張 輝，徐 偉，謝正光，蔣小燕，馬文萱

(南通大學(xué)電子信息學(xué)院，江蘇南通226019)

基于碼本模型和壓縮跟蹤算法的遺留物檢測(cè)

張 輝，徐 偉，謝正光，蔣小燕，馬文萱

(南通大學(xué)電子信息學(xué)院，江蘇南通226019)

針對(duì)一般遺留物檢測(cè)算法復(fù)雜度高和跟蹤效果不理想的問題，提出了一種基于碼本模型和壓縮跟蹤算法相結(jié)合的遺留物檢測(cè)方法。首先通過碼本模型建模和適時(shí)匹配背景更新算法來獲取靜止目標(biāo)區(qū)域信息;然后利用稀疏測(cè)量矩陣對(duì)靜止目標(biāo)區(qū)域的多尺度特征進(jìn)行降維，得到分類器的正負(fù)樣本;最后用樸素貝葉斯分類器對(duì)提取的特征進(jìn)行分類，當(dāng)分類器響應(yīng)最優(yōu)時(shí)得到當(dāng)前幀中跟蹤到的目標(biāo)位置，即使目標(biāo)被部分遮擋，也能實(shí)現(xiàn)對(duì)遺留目標(biāo)的準(zhǔn)確跟蹤。實(shí)驗(yàn)結(jié)果表明，該方法不僅簡(jiǎn)單高效、實(shí)時(shí)性好，而且可以消除由物體短暫停留而帶來的干擾。

遺留物檢測(cè);碼本模型;背景更新;壓縮跟蹤;實(shí)時(shí)

近年來，由于發(fā)生在如機(jī)場(chǎng)、公共停車場(chǎng)、公共車站、地鐵站、學(xué)校等公共場(chǎng)所的恐怖襲擊事件急劇增加，為了保障安全，人們對(duì)視覺監(jiān)控系統(tǒng)的需求日益加大。在視覺監(jiān)控系統(tǒng)中，往往需要對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行檢測(cè)、跟蹤、分類和分析等。這其中遺留物檢測(cè)已經(jīng)成為視頻監(jiān)控系統(tǒng)中安防的一個(gè)重要應(yīng)用分支。及時(shí)準(zhǔn)確地檢測(cè)出可疑的遺留物品或危險(xiǎn)物品可對(duì)保護(hù)廣大公民人身財(cái)產(chǎn)安全和公共財(cái)產(chǎn)安全給予很大的幫助，因此研究出良好的遺留物檢測(cè)算法是非常重要的［1］。

遺留物［2］是指原本不屬于場(chǎng)景背景、在場(chǎng)景中駐留時(shí)間超過一定閾值、無人看管的靜止物體。因此，在研究遺留物檢測(cè)算法時(shí)，需要考慮如下問題［3-4］:1)如何準(zhǔn)確檢測(cè)出可疑的遺留目標(biāo);2)在遺留物被部分或完全遮擋時(shí)依然能準(zhǔn)確檢測(cè)出來;3)應(yīng)具有很好的實(shí)時(shí)性，能夠應(yīng)用于對(duì)實(shí)時(shí)性要求較高的視頻監(jiān)控系統(tǒng)。近年來，國(guó)內(nèi)外很多研究者針對(duì)實(shí)際的應(yīng)用場(chǎng)景提出了許多不同的遺留物檢測(cè)算法［2，5-9］，現(xiàn)有的遺留物檢測(cè)算法主要可以分為兩類:第一類是基于跟蹤的遺留物檢測(cè)方法［6-8］，第二類是基于背景模型的遺留物檢測(cè)方法［10-11］?；诟櫟倪z留物檢測(cè)方法在很多場(chǎng)合面臨諸如目標(biāo)區(qū)域的合并、分離、遮擋及其他干擾等問題［1，10-11］，所以算法很難對(duì)所有運(yùn)動(dòng)和靜止目標(biāo)區(qū)域進(jìn)行準(zhǔn)確有效的跟蹤，尤其是在非常擁擠的公共場(chǎng)合下。相反，基于背景模型的遺留物檢測(cè)方法在很多擁擠場(chǎng)合下能夠發(fā)揮很好的作用。大體可將近來提出的背景建模方法分為基于幀到幀分析的方法以及基于幀級(jí)子采樣分析的方法。不過一般的遺留物檢測(cè)方法也面臨算法的復(fù)雜度高、目標(biāo)在有遮擋情況下跟蹤效果不理想和實(shí)時(shí)性低等問題，一些研究學(xué)者也根據(jù)各自的應(yīng)用進(jìn)行了改進(jìn)［1，4，9-13］。其中很多方法都采用了不同的背景模型和更新方法相結(jié)合來檢測(cè)候選的遺留目標(biāo)，例如文獻(xiàn)［10-11］使用混合高斯模型建模，而文獻(xiàn)［12-13］采用碼本模型建模等。例如文獻(xiàn)［5］中介紹了一套實(shí)時(shí)遺留物檢測(cè)系統(tǒng)，包括了圖像預(yù)處理模塊，如圖像去噪和平滑等，基于背景差分的靜止物體檢測(cè)模塊，基于塊跟蹤方法的靜止物體跟蹤模塊以及目標(biāo)部分遮擋處理模塊，為本文提供了一個(gè)有效的遺留物檢測(cè)模型和研究方案。

基于以上分析，本文提出了一種碼本模型(CBM)算法和壓縮跟蹤(CT)算法相結(jié)合的遺留物檢測(cè)方法。通過碼本模型進(jìn)行背景建模和適時(shí)匹配背景更新方法來獲取候選靜止目標(biāo);再通過投影算法降維，提取低維空間特征信息，作為在線學(xué)習(xí)更新分類器的正負(fù)樣本;最后使用樸素貝葉斯分類器去分類，得到當(dāng)前幀圖像的目標(biāo)位置信息，從而實(shí)現(xiàn)遺留物檢測(cè)和跟蹤。

1 靜止目標(biāo)檢測(cè)

在基于背景模型的遺留物檢測(cè)算法中，首先需要準(zhǔn)確檢測(cè)出候選的遺留目標(biāo)。由于碼本模型算法［12］是一種非參數(shù)化的運(yùn)動(dòng)目標(biāo)檢測(cè)方法，它魯棒性好，計(jì)算效率高，能夠有效地適應(yīng)背景變化，因此被廣泛應(yīng)用于運(yùn)動(dòng)目標(biāo)檢測(cè)中，但很少有人論及遺留目標(biāo)的檢測(cè)方法。本文通過碼本模型建模和適時(shí)匹配更新算法來檢測(cè)出候選的靜止目標(biāo)，為后續(xù)遺留目標(biāo)跟蹤打好基礎(chǔ)。

1.1 碼本模型建模方法

Kim等人提出的碼本建模算法［12，14］是為每個(gè)像素建立一個(gè)碼本模型(包含多個(gè)碼字)。根據(jù)匹配條件判斷像素是否匹配對(duì)應(yīng)像素已存在的碼字，得到前景目標(biāo)。此算法計(jì)算量小、占用內(nèi)存空間少，對(duì)全局或局部光照變化有較好的魯棒性。在建立的碼本中，一個(gè)碼本C是由許多碼字{c1，c2，…，cL}組成，而每個(gè)像素對(duì)應(yīng)的碼字?jǐn)?shù)L有可能是不同的，同時(shí)每個(gè)碼字是由9個(gè)元素{Ri，Gi，Bi，Imax，Imin，fi，M，p，q}組成的集合，在碼字中，各元素含義如下:

1)Ri，Gi，Bi:相應(yīng)像素的RGB顏色值;

2)Imax，Imin:所有屬于該碼字的像素中亮度的最大和最小值;

3)fi:對(duì)該碼字匹配的像素個(gè)數(shù);

4)M:沒有被匹配的最大時(shí)間間隔;

5)p，q:首次和末次成功匹配此碼字的訪問時(shí)間。

在背景建模階段，用當(dāng)前幀的像素值xt和碼本模型進(jìn)行匹配，如果碼本中有任何一個(gè)碼字cm與像素值xt滿足色度失真度和亮度匹配條件，則xt與此碼字匹配，否則不匹配。

設(shè)當(dāng)前幀像素值xt的RGB顏色值為{R，G，B}，而對(duì)應(yīng)碼本中的碼字ci(i=1，2，…，L)對(duì)應(yīng)像素的RGB顏色值為{Ri，Gi，Bi}，具體的碼本模型建模方法的偽代碼如下:

1)L=0，C=Φ(空集);

2)For t=1 to N do;

3)For當(dāng)前幀的每個(gè)像素點(diǎn)xt(x，y)do;

(2)從碼本C集合{c1，c2，…，cL}中找出是否有碼字ci與xt滿足以下2個(gè)匹配公式:

(a)colordist(xt，ci)≤ε;

(b)brightness(I，{Imin，Imax})=true。

(3)如果C=Φ(空集)或者沒有找到匹配的碼字:

(a)L=L+1;

(b)為對(duì)應(yīng)碼本創(chuàng)建并添加一個(gè)新的碼字cL={R，G，B，I，I，1，t-1，t，t}。

(4)否則，更新已匹配的碼字ci:

4)End For;

5)End For;

6)計(jì)算每個(gè)像素每個(gè)碼字被匹配的最大時(shí)間間隔λi(i=1，2，…，L)，即λi=max(λi，(M-q+p-1))，將C中所有λi≥N/2的碼字刪除掉，得到精簡(jiǎn)后的碼本模型。

上述代碼中的2個(gè)匹配公式如下

其中各變量的計(jì)算方法如下

式中:ε，α，β都是先驗(yàn)參數(shù)，而且α＜1，β＞1，本文選取α=0.5，β=1.5。碼本模型建模成功后，就可以利用得到的碼本對(duì)后續(xù)幀中各像素進(jìn)行前景檢測(cè)。

1.2 靜止目標(biāo)區(qū)域檢測(cè)

完成碼本模型建模后，對(duì)后續(xù)圖像序列中的各像素進(jìn)行前景檢測(cè)(FD)，其過程與建模過程中的步驟3)相似，也需要用式(1)和式(2)的匹配條件來加以判斷［14］。

當(dāng)像素值與對(duì)應(yīng)碼本模型中某個(gè)碼字滿足匹配條件時(shí)，則對(duì)碼字進(jìn)行更新，并且判定該像素點(diǎn)為背景點(diǎn)，否則就判定該點(diǎn)為前景點(diǎn)，如式(7)所示

經(jīng)典碼本模型背景更新運(yùn)用每幀更新的辦法，這對(duì)一般運(yùn)動(dòng)目標(biāo)的檢測(cè)效果較好。但是過于頻繁、不加區(qū)別的更新會(huì)將對(duì)應(yīng)的碼字信息更新到更接近于前景目標(biāo)像素的區(qū)間上，這很可能會(huì)造成目標(biāo)離開后背景暴露區(qū)域像素與已經(jīng)偏離了真實(shí)區(qū)間的碼字不匹配，從而造成誤檢［15］。另外當(dāng)場(chǎng)景中出現(xiàn)物體遺留情況時(shí)，隨著碼本模型的更新，遺留目標(biāo)區(qū)域也會(huì)被更新為背景，導(dǎo)致無法檢測(cè)出遺留目標(biāo)。因此，本文在經(jīng)典碼本模型上增加了適時(shí)匹配更新算法和陰影去除算法，從而準(zhǔn)確檢測(cè)出候選的靜止目標(biāo)區(qū)域，算法流程如圖1所示。

圖1 靜止目標(biāo)檢測(cè)算法流程圖

如圖1所示，當(dāng)像素點(diǎn)xt(x，y)與碼本模型中的所有碼字都不匹配時(shí)，則該像素點(diǎn)所屬的區(qū)域可能為運(yùn)動(dòng)目標(biāo)、遺留目標(biāo)或陰影區(qū)域。本文借鑒文獻(xiàn)［1］中所用的陰影抑制方法，其主要思想是當(dāng)前幀中陰影區(qū)域的像素點(diǎn)強(qiáng)度值與背景模型中對(duì)應(yīng)點(diǎn)強(qiáng)度值之間的比值接近一個(gè)固定值，故可以利用這點(diǎn)來檢測(cè)陰影。

考慮到遺留目標(biāo)在場(chǎng)景中會(huì)駐留較長(zhǎng)時(shí)間，那么遺留目標(biāo)區(qū)域在駐留期間會(huì)一直與碼本模型不匹配，同時(shí)相鄰幀之間該區(qū)域卻幾乎沒有變化。因此創(chuàng)建了一個(gè)計(jì)分圖map(x，y)，統(tǒng)計(jì)在T幀之內(nèi)，與(x，y)點(diǎn)像素值xt(x，y)的不匹配次數(shù)，同時(shí)統(tǒng)計(jì)差分二值圖像中對(duì)應(yīng)點(diǎn)DB(x，y)為0的次數(shù)，記為count。計(jì)分圖map(x，y)的定義如下式中:a是一個(gè)容忍值，可以根據(jù)場(chǎng)景較復(fù)雜程度來調(diào)整a的值，一般a取0～3。T幀之后，如果map(x，y)＞T/2，且count＞3/5T，那么可以認(rèn)定該點(diǎn)屬于靜止目標(biāo)區(qū)域，然后通過連通域標(biāo)定與分塊操作，得到候選的靜止目標(biāo)區(qū)域信息，主要包括區(qū)域的質(zhì)心點(diǎn)、頂點(diǎn)坐標(biāo)和區(qū)域大小等。

在完成陰影檢測(cè)后，由于遺留物是在場(chǎng)景中駐留時(shí)間超過一定閾值的物體，但場(chǎng)景中存在運(yùn)動(dòng)物體短暫停留的情況，所以這里先對(duì)所有滿足靜止目標(biāo)區(qū)域判斷條件的遺留目標(biāo)的區(qū)域進(jìn)行保存，同時(shí)設(shè)定最小目標(biāo)區(qū)域面積閾值S(本文取200)，舍棄小于S的目標(biāo)區(qū)域，對(duì)符合條件的靜止目標(biāo)區(qū)域在隨后的跟蹤環(huán)節(jié)進(jìn)行細(xì)判斷，準(zhǔn)確地得到遺留目標(biāo)。

2 遺留目標(biāo)跟蹤

在獲取候選的遺留目標(biāo)區(qū)域信息后，本文采用文獻(xiàn)［16］中基于壓縮感知的跟蹤算法來對(duì)靜止目標(biāo)區(qū)域進(jìn)行實(shí)時(shí)跟蹤，該跟蹤算法簡(jiǎn)單，執(zhí)行效率高，在有部分遮擋情況下依然能夠準(zhǔn)確跟蹤。

2.1 壓縮跟蹤的相關(guān)理論

壓縮跟蹤算法［16］的主要思想為:首先利用滿足壓縮感知中約束等距性(Restricted Isometry Property，RIP)條件的稀疏測(cè)量矩陣有效地將目標(biāo)區(qū)域的多尺度特征空間投影到一個(gè)低維壓縮子空間，并且該低維壓縮子空間能夠很好地保留高維圖像特征空間信息;然后在降維后的特征信息上采用樸素貝葉斯分類器進(jìn)行分類，隨后每幀通過在線學(xué)習(xí)更新分類器，在當(dāng)前幀中得到被跟蹤目標(biāo)的位置信息，從而實(shí)現(xiàn)對(duì)目標(biāo)的跟蹤。

Johnson-Lindenstrauss引理［17］表明:隨機(jī)選擇一個(gè)適當(dāng)?shù)母呔S子空間(比原始空間維度小)，將原始空間兩點(diǎn)的距離投影到這個(gè)子空間中，該子空間依然能高概率地保留這種距離關(guān)系。同時(shí)Baraniuk等人證明了滿足此引理的隨機(jī)矩陣同樣滿足壓縮感知理論中的RIP條件［18］，這個(gè)極強(qiáng)的理論使得可以通過低維隨機(jī)投影來分析高維信號(hào)。那么就需要找到一個(gè)不僅滿足此引理，而且又能使得跟蹤算法實(shí)時(shí)的稀疏矩陣。

2.2 區(qū)域特征的投影算法

在完成了遺留目標(biāo)檢測(cè)步驟并獲取了遺留目標(biāo)的位置信息后，與廣義Haar-like特征提取方法相似，隨后在每幀圖像中靠近遺留目標(biāo)中心位置的區(qū)域采集正樣本，而在離遺留目標(biāo)中心位置較遠(yuǎn)的區(qū)域采集負(fù)樣本。同時(shí)為了實(shí)現(xiàn)多尺度特征提取工作［16］，對(duì)每一個(gè)樣本z∈Rw×h，將其與不同尺度的多個(gè)矩形濾波器{h1，1，h1，2，…，hw，h}進(jìn)行卷積。任意尺度的矩形濾波器定義如下

式中:i和j分別為矩形濾波器的寬和高。將濾波展開后的多個(gè)列向量連接起來可得多尺度圖像特征向量x= (x1，x2，…，xm)T，這是一個(gè)維度非常高的向量，維度為(w×h)×(w×h)。

基于上文的分析，如果一個(gè)n×m的隨機(jī)矩陣R，它可以將一個(gè)高維圖像空間(m維)的x變換為一個(gè)低維空間的v(n維)，就可以用數(shù)學(xué)形式v=Rx來表示(n?m)。當(dāng)矩陣R滿足Johnson-Lindenstrauss引理，就認(rèn)為x是可壓縮的。那么通過最小化誤差可以從低維空間的v高概率重建高維空間中的x。文獻(xiàn)［16］采用了一個(gè)非常稀疏的隨機(jī)測(cè)量矩陣R，該矩陣元素的定義如下

式中:s取2或3時(shí)，矩陣滿足上述引理。尤其當(dāng)s取3時(shí)，矩陣變得非常稀疏，計(jì)算量將會(huì)減少2/3。本文取s=m/4，由此矩陣R的每一行僅需計(jì)算k元素的值，其中k＜4，故計(jì)算復(fù)雜度為O(kn)。另外，由于只需存儲(chǔ)R中的非零元素即可，因此所需存儲(chǔ)空間也較少。投影算法示意圖如圖2所示。

圖2 投影算法示意圖

在本文中，圖2可以看成是通過滿足RIP條件的稀疏測(cè)量矩陣R對(duì)高維的多尺度圖像特征向量進(jìn)行了壓縮，而且壓縮感知理論［16］保證壓縮后的特征能高概率地保留原有的圖像特征信息。那么可以對(duì)低維空間中的圖像特征進(jìn)行分類，當(dāng)分類器實(shí)現(xiàn)最佳分類時(shí)得到當(dāng)前幀跟蹤到的目標(biāo)位置，從而實(shí)現(xiàn)對(duì)遺留目標(biāo)的準(zhǔn)確跟蹤。

2.3 分類器構(gòu)建與更新

在完成高維特征投影算法后，每個(gè)樣本z(m維)對(duì)應(yīng)的低維可以表示為v=(v1，v2，…，vn)T(n維，且n?m)。假定v中各個(gè)元素之間相互獨(dú)立，那么可以通過樸素貝葉斯分類器［19］來建模，其公式如下

參數(shù)更新遵循下面的公式

2.4 遺留目標(biāo)區(qū)域跟蹤

通過上面的分析，本文針對(duì)遺留目標(biāo)區(qū)域采用基于壓縮感知理論和樸素貝葉斯分類器相結(jié)合的跟蹤算法，可以很好地解決前面提出的問題(2)和(3)。針對(duì)場(chǎng)景中存在運(yùn)動(dòng)物體短暫停留的情況，所以本文采用了靜止目標(biāo)區(qū)域質(zhì)心距離判斷和三幀差分相結(jié)合的方法，以減少誤判。具體的遺留目標(biāo)跟蹤算法步驟如下:

輸入:第t幀圖像

2)使用式(10)中的分類器H(v)對(duì)特征向量v進(jìn)行分類，統(tǒng)計(jì)分類分?jǐn)?shù)，其最大值所在圖像片的位置It，作為當(dāng)前幀目標(biāo)位置;

3)如果同時(shí)滿足:(1)靜止目標(biāo)的原始質(zhì)心點(diǎn)坐標(biāo)和當(dāng)前幀的目標(biāo)區(qū)域質(zhì)心點(diǎn)坐標(biāo)的距離P It-It-1P≥distance;(2)對(duì)t-1幀中目標(biāo)區(qū)域進(jìn)行三幀差分處理［20］，得到二值化圖像B，統(tǒng)計(jì)B中像素值為255的點(diǎn)的總數(shù)，大于區(qū)域面積的15%時(shí)，就判定該靜止目標(biāo)區(qū)域離開場(chǎng)景，刪除該目標(biāo)區(qū)域位置信息，轉(zhuǎn)到輸出。否則轉(zhuǎn)入下一步;

5)提取上面2個(gè)樣本集的特征，根據(jù)式(12)來更新分類器參數(shù);

輸出:分類器參數(shù)和It。

在上述的壓縮跟蹤算法中，不僅能夠準(zhǔn)確地跟蹤遺留目標(biāo)，而且針對(duì)運(yùn)動(dòng)物體短暫停留的情況也進(jìn)行了判斷，簡(jiǎn)單高效地檢測(cè)出真正的遺留物，實(shí)現(xiàn)最終的遺留物檢測(cè)。

3 實(shí)驗(yàn)結(jié)果及分析

本文主要是在計(jì)算機(jī)視覺類庫OpenCV的基礎(chǔ)上，通過VS2008編程來實(shí)現(xiàn)上述算法的，其中N=100，T= 150，distance=5。測(cè)試序列1是PETS2006標(biāo)準(zhǔn)測(cè)試視頻中的一個(gè)，大小是320×240像素點(diǎn)，幀率是30 f/s (幀/秒)，視頻描述的內(nèi)容是一個(gè)人在車站候車廳里遺留了一個(gè)行李。實(shí)驗(yàn)結(jié)果如圖3所示。

圖3 測(cè)試1的實(shí)驗(yàn)結(jié)果圖

如圖3所示，圖3a是經(jīng)過靜止目標(biāo)檢測(cè)后得到的候選遺留目標(biāo)區(qū)域的二值化圖像;圖3b中用矩形框標(biāo)定出待跟蹤的靜止目標(biāo)區(qū)域;圖3c是圖像某一幀目標(biāo)被部分遮擋時(shí)，對(duì)候選遺留目標(biāo)進(jìn)行跟蹤得到的結(jié)果。

測(cè)試序列2的大小是320×256像素點(diǎn)，幀率是25 f/s，這段測(cè)試視頻描述的內(nèi)容是車輛A和B先后停留在停車場(chǎng)中，經(jīng)過較長(zhǎng)的一段時(shí)間后，車輛A駛離了停車場(chǎng)，而車輛B一直沒有離開。實(shí)驗(yàn)結(jié)果如圖4所示。

在圖4中，圖4a是視頻序列的某一幀圖像;圖4b是經(jīng)過靜止目標(biāo)檢測(cè)后，得到候選靜止目標(biāo)區(qū)域的二值化圖像;圖4c中用矩形框標(biāo)出待跟蹤的靜止目標(biāo)區(qū)域;圖4d是某一時(shí)刻對(duì)候選的遺留目標(biāo)進(jìn)行跟蹤得到的結(jié)果;圖4e是當(dāng)車輛A開始駛離場(chǎng)景時(shí)所跟蹤的結(jié)果;圖4f當(dāng)車輛A滿足駛離判斷條件后的跟蹤結(jié)果。

圖4 測(cè)試2的實(shí)驗(yàn)結(jié)果圖

上述實(shí)驗(yàn)結(jié)果表明，本文算法可以準(zhǔn)確高效地檢測(cè)出遺留目標(biāo)區(qū)域，同時(shí)可以對(duì)該目標(biāo)區(qū)域?qū)崟r(shí)跟蹤，即使目標(biāo)有部分遮擋，也能夠?qū)δ繕?biāo)進(jìn)行準(zhǔn)確跟蹤。另外當(dāng)有運(yùn)動(dòng)物體短暫停留時(shí)，也能很好地進(jìn)行判斷，消除干擾。測(cè)試結(jié)果如表1所示。

表1 視頻序列檢測(cè)結(jié)果分析

這些測(cè)試視頻來源于以下標(biāo)準(zhǔn)測(cè)試視頻庫: PETS2006、VISOR(Video Surveillance Online Repository)和AVSS(Advanced Video and Signal based Surveillance)。通過在不同測(cè)試視頻序列中進(jìn)行檢測(cè)，本文算法能夠準(zhǔn)確檢測(cè)并實(shí)時(shí)跟蹤候選遺留目標(biāo)，從而準(zhǔn)確實(shí)現(xiàn)遺留目標(biāo)檢測(cè)。本文算法運(yùn)行于Windows7 64位系統(tǒng)，CPU型號(hào)為AMD A8-3850，主頻2.9 GHz和內(nèi)存4 Gbyte的計(jì)算機(jī)上。

4 小結(jié)

本文提出了一種高效易行的遺留物檢測(cè)方法。首先利用碼本模型建模和適時(shí)匹配背景更新方法相結(jié)合來獲取候選靜止目標(biāo);然后結(jié)合壓縮感知理論和樸素貝葉斯分類器來準(zhǔn)確跟蹤候選靜止目標(biāo)，從而實(shí)現(xiàn)遺留物檢測(cè)和跟蹤。實(shí)驗(yàn)結(jié)果表明，本文提出的方法不僅能夠?qū)Ρ尘澳Ｐ瓦M(jìn)行動(dòng)態(tài)更新，而且能夠?qū)崟r(shí)高效地檢測(cè)遺留目標(biāo)，同時(shí)可以消除由運(yùn)動(dòng)物體短暫停留所造成的干擾。本文方法可以應(yīng)用于車輛停車檢測(cè)和拋灑物檢測(cè)等交通事件檢測(cè)領(lǐng)域。

［1］ZIN T T，TIN P，TORIU T，etal.A probability-basedmodel for detecting abandoned objects in video surveillance systems［C］//Proc.the World Congress on Engineering.London:WCE，2012:1936-1941.

［2］孔英會(huì)，張新新，王蘊(yùn)珠.智能視頻監(jiān)控系統(tǒng)中物體遺留檢測(cè)方法的研究［J］.計(jì)算機(jī)工程與科學(xué)，2010，32(6):118-121.

［3］周飛.基于背景建模的遺棄物檢測(cè)［D］.上海:上海交通大學(xué)，2008.

［4］ZIN TT，TIN P，TORIU T，etal.A novel probabilistic video analysis for stationary object detection in video surveillance systems［J］.IAENG International Journal of Computer Science，2012，39(3):295-306.

［5］BANGARE P S，UKE N J，BANGARE S L.An approach for detecting abandoned object from real time video［J］.International Journal of Engineering Research and Applications(IJERA)，2012，2(3): 2646-2649.

［6］RINCON JM，HERRERO-JARABA J，GOMEZ JR，et al.Automatic left luggage detection and tracking using multi-camera ukfF［C］// Proc.the 9th IEEE InternationalWorkshop on Performance Evaluation in Tracking and Surveillance.New York:IEEE Press，2006:59-66.

［7］BABENKO B，YANG M H，BELONGIE S.Robust object tracking with onlinemultiple instance learning［J］.IEEE Transactions on Pattern A-nalysis and Machine Intelligence，2011，33(8):1619-1632.

［8］KAIHUA Z，LEIZ，MING-HSUAN Y.Real-time object tracking via online discriminative feature selection［J］.IEEE Trans.Image Processing，2013，22(12):4664-4677.

［9］蔡睿妍，田全.視頻序列中目標(biāo)的檢測(cè)與跟蹤［J］.電視技術(shù)，

2012，36(15):127-129.

［10］LIX，ZHANGC，ZHANGD.Abandoned objects detection using double illumination invariant foreground masks［C］//Proc.2010 20th International Conference on Pattern Recognition(ICPR).Istanbul:IEEE Press，2010:436-439.

［11］TIAN Y，F(xiàn)ERIS R，HAMPAPUR A.Real-time detection of abandoned and removed objects in complex environments［EB/OL］.［2014-02-10］.http://academic.research.microsoft.com/Publication/6394815/real-time-detection-of-abandoned-and-removed-objects-in-complex-environments.

［12］SAJITH K，NAIR K N R.Abandoned or removed objects detection from surveillence video using codebook［J］.International Journal of Engineering Research and Technology，2013，2(5):400-406.

［13］寧文鑫，王貴錦，何禮，等.基于多層碼本模型的遺棄行李檢測(cè)算法［J］.計(jì)算機(jī)應(yīng)用研究，2012，29(1):386-388.

［14］KIM K，CHALIDABHONGSE T H，HARWOOD D，et al.Real-time foreground-background segmentation using codebookmodel［J］.Real -time Imaging，2005，11(3):172-185.

［15］姜柯，李艾華，蘇延召.基于改進(jìn)碼本模型的視頻運(yùn)動(dòng)目標(biāo)檢測(cè)算法［J］.電子科技大學(xué)學(xué)報(bào)，2012，6(41):932-936.

［16］ZHANG K，ZHANG L，YANG M H.Real-time compressive tracking［M］.Computer Vision-ECCV 2012.［S.l.］:Springer Berlin Heidelberg，2012.

［17］ACHLIOPTAS D.Database-friendly random projections:Johnson-Lindenstrausswith binary coins［J］.Journal of computer and System Sciences，2003，66(4):671-687.

［18］BARANIUK R，DAVENPORTM，DEVORER，etal.A simple proof of the restricted isometry property for random matrices［J］.Constructive Approximation，2008，28(3):253-263.

［19］RISH I.An empirical study of the naive Bayes classifier［C］//Proc. IJCAI 2001 Workshop on Empirical Methods in Artificial Intelligence. Seattle:IJCAI，2001，3(22):41-46.

［20］丁磊，宮寧生.基于改進(jìn)的三幀差分法運(yùn)動(dòng)目標(biāo)檢測(cè)［J］.電視技

術(shù)，2013，37(1):151-153.

Abandoned Object Detection Based on Codebook M odel and Compressive Tracking Algorithm

ZHANG Hui，XUWei，XIE Zhengguang，JIANG Xiaoyan，MAWenxuan
(College of Electronics and Information，Nantong University，Jiangsu Nantong 226019，China)

The general abandoned object detection algorithms proposed are either highly complex orweak in tracking abandoned object.Therefore，an abandoned object detectionmethod based on codebook model and compressive tracking algorithm is proposed.Firstly，the stationary target area information is obtained through codebook backgroundmodeling and timelymatching background update algorithm.Then，a very sparsemeasurementmatrix is used to reduce the dimensions ofmulti-scale image features，which are acted as the positive and negative samples in the classifier，for the stationary target area.At last，those features extracted above are classified via a naive Bayes classifier.As a result，the tracking location is found in the current frame with themaximal classifier response.Even when partially covered，the abandoned object can still be accurately tracked.The results show that the proposed method is not only simple，efficient and real-time，but also can efficiently eliminate the interference caused by the shortterm stay of the objects.

abandoned object detection;codebook model;background update;compressive tracking;real-time

TN911.73

A

張 輝(1989—)，碩士生，CCF會(huì)員，主要研究方向?yàn)閳D像處理、智能交通、計(jì)算機(jī)視覺;

徐 偉(1988—)，碩士生，CCF會(huì)員，主要研究方向?yàn)閳D像處理、智能交通、計(jì)算機(jī)視覺;

謝正光(1967—)，教授，主要研究方向?yàn)橹悄苄畔⑻幚?、圖像視頻信號(hào)處理與傳輸;

蔣小燕(1989—)，女，碩士生，主要研究方向?yàn)閿?shù)字信號(hào)處理、壓縮感知;

馬文萱(1988—)，女，碩士生，主要研究方向?yàn)橐曨l編解碼、壓縮感知。

??健男

2014-04-21

【本文獻(xiàn)信息】張輝，徐偉，謝正光，等.基于碼本模型和壓縮跟蹤算法的遺留物檢測(cè)［J］.電視技術(shù)，2014，38(23).

國(guó)家自然科學(xué)基金面上項(xiàng)目(61171077);交通部應(yīng)用基礎(chǔ)研究項(xiàng)目(2011-319-813-510);南通大學(xué)創(chuàng)新人才基金項(xiàng)目(2009);南通大學(xué)研究生科技創(chuàng)新計(jì)劃項(xiàng)目(YKC13003)