MATLAB基于背景差分法和卡尔曼滤波的运动目标检测和跟踪：1、对视频序列中的运动目标进行检测与跟踪

MATLAB基于背景差分法和卡尔曼滤波的运动目标检测和跟踪：1、对视频序列中的运动目标进行检测与跟踪，动目标检测部分采用背景差分法，跟踪部分采用卡尔曼滤波，检测结果用红色外接矩形框表示，跟踪结果用绿色矩形框表示 2、采用平均背景法更新背景图像； 3、代码部分附详细解释 内附有做实验的视频

在运动目标检测和跟踪这个坑里折腾过的人，大概都绕不开背景差分和卡尔曼滤波这两个经典方法。今天就用MATLAB来实现一个简单的系统，把检测和跟踪串起来，顺便聊聊代码里那些有意思的细节。

先说说整体思路：我们用一个视频序列，先通过背景差分找出运动目标的位置，再用卡尔曼滤波器去预测和更新目标的位置，形成跟踪轨迹。检测框用红色，跟踪预测框用绿色，这样就能直观看到两者的区别。

第一步：初始化与背景建模

我们采用平均背景法来建立初始背景模型。简单说，就是取视频开头若干帧的平均值作为背景。

videoReader = VideoReader('test_video.mp4'); numTrainingFrames = 50; % 用前50帧训练背景 frameCount = 0; background = zeros(videoReader.Height, videoReader.Width, 'double'); while frameCount < numTrainingFrames frame = readFrame(videoReader); background = background + double(rgb2gray(frame)); frameCount = frameCount + 1; end background = background / numTrainingFrames;

这里有个小细节：rgb2gray转换后直接用了double类型累加，避免uint8累加溢出。背景模型更新我们后面再说。

第二步：目标检测与连通域处理

对于每一帧，我们计算当前帧与背景的差值，二值化后找到运动区域。

currentFrame = rgb2gray(readFrame(videoReader)); diffFrame = abs(double(currentFrame) - background); binaryMask = diffFrame > 25; % 阈值需要根据视频调整 % 形态学处理，去掉小噪声 binaryMask = imopen(binaryMask, strel('disk', 3)); binaryMask = imclose(binaryMask, strel('rectangle', [15, 15])); % 找连通区域 stats = regionprops(binaryMask, 'BoundingBox', 'Area'); areas = [stats.Area]; validIdx = areas > 500; % 面积太小的忽略 boxes = cat(1, stats(validIdx).BoundingBox);

阈值选择是个经验活，25这个值对室内监控视频还行，室外可能得调。形态学开运算去椒盐噪声，闭运算填小空洞，这些都是常规操作。regionprops返回的边界框直接就是[x,y,width,height]格式，方便后面画框。

第三步：卡尔曼滤波跟踪

MATLAB基于背景差分法和卡尔曼滤波的运动目标检测和跟踪：1、对视频序列中的运动目标进行检测与跟踪，动目标检测部分采用背景差分法，跟踪部分采用卡尔曼滤波，检测结果用红色外接矩形框表示，跟踪结果用绿色矩形框表示 2、采用平均背景法更新背景图像； 3、代码部分附详细解释 内附有做实验的视频

这里我们用一个简单的卡尔曼滤波器来跟踪目标中心点。假设目标匀速运动，状态向量取[x, y, vx, vy]。

% 初始化卡尔曼滤波器 kalmanFilter = configureKalmanFilter('ConstantVelocity', ... [100, 100], [50, 50], [25, 25], 10); % 预测步骤 predictedPos = predict(kalmanFilter); % 如果有检测到目标，就用检测结果更新 if ~isempty(boxes) centroid = [boxes(1,1)+boxes(1,3)/2, boxes(1,2)+boxes(1,4)/2]; correctedPos = correct(kalmanFilter, centroid); else % 没检测到就只用预测值 correctedPos = predictedPos; end

configureKalmanFilter这个函数挺省事，把初始位置、误差协方差、过程噪声、观测噪声都打包设置了。注意这里只处理了第一个检测目标（boxes(1,:)），实际多个目标需要多个滤波器实例。

第四步：背景更新

背景不能一成不变，光照变化、场景改动都会影响。我们采用简单的滑动平均法：

alpha = 0.01; % 更新速率 background = background * (1-alpha) + double(currentFrame) * alpha;

alpha控制更新快慢，值越小背景变化越慢，但可能跟不上突然的光照变化。这个更新策略虽然简单，但对于缓慢变化的场景够用了。

最后把结果可视化：

imshow(currentFrame); hold on; % 画检测框（红色） for i = 1:size(boxes,1) rectangle('Position', boxes(i,:), 'EdgeColor', 'r', 'LineWidth', 2); end % 画跟踪框（绿色），以修正后的位置为中心 trackBox = [correctedPos(1)-50, correctedPos(2)-50, 100, 100]; rectangle('Position', trackBox, 'EdgeColor', 'g', 'LineWidth', 2); hold off;

这里跟踪框大小固定为100x100，实际可以根据目标大小动态调整。红框和绿框的对比能明显看出卡尔曼滤波的平滑效果——检测框可能会跳，但跟踪框通常更稳定。

整个流程跑下来，你会发现背景差分在静态背景下效果不错，但遇到树叶晃动、光照闪烁就容易误检。卡尔曼滤波则提供了一种“惯性”，即使偶尔没检测到目标，它也能根据之前的运动趋势继续跟一段。

代码里还有很多可以打磨的地方：比如多个目标的匹配策略、背景模型改用高斯混合模型、卡尔曼滤波的状态维度增加加速度等等。但这个简单的版本已经勾勒出了运动目标检测跟踪的基本骨架，剩下的就是根据具体场景往上添肉了。

实验用的视频建议选背景相对静止、目标运动明显的片段，这样效果最容易出来。阈值、形态学参数、卡尔曼噪声参数都需要根据视频微调，没有一套参数能通吃所有场景——这大概就是计算机视觉工程的日常吧。