OpenCV视频监控架构分析

    多年来在从事计算机视觉研究的过程中，一直需要这样一个平台，一方面可以提供众多成熟稳定的检测、跟踪、轨迹分析算法，另一方面具备良好的编程接口，这样就可以将自己的算法很方便的嫁接进这个系统，测试和对比各种算法的优劣性能。而Intel OpenCV[1] 视频监控（Video Surveillance）模块恰恰提供了这样一个功能强大的平台，在下文中简称为VS。

    从Intel OpenCV 1.0版本开始，其辅助库CVAUX中就增加了VS模块，直至OpenCV 2.2版本，该模块都相对稳定的存在。然而OpenCV提供的VS的相关资料相当少，在官方的帮助文档中甚至只字未提，国内外也少有相关的研究和介绍，这也是VS长期未被研发人员广泛关注的原因之一。

    值得庆幸的，也是OpenCV最大的优势就在于其开源性。通过深入剖析VS的源代码，我们可以理清整个VS框架的脉络，探索其中的算法原理和实现方法。本文对VS的架构和算法体系进行了剖析和梳理，在此基础上给出一个该架构应用于行人统计的实例。

1 OpenCV Video Surveillance的架构

OpenCV是Intel公司开发的广受关注的计算机视觉开源库，其算法覆盖面广、实时性好。CVAUX是OpenCV的辅助类库，VS则是其中一个重要组成部分。用VC++6.0打开OpenCV 1.0工程源码，可以在CVAUX下看到VS结构和类定义，VS类多数以CvBlob开头。通过梳理VS的各个类和结构间的关系，可以归纳得到VS的UML关系图，从整体上把握VS的架构，如图1所示。

类似于MSMFC中的CObject，VS中的所有的类都有一个共同的父类CvVSModule，主要提供各个模块通用的参数的读写、拷贝等功能。VS提供了目标检测、跟踪和轨迹分析的算法接口：CvFGDetector，CvBlobDetector，CvBlobTracker，CvBlobTrackGen，CvBlobTrackPostProc，CvBlobTrackAnalysis，分别是前景检测、新目标检测、目标跟踪、轨迹生成、跟踪后处理、轨迹分析等六组算法接口，这些接口类是大多数VS类的父类。另外还有一个CvBlobTrackerAuto接口，其功能是对以上算法进行链接、调度，用于对整个算法流程和数据传递的控制。

VS中的很多类并没有导出用户接口，不能直接调用，而是提供了相应的全局函数作为唯一的用户接口。这是模式设计中类工厂的思想，有效的屏蔽了构建类实例的细节，这种设计思想被大量应用于COM技术中。

图1 OpenCV VS UML图

2 OpenCV Video Surveillance的算法体系

       OpenCVVS覆盖了许多主流的检测、跟踪与轨迹分析方法，如前文中提到的6类算法，分别是：前景检测、新目标检测、目标跟踪、轨迹生成、跟踪后处理、轨迹分析，除了轨迹生成用于轨迹数据的保存以外，其他5个部分都是标准的视频监控算法体系中不可或缺的部分。在VS的标准应用中，算法的执行流程如图2所示。

图2 VS算法流程图

    下面对VS算法体系进行简要介绍并给出参考文献，表1列举了各组算法和接口，方便读者查阅。

1）算法流程控制（CvBlobTrackerAuto）

    整个算法流程的控制在接口类CvBlobTrackerAuto的子类中完成。VS中提供了一个范本，就是CvBlobTrackerAuto1，通过查看CvBlobTrackerAuto1::Process()，可以洞悉整个算法的标准流程。当然用户也可以在遵循接口CvBlobTrackerAuto的基础上进行扩展，重载Process()，构建自己的视频监控算法流程。

2）前景检测（CvFGDetector）

    在视频监控中，前景一般是指相对于背景的运动区域，即通常关注的运动目标，如行人、车辆等。前景检测的方法大致可以分为三类：背景差法、帧差法和光流法。背景差法通过对对背景进行建模来检测运动的前景，由于其准确性、鲁棒性和实时性的优势受关注较多。

CvFGDetector是前景检测类的接口，在其子类CvFGDetectorBase中包含了[2] [3]两种背景差方法的实现，后者是被广泛研究和应用的混合高斯模型[4]（MOG-Mixture Of Gaussians）。

OpenCV中还提供了一种基于码本的背景差方法[5] 的实现，只是该算法还没有整合进VS架构中，这个扩展工作有待完成。

3）新目标检测（CvBlobDetector）

       新目标检测是多目标跟踪系统中的重要环节，主要用于判断检测到的目标是否是新出现的目标。该模块对每帧中检测到的目标进行判断，如果判定为已经存在的目标则参与之前已存在的跟踪滤波，如果判定为新目标则需要启动新的目标跟踪并进行初始化（分配新ID等）。

CvBlobDetector接口在前景掩模中检测新进入场景的Blob（块），子类有两个，分别是CvBlobDetectorSimple和CvBlobDetectorCC，原理可参考文献为[6]。新目标的判断准则是：当连续多帧图像中包含该连通区域，且具有一致的合理的速度。CvBlobDetectorCC与CvBlobDetectorSimple一个最显著的不同在于引入了CvObjectDetector，可用于检测分离的目标块。

4）目标跟踪（CvBlobTracker）

    目标跟踪模块覆盖了众多熟悉的算法，如Kalman滤波、粒子滤波、MeanShift等，在表1中给出相应的接口及对应的功能。对MeanShift和粒子滤波感兴趣的读者可参考[7][8][9]。

目标跟踪应用非常广泛，而多目标跟踪由于其逻辑关系比较复杂，其算法的实现在许多系统应用中都是一个难点，而VS恰恰提供了众多跟踪算法的多目标版本，为广大研发人员提供了方便。

5）轨迹生成（CvBlobTrackGen）

       轨迹生成模块保存目标检测和跟踪的特征至数据文件，为事后分析提供方便。接口为CvBlobTrackGen，子类包括CvBlobTrackGen1和CvBlobTrackGenYML，前者在目标跟踪结束后，以文本格式保存整个目标轨迹的序列参数，后者与帧数据同步，以YML格式保存当前帧中的目标信息参数。

6）跟踪后处理（CvBlobTrackPostProc）

       跟踪后处理是一个可选模块，主要用于跟踪滤波后对目标轨迹的平滑滤波，接口为CvBlobTrackPostProc，表1中列举了算法的功能和接口。

7）轨迹分析（CvBlobTrackAnalysis）

当某个目标跟踪结束后，会产生一个轨迹，CvBlobTrackAnalysis的子类用于对轨迹进行数据分析。轨迹分析方法比较多，表1中列举了分析算法的功能和接口。

表1 OpenCV VS中的算法及接口

VS模块	算法及功能	用户调用接口
算法流程控制	调度整个跟踪算法及数据流	CvBlobTrackerAuto* cvCreateBlobTrackerAuto1(CvBlobTrackerAutoParam1* param)；
前景检测	背景差MOG	CvFGDetector* cvCreateFGDetectorBase(int type, void *param)；
新目标检测	标准方法：连通区域一致性分析	CvBlobDetector* cvCreateBlobDetectorSimple();
	加入了分离目标检测	CvBlobDetector* cvCreateBlobDetectorCC();
目标跟踪	连通区域跟踪	CvBlobTracker* cvCreateBlobTrackerCC();
	连通区域跟踪 + 基于MeanShift 粒子滤波的碰撞分析	CvBlobTracker* cvCreateBlobTrackerCCMSPF();
	MeanShift 算法	CvBlobTracker* cvCreateBlobTrackerMS();
	基于前景的MeanShift 算法	CvBlobTracker* cvCreateBlobTrackerMSFG();
	基于MeanShift 权重的粒子滤波	CvBlobTracker* cvCreateBlobTrackerMSPF();
轨迹生成	文本方式	CvBlobTrackGen* cvCreateModuleBlobTrackGen1()；
	YML方式	CvBlobTrackGen* cvCreateModuleBlobTrackGenYML()；
跟踪后处理	轨迹矩形窗时间平均	CvBlobTrackPostProc* cvCreateModuleBlobTrackPostProcTimeAverRect()
	轨迹指数窗时间平均	CvBlobTrackPostProc* cvCreateModuleBlobTrackPostProcTimeAverExp()
	目标方位、尺寸的Kalman滤波平滑	CvBlobTrackPostProc* cvCreateModuleBlobTrackPostProcKalman()
轨迹分析	5维矢量直方图分析(x,y,vx,vy,state)	CvBlobTrackAnalysis* cvCreateModuleBlobTrackAnalysisHistPVS();
	2维矢量直方图分析(x,y)	CvBlobTrackAnalysis* cvCreateModuleBlobTrackAnalysisHistP();
	4维矢量直方图分析(x,y,vx,vy)	CvBlobTrackAnalysis*  cvCreateModuleBlobTrackAnalysisHistPV();
	起始点4维矢量直方图分析(startpos,endpos)	CvBlobTrackAnalysis* cvCreateModuleBlobTrackAnalysisHistSS();
	轨迹间距离分析	CvBlobTrackAnalysis* cvCreateModuleBlobTrackAnalysisTrackDist();
	整合上述多种分析方法	CvBlobTrackAnalysis* cvCreateModuleBlobTrackAnalysisIOR();

3基于VS架构的行人统计

       VS架构可以应用到和视频目标检测和跟踪相关的诸多领域，本节以行人统计为例进行说明。行人统计是指对通过某个区域行人的数量和方向进行统计，主要应用在安防、交通等领域。

       参考OpenCV VS架构，行人统计可由前景检测，新目标检测，目标跟踪，跟踪后处理和轨迹分析5模块组成。在系统设计中，主要的区别和改进在以下三个部分：

1）为了对整个行人统计算法流程进行控制，在继承接口CvBlobTrackerAuto的基础上设计了CvBlobTrackerAuto2，对行人统计中各个算法和数据流进行调度。VS的跟踪是基于目标块，而在行人统计中，往往出现单个目标块中有多个粘连的行人的情况。为了能够对粘连的人群进行统计，在该模块中加入了行人头部检测算法。

2）行人统计对系统的实时性要求比较高，而传统的MOG（混合高斯模型）[4]方法速度较慢，为此我们采用了一种自适应多模快速背景差算法[10]。在继承接口CvFGDetector的基础上设计了CvFGDetectorRunAver模块，并在该模块中加入了阴影、噪声、亮光的去除等算法，以增强前景目标检测的鲁棒性。

3）行人统计的重点在于对行人轨迹的序列特征进行分析，为此在继承接口CvBlobTrackAnalysis的基础上设计了CvBlobTrackAnalysisDir行人轨迹分析模块。该模块主要完成两个功能：a）通过目标序列特征，如头部的数量、目标块的大小、宽高比、运动方向、速度等特征，对目标的种类做出判断，如汽车、单车、行人等；b）通过对轨迹点序列的拟合分析，行人的方向、路径做出判断，最后给出统计结果。同时，为了去除摄像机倾斜观测造成的目标变形（远小近大）影响，在对相关的块目标特征数据进行了射影变换的校正。

       基于VS框架我们在较短的时间内搭建了一个灵活高效的行人统计系统，如图3所示，该系统具备了完善的多目标检测、跟踪和轨迹分析的能力，在稳定性、准确性和实时性方面都达到了较高的水准。

4 结束语

       OpenCVVS为视频目标检测、跟踪研究提供了一个通用、高效的平台，该平台覆盖了许多主流的检测、跟踪与轨迹分析算法，具有广阔的应用领域，但由于缺少相关资料而不为广大研究人员所熟悉。本文在源码分析的基础上对VS的架构和算法体系进行了剖析，并给出了一个VS架构应用实例：行人统计。VS内容非常丰富，由于篇幅关系，文中只能提纲挈领，对VS的算法及应用没有展开讨论，感兴趣的读者可以参考[11]。