房正華 楊新艷 李 蒙

（青島工學院信息工程學院 山東 266300）

0 引言

運動物體實時識別跟蹤技術的研究一直是電子信息領域的一大熱點，并在各種工程應用領域發(fā)揮了及其重要的作用，涉及圖像識別、模式匹配、實時跟蹤算法等多種技術領域。目前，該技術在識別精度、跟蹤效率、復雜環(huán)境適應性等多方面都有了長足的進步，這也為其在各個領域的行業(yè)應用打下了良好的基礎，包括區(qū)域智能監(jiān)控，日常生活中基于身份識別的個性化服務，視頻圖像處理中的視頻去模糊、視頻去抖等。

1 常見的運動物體識別跟蹤技術

當前的運動物體識別跟蹤技術主要有以下幾種類型。

（1）基于對目標物體特征識別，諸如人臉識別中人臉的對稱性，雙目的對稱性，外圍輪廓等都是人臉這個物體的特征，以這些特征作為在視頻、圖像中抓取人員圖像的基礎。人員監(jiān)控、基于視頻的公交車人數(shù)統(tǒng)計等應用主要就是采用這種方式。其可以實現(xiàn)對一類物體（比如人員，車牌）的識別，而并不關注與其特定的身份。

（2）基于模型匹配，對于被識別或被監(jiān)控人員或物體，預先在系統(tǒng)之上生成對應的模型，形成模型庫。在該人員（物體）進入監(jiān)控區(qū)域后，系統(tǒng)通過將圖像實時與模型庫中的模型對照，從而實現(xiàn)對某一個人員準確識別。

以上兩種傳統(tǒng)的物體識別算法，面對實際應用中的復雜情景，會面臨諸多挑戰(zhàn)。

①目標特性描述存在局限性，在物體特征復雜或處于復雜背景情況下，對其識別率造成影響。

②目標特性靜態(tài)描述，無法對運動中或產生形變的物體持續(xù)跟蹤。當同一物體展現(xiàn)不同的觀測角度或產生形變時，造成目標特性描述無效。

③傳統(tǒng)模型通常采用“離線訓練物體模型”，其被識別物體的最新特征不能自動反饋至模型，造成物體及人員的靜態(tài)模型應對物體形變，角度變化時存在局限性。

2 傳統(tǒng)的運動物體跟蹤算法及本文提出的新算法

運動物體跟蹤算法主要有“減背景法”、“幀差法”、“光流法”等。其中LK光流算法為目前能較準確地檢測運動目標的算法。而在實際應用中，該算法在視頻圖像不穩(wěn)定、模糊的情況下存在錯誤預測點群，造成跟蹤效果不穩(wěn)定。

運動物體識別跟蹤技術所存在的這些問題，使其在實際應用中所面對適應性不好、魯棒性差、環(huán)境要求苛刻等諸多問題，影響其產品轉化能力及行業(yè)應用效果。該文針對目前運動物體識別跟蹤技術所存在的問題，提出了以具有實時在線更新特性的“物體多維度模型”為基礎，以四相位交叉約束的“無監(jiān)督自學習分類器”作為物體模型自更新的驅動，并結合“基于位置正負置信區(qū)域約束的跟蹤定位算法”，最終實現(xiàn)一個新穎的多運動物體實時識別跟蹤技術體系。相對于傳統(tǒng)算法，該系統(tǒng)最大的優(yōu)勢是其可以精準地實現(xiàn)對生活中普遍存在的可形變物體（如筆記本電腦的開合狀態(tài)、人臉的正側面等）的識別與跟蹤。在LK光流算法的基礎上創(chuàng)新性的添加了物體位置正負置信區(qū)（前景，背景）。

3 新算法的應用

本文提出的是一種面向視頻中物體特征復雜、背景情況復雜、可形變物體的物體實時識別跟蹤技術，并基于此算法在嵌入式平臺上實現(xiàn)身份識別與網(wǎng)絡電視重點個性化推薦系統(tǒng)。算法研究方面包括“無監(jiān)督自學習分類器”、“實時更新的物體多維模型”、“基于位置正負置信區(qū)域約束的跟蹤定位算法”構成，圖1描述了整個系統(tǒng)組成。

圖1 系統(tǒng)組成

其運作方式如下：

（1）通過給定被監(jiān)控物體的初始形態(tài)，“跟蹤定位算法”對視頻中的物體識別跟蹤。

（2）同時“自學習分類器”對當前最新的物體形態(tài)進行分類學習。

（3）基于分類器最新的分類及識別結果更新物體多維模型，該多維模型包括時間軸、特征點群描述、出現(xiàn)位置、正置信區(qū)、運動描述等內容。

（4）更新的物體多維模型用于進一步的識別與跟蹤。

系統(tǒng)中的三個模塊互相作用與約束，構成一個交互式自校驗更新子系統(tǒng)，并對上述三個模塊之間進行交互校驗，互為添加的迭代約束條件，進而提高模型優(yōu)化水平與定位精度。

4 系統(tǒng)主要模塊構成

基于該算法，實現(xiàn)實時身份驗證，并構建網(wǎng)絡電視終端的個性化智能推薦系統(tǒng)。該基于身份認證的智能推薦系統(tǒng)是上述算法的驗證與實現(xiàn)，系統(tǒng)主要模塊如下：

（1）視頻采集：通過微型攝像頭捕捉用戶的影像，傳輸給跟蹤識別子系統(tǒng)。

（2）人臉跟蹤：實現(xiàn)“基于位置正負置信區(qū)域約束的光流特征點群跟蹤算法”。

（3）物體模型：用于存儲和描述物體多維模型，并作為物體識別的依據(jù)。

（4）無監(jiān)督機器學習：實現(xiàn)“四相位交叉約束自學習訓練算法”，并實時更新物體模型。

（5）物體識別：基于實時更新的物體多維模型，完成對視頻中物體的識別。

（6）信息推送：根據(jù)識別的結果，推送合適的節(jié)目及信息。

（7）通信：同網(wǎng)絡電視終端后臺通信，獲得針對不同人群的節(jié)目與消息信息。

5 結束語

本文提出的運動物體識別跟蹤算法是對LK光流算法的改進，首次將物體位置正負置信區(qū)域約束應用到傳統(tǒng)的LK光流算法，大幅降低了原算法中錯誤預測點群前后幀匹配相似值，提高了算法在視頻模糊、前后幀匹配較差等問題上的適應性與魯棒性。

[1]楊國亮.一種改進的光流算法[J].計算機工程，2006，32（15）：187-189.

[2]儲珺.基于光流的動態(tài)背景運動目標檢測算法[J].南昌航空大學學報自然科學版.2011，25（3）：1-6.

[3]施家.動態(tài)場景中運動目標檢測與跟蹤[J].北京理工大學學報自然科學版，2009，29（10）：858-860.

[4]張娟.運動目標跟蹤算法研究綜述[J].計算機應用研究，2009，26（12）：4407-4410.