李熙瑩，盧 林，陳 玲

(中山大學(xué)智能交通研究中心，廣東 廣州 510006)

0 引言

汽車運(yùn)輸是目前我國旅客出行的主要交通方式之一，客運(yùn)站作為公路與旅客接口的重要地點(diǎn)，對其進(jìn)行全方位實(shí)時監(jiān)控是保障旅客人身財產(chǎn)安全、維護(hù)社會穩(wěn)定的重要手段。然而傳統(tǒng)的視頻監(jiān)控方式主要依靠人工，這樣很難全面實(shí)時監(jiān)控，而且報警響應(yīng)時間長，誤報和漏報率高［1］。

鑒于此，在客運(yùn)站實(shí)施智能監(jiān)控則成為必然的趨勢。智能監(jiān)控是基于計算機(jī)視覺技術(shù)對監(jiān)控場景的視頻圖像內(nèi)容進(jìn)行分析，可實(shí)現(xiàn)入侵檢測、逗留檢測、遺留物監(jiān)測、逆行檢測、人群密度檢測、異常行為檢測、隊列長度檢測等功能［2］。在汽車客運(yùn)站的監(jiān)控系統(tǒng)中，感興趣的一般是人以及人的行為。通過計算機(jī)進(jìn)行行人檢測與跟蹤的方法獲取的信息有著重要的意義。實(shí)時可靠的行人檢測與跟蹤方法在汽車客運(yùn)站有著多方面的用途，比如客流量的統(tǒng)計、行為分析以及危險預(yù)警等。近年來，各種行人檢測與跟蹤算法相繼被提出。Munder等融合行人的點(diǎn)分布形狀模型和紋理特征建立了行人識別分類器，采用基于粒子濾波的貝葉斯方法實(shí)現(xiàn)行人的跟蹤［3］。德國 Enzweiler等分別針對統(tǒng)計學(xué)習(xí)中的小波特征線性支持向量機(jī)以及神經(jīng)網(wǎng)絡(luò)的方法進(jìn)行比較分析，通過設(shè)計不同尺度的分類器來檢測圖像中的行人［4］。清華大學(xué)的江帆等提出一種基于模型融合的行人跟蹤算法，結(jié)合離線學(xué)習(xí)和在線互學(xué)習(xí)對模型進(jìn)行更新［5］。中國科學(xué)技術(shù)大學(xué)程有龍等將行人檢測的先驗(yàn)知識融入到跟蹤模型自學(xué)習(xí)過程中，對被跟蹤行人進(jìn)行動態(tài)建模，從而實(shí)現(xiàn)在真實(shí)監(jiān)控場合下跟蹤具有復(fù)雜運(yùn)動的行人［6］。這些方法要求較大的計算量和計算參數(shù)，很難滿足汽車客運(yùn)站視頻監(jiān)控系統(tǒng)實(shí)時性要求。

鑒于此，本文提出一種在攝像機(jī)靜止情況下的行人檢測與跟蹤方法。首先利用視頻圖像處理技術(shù)實(shí)現(xiàn)背景提取、移動行人檢測，并對多人融合的情況下進(jìn)行行人分割;然后結(jié)合卡爾曼濾波原理跟蹤行人，并輸出其運(yùn)動軌跡。

1 運(yùn)動行人的檢測與分割

1.1 運(yùn)動行人檢測

在汽車客運(yùn)站出入口視頻監(jiān)控系統(tǒng)中，攝像機(jī)一般都是靜止的。在攝像頭靜止情況下，背景幀差法速度快，檢測準(zhǔn)確是檢測運(yùn)動目標(biāo)的有效方法［7］。背景幀差法基本思想是將視頻流中當(dāng)前一幀所有像素點(diǎn)與事先通過某種方法計算得到的背景圖像中對應(yīng)像素點(diǎn)相減并取絕對值，如果絕對值超過某個預(yù)先設(shè)定好的閾值，則認(rèn)為當(dāng)前幀中對應(yīng)的像素點(diǎn)是運(yùn)動目標(biāo)的像素點(diǎn);否則，認(rèn)為對應(yīng)的像素點(diǎn)是背景像素點(diǎn)。本文采用圖像均值法獲取背景圖像。通過對輸入序列的若干幀圖像求平均值，可以得到與實(shí)際背景近似的初始背景，同時達(dá)到過濾隨機(jī)噪聲的目的。均值背景表達(dá)式:

其中，i為圖像序列號，(x，y)為圖像位置坐標(biāo)，f(x，y，i)為第i幀輸入圖像，b(x，y，i)為第 i幀時的背景圖像。理論上，在獲得背景后，將當(dāng)前幀圖像與背景圖作差分，當(dāng)差值大于一定閾值T時，則判斷為運(yùn)動目標(biāo)。本文采用Otsu法自動確定閾值T，該方法簡單、處理速度快。

1和0的像素分別對應(yīng)于前景(運(yùn)動目標(biāo)區(qū)域)和背景(非運(yùn)動區(qū)域)。得到運(yùn)動前景目標(biāo)后，對二值圖進(jìn)行形態(tài)學(xué)處理，可以得到行人較為清晰和完整的輪廓，從而可以檢測出運(yùn)動的行人。一般來說，選取檢測運(yùn)動行人的高度的1/5來作為行人頭部來代替行人。

圖1是行人檢測算法的結(jié)果圖。首先，將獲取到的背景圖像進(jìn)行灰度化，即圖1(a);當(dāng)前幀圖像與背景圖像差分后的結(jié)果如圖1(b)所示;形態(tài)學(xué)去除噪聲前景點(diǎn)和填充目標(biāo)區(qū)域的小孔得到圖1(c);最后用矩形框?qū)⑦\(yùn)動行人頭部框出來做為行人檢測的結(jié)果，即圖1(d)。

圖1 運(yùn)動行人檢測結(jié)果

1.2 多人分割

由于在汽車客運(yùn)站出入口場景中，經(jīng)常會出現(xiàn)多人并排或者相向行走的情況，因此對檢測到的運(yùn)動行人要進(jìn)行單人與多人的判別，如果是多人的情況，則需要對行人進(jìn)行多人分割。鑒于汽車客運(yùn)站出入口比較窄，一般只考慮兩人的分割。一般來說，提取到的運(yùn)動行人的寬度L≥60，則認(rèn)為是多人，強(qiáng)制將其平分為兩人;如寬度小于＜60，則認(rèn)為單人，無需分割。多人分割流程見圖2。

圖2 多人分割流程

圖3為多人分割算法的效果圖。圖3(a)中的長矩形框代表檢測到的多個行人，圖3(b)則是對多個行人進(jìn)行分割后的結(jié)果圖?？梢郧宄乜闯?，對于多人融合情況下的分割結(jié)果較好。

圖3 多人分割結(jié)果

2 行人跟蹤

卡爾曼濾波器是一種在時域內(nèi)采用遞歸濾波方法對系統(tǒng)狀態(tài)進(jìn)行最小均方誤差估計的方法，具有計算量小，可實(shí)時處理的特點(diǎn)，利用卡爾曼濾波器實(shí)現(xiàn)對目標(biāo)軌跡的估計和預(yù)測是非常有效的［8-10］。同一目標(biāo)在相鄰兩幀中運(yùn)動位置特征變化相對較小，因此進(jìn)行相鄰幀間的目標(biāo)匹配。通過跟蹤可以獲得目標(biāo)行人在相鄰幀之間的關(guān)聯(lián)，達(dá)到對目標(biāo)運(yùn)動狀態(tài)的判斷，實(shí)現(xiàn)連續(xù)跟蹤行人［11］。根據(jù)目標(biāo)識別所得到的關(guān)于目標(biāo)行人的位置特征，將當(dāng)前幀中行人的位置特征作為已知目標(biāo)對下一幀中所有位置特征進(jìn)行匹配［12］。

2.1 預(yù)測

由于行人的運(yùn)動速度較慢，相鄰2幀圖像之間的時間間隔較短，可假設(shè)行人在單位時間間隔內(nèi)做勻速運(yùn)動。根據(jù)卡爾曼濾波原理，系統(tǒng)的狀態(tài)方程和觀測方程分別為［6］:

狀態(tài)方程:

觀測方程:

其中，xt為t時刻n維狀態(tài)向量;zk為t時刻n維測量向量;A、H分別為狀態(tài)轉(zhuǎn)移矩陣和測量矩陣;wt、vt是2個隨機(jī)變量，分別為正態(tài)分布的狀態(tài)和測量噪聲向量。

定義 卡爾曼濾波的狀態(tài)向量xt是一個二維向量(px，py)，即目標(biāo)位置(px，py)。由于假設(shè)行人在單位時間間隔內(nèi)做勻速運(yùn)動，狀態(tài)轉(zhuǎn)移矩陣A可以定義為［13］:

圖4 卡爾曼濾波行人跟蹤結(jié)果

根據(jù)狀態(tài)方程和觀測方程的關(guān)系，可以得到觀測矩陣 H 為［14］:

2.2 匹配

利用卡爾曼濾波預(yù)測運(yùn)動目標(biāo)在下一幀中的位置坐標(biāo)，計算預(yù)測的位置坐標(biāo)與此幀的位置坐標(biāo)的直線距離d，如果d＜20，則認(rèn)為此目標(biāo)與上一幀的目標(biāo)是同一目標(biāo)，記錄此目標(biāo)點(diǎn)的軌跡。圖4為采取卡爾曼濾波跟蹤的結(jié)果。其中，*為實(shí)際軌跡點(diǎn)，+為預(yù)測點(diǎn)軌跡點(diǎn)。從圖4中可以清楚地看出行人的檢測軌跡點(diǎn)與跟蹤軌跡點(diǎn)吻合較好，算法能夠較好地預(yù)測行人運(yùn)動。

3 實(shí)驗(yàn)結(jié)果與分析

測試視頻是汽車客運(yùn)站出入口用固定攝像機(jī)拍攝的2組視頻圖像，視頻圖像幀的大小為320×240，AVI格式。其中視頻1是在行人較多的時候拍攝的，時長5分鐘，運(yùn)動行人462人;視頻2是在行人較少的時候拍攝的，時長5分鐘，運(yùn)動行人205人。用Matlab軟件仿真本文提出的行人檢測與跟蹤算法。檢測與跟蹤的結(jié)果如表1和表2所示。

表1 行人較多情況下檢測與跟蹤結(jié)果

表2 行人較少情況下檢測與跟蹤結(jié)果

從表1可以看出，在行人較多的時候，行人檢測準(zhǔn)確率能達(dá)到將近85%，而跟蹤準(zhǔn)確率達(dá)到88.5%;在人少的情況下，行人檢測準(zhǔn)確率能達(dá)到96.2%，而跟蹤準(zhǔn)確率達(dá)到96.5%。由此可見，該方法具有較好的魯棒性。

4 結(jié)束語

針對汽車客運(yùn)站出入口的行人檢測與跟蹤問題，本文提出了一種運(yùn)動行人檢測和跟蹤方法。實(shí)驗(yàn)結(jié)果表明，該方法可以很好地檢測行人和分割多個行人，并且能清楚地繪出行人的運(yùn)動軌跡。但是，本研究工作還存在一定的不足，考慮的因素還不全面，比如光照因素，雖然在汽車客運(yùn)站光照影響不大，但是忽略光照會影響算法的準(zhǔn)確性。筆者下一步研究在傍晚或夜間條件下的汽車客運(yùn)站出入口的行人檢測與跟蹤。

［1］郝菲.智能監(jiān)控系統(tǒng)中運(yùn)動目標(biāo)檢測跟蹤的研究［D］.北京:北京交通大學(xué)，2009.

［2］王冰，康增建，呂曉軍.鐵路客運(yùn)站視頻監(jiān)控系統(tǒng)中的行人逆行異常事件檢測算法研究［J］.鐵路計算機(jī)應(yīng)用，2012，21(4):19-22.

［3］Munder S，Schnorr C，Gavrila D M.Pedestrian detection and tracking using a mixture of view-based shape-texture models［J］.IEEE Transactions on Intelligent Transportation Systerms，2008，9(2):333-343.

［4］Enzweiler M，Gavrila D M.Monocular pedestrian detection:survey and experiments［J］.IEEE Transactions on Pattern A-nalysis and Machine Intelligence，2009，31(12):2179-2195.

［5］江帆，王貴錦，劉暢，等.一種基于模型融合的行人跟蹤算法［J］.視頻應(yīng)用與工程，2010，34(3):85-87.

［6］程有龍，李斌，張文聰，等.融合先驗(yàn)知識的自適應(yīng)行人跟蹤算法［J］.模式識別與人工智能，2009，22(5):704-708.

［7］Zha Yufei，Bi Duyan.Adaptive learning algorithm based on mixture Gaussian background［J］.Journal of Systems Engineering and Electronics，2007，18(2):3692-3761.

［8］張貝貝，肖國強(qiáng)，江健民.基于運(yùn)功估計的卡爾曼濾波視頻對象跟蹤［J］.計算機(jī)應(yīng)用，2008，28(8):2052-2054.

［9］趙其杰，屠大維，高健.基于卡爾曼濾波的視覺預(yù)測目標(biāo)跟蹤及其應(yīng)用［J］.光學(xué)精密工程，2008，16(5):937-942.

［10］李書進(jìn)，李文華.基于自適應(yīng)卡爾曼濾波的時變結(jié)構(gòu)參數(shù)估計［J］.廣西大學(xué)學(xué)報:自然科學(xué)版，2004，29(2):146-148.

［11］姚亞夫，劉佰昂.基于位置特征的運(yùn)動行人檢測與跟蹤方法［J］.廣西大學(xué)學(xué)報:自然科學(xué)版，2009，34(6).769-773.

［12］Osama M，Nikolaos P P.A novel method for tracking and counting pedestrians in real-time using a single camera［J］.IEEE Transactions on Vehicles Technology，2001，50(5):1267-1278.

［13］巨朋真.基于頭肩特征的人體目標(biāo)檢測與跟蹤［D］.大連:大連海事大學(xué)，2008.

［14］王飛杰.基于頭肩特征的人體實(shí)時檢測與跟蹤［D］.長春:吉林大學(xué)，2010.