屈鑒銘,劉志鏡,賀文驊

(西安電子科技大學(xué)計(jì)算機(jī)學(xué)院, 710071, 西安)

結(jié)合有向場(chǎng)景運(yùn)動(dòng)模式的粒子濾波行人跟蹤方法

屈鑒銘,劉志鏡,賀文驊

(西安電子科技大學(xué)計(jì)算機(jī)學(xué)院, 710071, 西安)

針對(duì)現(xiàn)有行人跟蹤算法較少考慮場(chǎng)景運(yùn)動(dòng)模式信息的問題,建立一種面向有向場(chǎng)景運(yùn)動(dòng)模式的在線學(xué)習(xí)模型以描述區(qū)域行人的共有運(yùn)動(dòng)特性,并以此提出了一種新型的粒子濾波行人跟蹤算法。通過對(duì)行人運(yùn)動(dòng)特性的選擇性在線統(tǒng)計(jì),探索在非高密度行人跟蹤問題中場(chǎng)景模式信息和運(yùn)動(dòng)歷史信息的運(yùn)用方式。模型由一個(gè)表征行人運(yùn)動(dòng)狀態(tài)相空間局域運(yùn)動(dòng)特性的二階直方圖矩陣來描述,并根據(jù)每個(gè)跟蹤單元的加權(quán)投票實(shí)施更新。通過修正粒子轉(zhuǎn)移后似然概率分布,該算法能夠加速粒子向真實(shí)的后驗(yàn)分布收斂。通過對(duì)兩個(gè)不同特點(diǎn)的公共數(shù)據(jù)集視頻中的行人進(jìn)行跟蹤實(shí)驗(yàn)并與標(biāo)準(zhǔn)的粒子濾波算法結(jié)果比較,該算法的平均跟蹤誤差均低于標(biāo)準(zhǔn)粒子濾波平均跟蹤誤差的40%,且其運(yùn)算速度可達(dá)6～15幀/s,滿足近實(shí)時(shí)應(yīng)用幀率。

有向場(chǎng)景運(yùn)動(dòng)模式;粒子濾波;行人跟蹤

行人跟蹤是計(jì)算機(jī)視覺的核心熱點(diǎn)課題之一,廣泛地應(yīng)用于智能交通、人機(jī)交互、公共安全及國(guó)防建設(shè)等諸多領(lǐng)域。行人跟蹤的關(guān)鍵技術(shù)之一是如何選取最有效的迭代濾波算法解決狀態(tài)的估計(jì)問題。早期廣為采用的卡爾曼濾波以及其后提出的擴(kuò)展卡爾曼濾波和無味卡爾曼濾波等算法均是線性動(dòng)態(tài)系統(tǒng)的最優(yōu)極小方差估計(jì)。這些算法雖然能夠較好地應(yīng)用于具有高斯噪聲信號(hào)系統(tǒng),但卻無法適用于非線性、非高斯動(dòng)態(tài)系統(tǒng)。另一種稱作粒子濾波(particle filter, PF)的貫序估計(jì)算法能夠通過對(duì)從當(dāng)前系統(tǒng)狀態(tài)分布采樣的一群粒子實(shí)施加權(quán)獲取系統(tǒng)后驗(yàn)概率密度分布的近似。因其采用的蒙特卡羅統(tǒng)計(jì)方法能夠避免遞推貝葉斯估計(jì)中的高階積分運(yùn)算,故更宜解決非線性、非高斯動(dòng)態(tài)系統(tǒng)狀態(tài)的估計(jì)問題。然而,標(biāo)準(zhǔn)粒子濾波采用先驗(yàn)概率分布作為重要性密度函數(shù)(importance density function, IDF),當(dāng)IDF與后驗(yàn)概率分布函數(shù)偏差過大時(shí),會(huì)導(dǎo)致粒子退化現(xiàn)象的發(fā)生。正則化粒子濾波(regularized particle filter, RPF)[1]和馬爾可夫鏈蒙特卡羅(Markov chain Monte Carlo, MCMC)粒子濾波[2]等改進(jìn)算法采用粒子重采樣策略來緩解和克服粒子退化問題。RPF選擇從連續(xù)概率分布而不是離散分布中采樣以減少粒子的多樣性衰退,但其具有在高維狀態(tài)空間中難以實(shí)現(xiàn)粒子正則化這一局限性,而MCMC技術(shù)基于一個(gè)非周期性、不可約馬爾可夫鏈完成粒子重采樣,不僅有效地克服了粒子多樣性衰退問題,更因?yàn)椴捎昧薓etropolis-Hastings算法構(gòu)建轉(zhuǎn)移概率,與其他重采樣算法相比也頗具效率優(yōu)勢(shì)。因此,本文所述行人跟蹤算法在重采樣環(huán)節(jié)采用MCMC技術(shù)以達(dá)到增強(qiáng)粒子多樣性的目的。

反映在行人跟蹤領(lǐng)域的另一熱點(diǎn)問題,源于對(duì)場(chǎng)景空間形態(tài)信息的利用程度。眾所周知,處于視頻監(jiān)視環(huán)境中的行人狀態(tài),往往受到場(chǎng)景空間形態(tài)的持續(xù)影響。因行人運(yùn)動(dòng)的意識(shí)性兼目的性,通常由場(chǎng)景布局和其他因素引發(fā)的諸如運(yùn)動(dòng)抑制或運(yùn)動(dòng)吸引等影響非常明顯,例如一些欄桿、路肩和墻壁等場(chǎng)景元素通常會(huì)限制行人的運(yùn)動(dòng),而另一些例如長(zhǎng)椅、商場(chǎng)和出入口等場(chǎng)景元素則會(huì)給行人帶來刺激并產(chǎn)生目的性的運(yùn)動(dòng)期望。這種區(qū)域內(nèi)行人運(yùn)動(dòng)因場(chǎng)景形態(tài)及內(nèi)部元素作用所表現(xiàn)的規(guī)律性稱作場(chǎng)景運(yùn)動(dòng)模式(scene motion pattern, SMP)。近年來,該領(lǐng)域吸引了計(jì)算機(jī)視覺領(lǐng)域的廣泛關(guān)注,為描述群體場(chǎng)景的運(yùn)動(dòng)模式,文獻(xiàn)[3]提出一種基于結(jié)構(gòu)化場(chǎng)景力學(xué)模型,稱作地板場(chǎng)理論;文獻(xiàn)[4]通過在場(chǎng)景網(wǎng)格空間所建立的一組隱式馬爾可夫模型,估計(jì)區(qū)域運(yùn)動(dòng)時(shí)空的概率分布,并結(jié)合粒子濾波算法對(duì)行人實(shí)施跟蹤;文獻(xiàn)[5]針對(duì)群體場(chǎng)景的密集光流,使用一種基于無向圖的聚類方法;文獻(xiàn)[6]則針對(duì)群體場(chǎng)景中部分行人的顯著性,建立了一種鄰近運(yùn)動(dòng)一致性的分組模型,再通過混合高斯模型對(duì)其聚類以獲取相似的運(yùn)動(dòng)模式;文獻(xiàn)[7]結(jié)合馬爾可夫隨機(jī)場(chǎng)的LDA主題模型,對(duì)所獲取的跟蹤單元進(jìn)行時(shí)空關(guān)聯(lián);文獻(xiàn)[8]提出一種基于張量投票的RNMG在線學(xué)習(xí)算法,通過聚類相似的前景運(yùn)動(dòng),利用貝葉斯估計(jì)對(duì)目標(biāo)進(jìn)行跟蹤,因其所提取的運(yùn)動(dòng)模式以前景分割為手段,更適用目標(biāo)較為明顯的場(chǎng)景行人跟蹤。

綜合這一領(lǐng)域的諸多研究,視頻行人跟蹤亟待解決的問題集中在兩方面:一是在非高密度行人監(jiān)控場(chǎng)景中如何建立有效的場(chǎng)景運(yùn)動(dòng)模式模型問題;二是如何利用場(chǎng)景運(yùn)動(dòng)模式以改進(jìn)行人跟蹤算法的精度問題。針對(duì)以上問題,本文提出一種有向場(chǎng)景運(yùn)動(dòng)模式的在線學(xué)習(xí)模型,并結(jié)合MCMC粒子濾波技術(shù),建立一種新型的行人跟蹤算法以增強(qiáng)場(chǎng)景模式中局部運(yùn)動(dòng)取向信息,通過對(duì)行人運(yùn)動(dòng)特性的選擇性在線統(tǒng)計(jì),探索在非高密度行人跟蹤問題中場(chǎng)景模式信息和運(yùn)動(dòng)歷史信息的運(yùn)用方式。整個(gè)算法的流程如圖1所示。

圖1 DSMP模型粒子濾波跟蹤流程圖

1 MCMC粒子濾波

粒子濾波算法的主要思想是通過不斷調(diào)整從系統(tǒng)狀態(tài)經(jīng)驗(yàn)性條件概率分布中采樣獲取的一群加權(quán)隨機(jī)粒子,實(shí)現(xiàn)對(duì)系統(tǒng)分布本身的估計(jì)。由于行人跟蹤問題可視為一個(gè)非線性、非高斯隨機(jī)過程,其動(dòng)力學(xué)空間模型定義為

xk=Φ(xk-1,vk-1),xk∈RNx,vk∈RNv

(1)

zk=Ψ(xk,nk),zk∈RNz,nk∈RNn

(2)

式中:xk和zk分別是系統(tǒng)在k時(shí)刻的動(dòng)力學(xué)狀態(tài)向量和觀測(cè)向量。本文算法中,xk定義為由二維坐標(biāo)、速度的方向與大小外加跟蹤窗口的寬度和長(zhǎng)度所構(gòu)成的六維狀態(tài)空間向量,即

xk=[xk,yk,θk,ρk,wk,hk]T

(3)

出現(xiàn)在式(1)的系統(tǒng)噪聲向量vk和觀測(cè)噪聲向量nk相互獨(dú)立,其有界非線性映射Φ和Ψ分別為系統(tǒng)的狀態(tài)轉(zhuǎn)移函數(shù)和觀測(cè)函數(shù)。令p(x0)為系統(tǒng)狀態(tài)的先驗(yàn)概率,則描述k時(shí)刻系統(tǒng)狀態(tài)的后驗(yàn)概率分布p(x0:k|z1:k)可近似表示為離散形式

(4)

(5)

由此,系統(tǒng)后驗(yàn)概率密度分布進(jìn)一步表示為

p(x0:k|z1:k)=

(6)

通常使用重要性密度函數(shù)作為系統(tǒng)的狀態(tài)轉(zhuǎn)移概率p(xk|xk-1)。由于每次觀測(cè)的相互獨(dú)立性和任一時(shí)刻p(zk|z1:k-1)對(duì)所有粒子描述的同一性,將式(6)代入式(5),即得到粒子權(quán)值的更新公式

(7)

(8)

進(jìn)行估計(jì)。為緩解粒子衰退問題,算法采用前述MCMC重采樣技術(shù),通過構(gòu)造一個(gè)極限分布與系統(tǒng)轉(zhuǎn)移概率分布相同的非周期性、不可約馬爾可夫鏈實(shí)施粒子采樣,并根據(jù)Metropolis-Hastings算法計(jì)算轉(zhuǎn)換概率。之所以采用MCMC重采樣方法,主要鑒于它具有較好的收斂性,且能夠快速獲取多樣化粒子分布并緩解粒子衰退問題等諸多優(yōu)點(diǎn)。MCMC重采樣方法的應(yīng)用步驟由下述算法給出。

算法1MCMC重采樣方法

對(duì)于每個(gè)粒子n,

產(chǎn)生均勻分布[0,1]隨機(jī)數(shù),即u～U[0,1]

2 基于有向場(chǎng)景運(yùn)動(dòng)模式的行人跟蹤

直接通過場(chǎng)景理解獲取場(chǎng)景布局信息的方法極為不易,因?yàn)檎_識(shí)別各種場(chǎng)景元素是運(yùn)用這一方法的前提,但若將場(chǎng)景中每個(gè)行人看作獨(dú)立樣本,采用統(tǒng)計(jì)方法學(xué)習(xí)歷史跟蹤過程中共有的運(yùn)動(dòng)規(guī)律性,即可在有效避免增加算法復(fù)雜性的條件下獲取場(chǎng)景運(yùn)動(dòng)模式信息。因此,本文提出一種稱作有向場(chǎng)景運(yùn)動(dòng)模式(directed scene motion pattern, DSMP)的在線學(xué)習(xí)統(tǒng)計(jì)模型以描述區(qū)域的共有運(yùn)動(dòng)特征。該模型能夠有效利用獨(dú)立行人跟蹤的歷史信息,并通過對(duì)同一區(qū)域大量樣本在個(gè)體上所表現(xiàn)的多態(tài)性運(yùn)動(dòng)隨機(jī)狀態(tài)的學(xué)習(xí),統(tǒng)計(jì)得出其整體上所表現(xiàn)的穩(wěn)定的規(guī)律性行為,從而決定區(qū)域運(yùn)動(dòng)的主流模式。

2.1 有向場(chǎng)景運(yùn)動(dòng)模式模型

(a)CAVIAR場(chǎng)景圖像 (b)CAVIAR 12像素DSMP

(c)PETS09場(chǎng)景圖像 (d)PETS09 20像素DSMP

由于給定場(chǎng)景中行人運(yùn)動(dòng)的歷史信息集中反映于其速度的大小和方向雙重因素,DSMP模型選用場(chǎng)景位形空間的二階方向速率直方圖矩陣描述場(chǎng)景空間各個(gè)位置不同運(yùn)動(dòng)特性發(fā)生的概率分布。為使矩陣元素和空間位置一一對(duì)應(yīng),將整個(gè)場(chǎng)景空間分割成邊長(zhǎng)為SC的均勻正方形網(wǎng)格(i,j),其中i、j分別為網(wǎng)格在x和y方向的離散坐標(biāo),每個(gè)網(wǎng)格使用一個(gè)包含方向和速度大小信息的歸一化二維直方圖矩陣H描述其所在區(qū)域的運(yùn)動(dòng)特性。圖2直觀描述了跟蹤場(chǎng)景與該直方圖矩陣的關(guān)系,其中圖2a和圖2c分別顯示來自CAVIAR和PETS09數(shù)據(jù)庫(kù)場(chǎng)景跟蹤圖像,矩形框表示系統(tǒng)局域狀態(tài)分布的期望估計(jì),圓點(diǎn)代表粒子當(dāng)前的局域狀態(tài),其半徑反映粒子權(quán)值;而圖2b和圖2d分別表示兩個(gè)數(shù)據(jù)庫(kù)場(chǎng)景的DSMP直方圖矩陣模型數(shù)據(jù),網(wǎng)格線段的亮度表示局域速度大小。每個(gè)矩陣元素H(i,j)(d,m)表征在網(wǎng)格點(diǎn)(i,j)處的鄰域上發(fā)生具有角度范圍d和速度范圍m內(nèi)的運(yùn)動(dòng)狀態(tài)的概率。定義k時(shí)刻位于(i,j)處,具有系統(tǒng)動(dòng)力學(xué)狀態(tài)xk的質(zhì)點(diǎn)的運(yùn)動(dòng)特征向量分量yk=[xk,yk,θk,ρk]T,則任一矩陣元素對(duì)應(yīng)表示k時(shí)刻位于(i,j)處質(zhì)點(diǎn)的運(yùn)動(dòng)狀態(tài)特征向量分量的概率密度積分為

H(i,j)(d,m)?

(9)

考慮到行人運(yùn)動(dòng)路徑的雙向性,DSMP模型的方向維度定義域設(shè)置為[0,π)。為保證模型的有向性,定義方向維度的簇寬Ld≤π/2,即模型至少應(yīng)具備兩個(gè)角度分量(水平和垂直分量)。同時(shí),速率維度的定義域設(shè)置為[Mmin,Mmax],其中Mmin和Mmax是用于過濾噪聲和錯(cuò)誤跟蹤投票的上下閾值。相應(yīng)的,速率維度的簇寬LM≤(Mmax-Mmin)/2,即模型也應(yīng)同時(shí)具備至少兩個(gè)速度大小分量(低速和高速分量)。另外,由于行人運(yùn)動(dòng)具有主觀性和不確定性(即使具有相同的目的,行人的區(qū)域運(yùn)動(dòng)特性也不盡相同),過多設(shè)置分量會(huì)導(dǎo)致DSMP模型出現(xiàn)過擬合問題。

注意到盡管對(duì)具體跟蹤的某一行人來說,其不同空間位置的運(yùn)動(dòng)狀態(tài)具有時(shí)間相關(guān)性,但對(duì)大量描述的行人整體而言,由其統(tǒng)計(jì)得到的空間任一位置的區(qū)域運(yùn)動(dòng)模式一般不具備時(shí)間特性。換句話說,盡管DSMP模型的更新需要依賴當(dāng)前時(shí)刻的跟蹤結(jié)果,模型本身的狀態(tài)描述卻是時(shí)間無關(guān)的。

2.2 模型更新

為更清晰地理解DSMP的更新機(jī)制,需要確切給出有效連續(xù)跟蹤單元(valid continuous tracklet, VCT)的定義,即在時(shí)間間隔δ內(nèi)目標(biāo)持續(xù)存在條件下,每幀跟蹤獲取的目標(biāo)所在空間位置相對(duì)于上一幀空間位置在規(guī)定閾值范圍內(nèi)的跟蹤位移

(10)

閾值設(shè)定用于過濾由于位移過大而引發(fā)的錯(cuò)誤跟蹤,而時(shí)間間隔δ用于防止因跟蹤位移過小而產(chǎn)生的噪聲。有效連續(xù)跟蹤單元是DSMP模型更新的基礎(chǔ)和數(shù)據(jù)來源。跟蹤前,描述整個(gè)場(chǎng)景區(qū)域運(yùn)動(dòng)特性的每個(gè)二階網(wǎng)格直方圖矩陣均被初始化為二維全零數(shù)組。在跟蹤過程中,每幀獲取的有效連續(xù)跟蹤片段都會(huì)觸發(fā)對(duì)跟蹤窗口覆蓋區(qū)域的直方圖的投票。投票使用非加權(quán)雙線性插值算法,根據(jù)有效連續(xù)跟蹤單元的角度和位移大小選擇,針對(duì)毗鄰的4個(gè)直方圖矩陣元素實(shí)施加權(quán)歸一化投票。為了過濾跟蹤噪聲,還需要舍去具有極小位移的跟蹤單元。DSMP模型投票更新由下式描述。

(11)

式中:集合Ω包括時(shí)刻k場(chǎng)景中所有行人的有效連續(xù)跟蹤單元;Id,m是跟蹤單元vk,δ對(duì)模型的相應(yīng)角度分量d和速度大小分量m的雙線性插值系數(shù)。整個(gè)投票算法如圖3所示:圖中左側(cè)示意存在有效連續(xù)跟蹤單元的圖像局部,標(biāo)注紋理的網(wǎng)格均獲得該跟蹤單元投票;右側(cè)示意某網(wǎng)格直方圖方向維和速度維的雙線性插值投票。

圖3 DSMP模型更新過程示意圖

2.3 似然計(jì)算

似然概率分布表征時(shí)刻k粒子系統(tǒng)狀態(tài)描述與觀測(cè)描述的相似程度。為包含行人區(qū)域的邊緣和顏色分布特征,本文采用顏色直方圖和梯度方向直方圖的加權(quán)組合特征參與似然概率分布計(jì)算。記行人初始的歸一化特征向量為f0,單個(gè)粒子描述的網(wǎng)格區(qū)域的歸一化組合特征向量為fn,并定義任一向量相對(duì)初始向量的特征距離

(12)

式中:b(·)為兩特征向量間的巴氏系數(shù)。同時(shí)引用區(qū)域相似性函數(shù)

(13)

量度粒子運(yùn)動(dòng)狀態(tài)與其所描述區(qū)域運(yùn)動(dòng)模式的相似性,則似然概率分布為

(14)

式中:C(·)為歸一化系數(shù)。利用區(qū)域運(yùn)動(dòng)模式相似性函數(shù)s(·)矯正粒子的似然概率分布,可加速DSMP模型的有效粒子狀態(tài)向量向真實(shí)運(yùn)動(dòng)模式收斂,并在目標(biāo)發(fā)生遮擋時(shí)促使粒子向區(qū)域運(yùn)動(dòng)模式接近,從而在目標(biāo)結(jié)束遮擋后使所描述的粒子分布更接近目標(biāo)運(yùn)動(dòng)的真實(shí)分布。

3 實(shí)驗(yàn)驗(yàn)證與結(jié)果分析

實(shí)驗(yàn)視頻選用CAVIAR行人數(shù)據(jù)集[9]中的26個(gè)視頻、共計(jì)24 566幀圖像序列和PETS09數(shù)據(jù)集[10]中的14個(gè)行人視頻、共計(jì)6 240幀圖像序列進(jìn)行測(cè)試。兩個(gè)數(shù)據(jù)集相應(yīng)的幀率和分辨率分別為25幀/s、384×288像素和7幀/s、768×576像素。所收集的視頻序列均由公共場(chǎng)合監(jiān)視系統(tǒng)錄制,其中包含多種行人運(yùn)動(dòng)形式,例如正常行走、站立、轉(zhuǎn)身及相互穿插;同時(shí)還包含一些群體行為,例如并肩同步、握手、面對(duì)面交談以及撕扯打斗等,因此能夠全面地驗(yàn)證跟蹤算法的適應(yīng)性和魯棒性。

為驗(yàn)證新建算法的有效性,實(shí)驗(yàn)在相同視頻條件下,將其與標(biāo)準(zhǔn)的粒子濾波算法在同一計(jì)算平臺(tái)的跟蹤結(jié)果進(jìn)行對(duì)比。針對(duì)兩種不同分辨率的數(shù)據(jù)集,DSMP模型分別設(shè)置了12和20像素的網(wǎng)格尺度,且有效連續(xù)跟蹤單元的位移投票閾值均設(shè)置為[1,10]。為保證可比性,其余所有參數(shù)例如粒子數(shù)、系統(tǒng)噪聲方差、觀測(cè)噪聲方差、似然分布方差、狀態(tài)向量閾值等盡可能選取一致。由于測(cè)試視頻均已標(biāo)注Ground Truth,跟蹤誤差可由其標(biāo)注中心與估計(jì)位置中心的歐氏距離計(jì)算得出。兩種算法對(duì)部分行人跟蹤測(cè)試中跟蹤誤差ε和平均跟蹤誤差εavg隨幀數(shù)f變化的統(tǒng)計(jì)結(jié)果由圖4給出。

實(shí)驗(yàn)對(duì)比發(fā)現(xiàn),兩種算法在程序運(yùn)行初期ε相當(dāng),然而經(jīng)過一段時(shí)間的模型學(xué)習(xí)后,DSMP粒子濾波算法與傳統(tǒng)算法相比逐漸顯示出明顯的跟蹤精度優(yōu)勢(shì),即其平均跟蹤誤差εavg逐漸減小到更低的水平。統(tǒng)計(jì)顯示,標(biāo)準(zhǔn)粒子濾波算法經(jīng)CAVIAR與PETS09視頻分別測(cè)試的εavg為69.45和275.02像素。相比之下,本文所述算法對(duì)于兩個(gè)數(shù)據(jù)庫(kù)視頻的測(cè)試εavg分別為26.65和83.31像素。由此看出,與標(biāo)準(zhǔn)PF算法相比,基于DSMP的PF行人跟蹤算法能夠維持更低的平均誤差水平,從而具有更為精確的跟蹤精度。

(a)跟蹤誤差ε比較

(b)平均跟蹤誤差εavg比較

實(shí)驗(yàn)結(jié)果還顯示,本文算法對(duì)一些行人的跟蹤誤差明顯高于其他行人。經(jīng)分析,個(gè)別行人ε增大的可能原因是跟蹤過程行人受到長(zhǎng)時(shí)間的遮擋、與其他行人過多的擁擠或軌跡交叉等因素影響所導(dǎo)致。由于包含更多群體行為,這種現(xiàn)象在PETS09測(cè)試視頻運(yùn)行中尤其突出,甚至包含少量的跟蹤失敗算例。此外,兩種數(shù)據(jù)庫(kù)視頻的不同分辨率也是可能造成這種現(xiàn)象的原因。

此外,實(shí)驗(yàn)還對(duì)本文算法在不同DSMP模型分量劃分條件下的結(jié)果進(jìn)行測(cè)試對(duì)比。為增強(qiáng)實(shí)驗(yàn)結(jié)果的穩(wěn)定性和可信度,選取測(cè)試視頻所包含的行人運(yùn)動(dòng)相對(duì)穩(wěn)定平緩,發(fā)生遮擋、軌跡交錯(cuò)以及擁擠的現(xiàn)象也較少。實(shí)驗(yàn)在選取DSMP直方圖方向變量簇寬分別為π/2、π/4和π/8以及速度簇寬分別為4、8和10像素/s條件下,將部分視頻序列的平均跟蹤誤差結(jié)果記錄見表1。比較發(fā)現(xiàn),平均跟蹤誤差隨方向簇寬的增大反映出明顯減小趨勢(shì),而速度簇寬的改變對(duì)評(píng)價(jià)跟蹤誤差影響不甚明顯。測(cè)試還顯示,當(dāng)方向簇寬較大時(shí),誤差穩(wěn)定性略顯不佳。因此,本文建議使用π/8的方向簇寬并同時(shí)設(shè)置4像素/s或8像素/s的速度簇寬以適當(dāng)降低算法的計(jì)算量及所需存儲(chǔ)空間。

表1 不同DSMP模型分量劃分下的平均跟蹤誤差比較

算法效率方面,盡管整個(gè)測(cè)試都在普通雙核CPU的個(gè)人計(jì)算機(jī)平臺(tái)運(yùn)行且未作特殊的代碼優(yōu)化,DSMP模型的更新幀率仍然達(dá)到約80～140幀/s,而總體跟蹤算法的幀率也能夠基本保持6～15幀/s。若提升硬件性能,采用并行或GPU計(jì)算,DSMP粒子濾波跟蹤算法的執(zhí)行效率還會(huì)得到進(jìn)一步提升。

4 結(jié) 論

在公共場(chǎng)合監(jiān)視視頻中,傳統(tǒng)的行人跟蹤算法均未有效地利用場(chǎng)景運(yùn)動(dòng)模式中所包含的先驗(yàn)信息。針對(duì)這一問題,本文提出一種結(jié)合有向場(chǎng)景運(yùn)動(dòng)模式和MCMC粒子濾波的在線學(xué)習(xí)跟蹤算法,用于提高行人跟蹤的適應(yīng)性和魯棒性。實(shí)驗(yàn)結(jié)果表明,在近實(shí)時(shí)的運(yùn)算速度下,該算法能夠加快粒子向真實(shí)概率分布收斂,且能夠保持更低的跟蹤誤差,從而獲得更高的跟蹤精度。下一步工作的重點(diǎn)是使用并行計(jì)算進(jìn)一步提高算法的跟蹤精度和效率。

[1] MUSSO C, OUDJANE N, GLAND F L. Improving regularised particle filters [M]∥ Sequential Monte Carlo Methods in Practice. New York, USA: Springer, 2001: 247-271.

[2] GILKS W R, BERZUINI C. Following a moving target: Monte Carlo inference for dynamic Bayesian models [J]. Journal of the Royal Statistical Society: Series B Statistical Methodology, 2001, 63(1): 127-146.

[3] ALI S, SHAH M. Floor fields for tracking in high density crowd scenes [M]∥ Computer Vision-ECCV. Berlin, Germany: Springer-Verlag, 2008: 1-14.

[4] KRATZ L, NISHINO K. Tracking with local spatio-temporal motion patterns in extremely crowded scenes [C]∥Proceedings of the 2010IEEE Conference on Computer Vision and Pattern Recognition. Piscataway, NJ, USA: IEEE, 2010: 693-700.

[5] XU Feiming, LU Tong, WU Yirui. Robust object tracking using motion context in crowded scenes [M]∥ Advances in Multimedia Information Processing. Cham, Switzerland: Springer International Publishing, 2013: 550-560.

[6] IDREES H, WARNER N, SHAH M. Tracking in dense crowds using prominence and neighborhood motion concurrence [J]. Image and Vision Computing, 2014, 32(1): 14-26.

[7] ZHOU Bolei, WANG Xiaogang, TANG Xiaoou. Random field topic model for semantic region analysis in crowded scenes from tracklets [C]∥Proceedings of the 2011IEEE Conference on Computer Vision and Pattern Recognition. Piscataway, NJ, USA: IEEE, 2011: 3441-3448.

[8] ZHAO X, MEDIONI G. Robust unsupervised motion pattern inference from video and applications [C]∥Proceedings of the 2011IEEE International Conference on Computer Vision. Piscataway, NJ, USA: IEEE, 2011: 715-722.

[9] CAVIAR Project. CAVIAR database [DB/OL]. (2005-09-30)[2014-06-01]. http:∥homepages.inf.ed.ac.uk/rbf/CAVIAR/.

[10]UK EPSRC REASON Project. PETS2009 DataSet[DB/OL]. (2009-10-07)[2014-06-01]. http:∥pets2009.net/.

(編輯 武紅江)

PedestrianTrackingUsingDirectedSceneMotionPatternandParticleFilter

QU Jianming,LIU Zhijing,HE Wenhua

(School of Computer Science and Technology, Xidian University, Xi’an 710071, China)

An online learning model oriented to directed scene motion patterns and based on particle filter is proposed to get over the problem that existing pedestrian tracking algorisms have little consideration on the scene motion patterns, to process the priori scene information and to improve the precision of pedestrian tracking. The model describes the local motion characteristic in phase space of the system state vector using a direction-speed motion histogram matrix, and is updated according to weighted voting of each track unit. The particle filter can accelerate the particles evolution to the true posterior distribution through modifying likelihood probability distribution of particle transfer. Experimental results on two pedestrian data sets with different characteristic forms and comparisons with the standard particle filter algorithm show that the average tracking error of the proposed approach is 40% lower than that of the standard particle filter algorithm, while its computation speed approaches the range of 6 to 15 frames a second, and that the proposed approach completely meets the conditions of real-time application.

directed scene motion pattern; particle filter; pedestrian tracking

2014-06-16。

屈鑒銘(1985—),男,博士生;劉志鏡(通信作者),男,教授,博士生導(dǎo)師。

國(guó)家自然科學(xué)基金資助項(xiàng)目(61173091)。

時(shí)間:2014-11-27

10.7652/xjtuxb201412012

TN911.73

:A

:0253-987X(2014)12-0074-06

網(wǎng)絡(luò)出版地址:http:∥www.cnki.net/kcms/detail/61.1069.T.20141127.1818.001.html