行匹配，将图像序列连续帧中的运动目标进行关联，从而实现在图像序列中对该运动目标的连续跟踪。

1.3.1 道路约束条件

目标在道路上的运动由于受到道路安全规定的制约，其运动轨迹具有一定的规律性。因此，可将道路的双向道划分为A1、A2两个集合, 并对A1和A2定义行驶方向；然后根据运动目标的形心位置对其所属集合进行判定，将该集合的行驶方向作为目标跟踪的初始搜索方向，这样可在一定程度上减少待匹配的目标数量，尤其是在运动目标数量过多情况下，能够快速实现运动目标的跟踪。

1.3.2 HSV颜色特征集

颜色特征对目标图像的旋转变化、尺度变化及少量局部遮挡等干扰因素具有良好的稳定性。目前常用的是颜色直方图模型，它具有构造简单、计算量小、易于叠加等优点。计算颜色直方图需要将颜色空间进行划分，形成多个直方图簇。通过统计图像或图像区域中颜色落入相应簇中的像素数量，实现对颜色直方图特征的提取。

本文采用道路约束条件与颜色特征集相结合的跟踪方法，以道路约束条件确定运动目标搜索区域，通过HSV颜色特征集进行特征匹配，同时对匹配成功的运动目标对的形心位置进行差值运算，获取其运动矢量，实现对运动目标的预测。

2 试验与结果评价 2.1 试验验证

试验采用道路交叉口的监控视频数据。道路作为动态目标的载体，选择道路覆盖区域内的目标进行检测，不仅可以有效减少动态目标的搜索区域，还可以消除非道路下的噪声区域，提高动态目标检测的准确性。由于视频场景中镜头、道路及附属设施均处于静止状态(即在影像中的覆盖区域位置保持不变)，因此可以直接对道路覆盖区域建立掩膜文件，对视频区域内动态目标快速提取。图 1为采用掩膜方法提取的结果。

2.2 道路目标的检测与跟踪结果分析

为验证本方法的有效性，本文从目标检测及车辆跟踪两个方面进行对比分析。分析结果如下：

(1) 在获取差分影像后，通过对其进行滤波及数学形态的闭运算后，生成一个只含有运动目标信息的影像。图 2(a)、(b)分别为第1帧影像和第10帧影像，从中可以看出人行道上有两个行人，图中左边的白色车辆处于慢速运动，而右边的车辆保持静止。从图 2(c)可以看出，图像中处于运动的行人及慢速运动的车辆均被检测到，其他区域全部默认为背景影像，动态目标检测效果理想。

(2) 为验证跟踪方法的有效性，本文选取运动目标数量较多的区域进行验证(如图 3所示)。图 3为从第1帧影像开始每隔5帧影像的跟踪结果，其中不同的灰度框表示不同的运动目标，从中可以看出本文跟踪方法能够准确地对运动目标进行跟踪且未出现目标丢失或目标跟踪错误等现象，可靠性较高。

3 结语

本文通过HSV颜色特征、IIR滤波背景模型及带有道路约束的目标跟踪法三者相结合的方法，对道路目标进行检测跟踪，实例验证表明了本文所提方法在满足实时性的前提下，能够快速准确地对道路运动目标进行检测与跟踪。