徐 蕾，劉 曼，彭月平

(武警工程大學(xué)，陜西 西安 710086)

復(fù)雜背景下視頻運動目標(biāo)跟蹤算法研究

徐 蕾，劉 曼，彭月平

(武警工程大學(xué)，陜西 西安 710086)

隨著視頻監(jiān)控技術(shù)的進(jìn)步，運動目標(biāo)跟蹤作為計算機(jī)視覺領(lǐng)域的難點問題，具有廣闊的發(fā)展前景，其采用的算法種類繁多，效果也各有千秋。結(jié)合文獻(xiàn)資料介紹了目前普遍適用的四種目標(biāo)跟蹤算法，對比分析了其優(yōu)勢和局限性，可以綜合采用兩種以上算法進(jìn)行跟蹤研究來提高目標(biāo)跟蹤識別的精度和效率。最后歸納總結(jié)了目標(biāo)跟蹤算法亟待解決的問題和研究趨勢，對未來跟蹤算法的發(fā)展進(jìn)行展望。

運動目標(biāo)跟蹤；跟蹤算法；均值漂移；粒子濾波

Abstract: With the continuous development of video surveillance technology, moving target tracking as a difficult problem in the field of computer vision, has a wide development prospect. It has many kinds of algorithms and they have different effects. In this paper, four kinds of tracking algorithms are introduced, and their advantages and limitations are compared and analyzed.We can combine two or more algorithms to take the tracking research, that can improve the accuracy and efficiency of target tracking. Finally, the problems that tracking algorithm needs to improve and research trends of target tracking algorithm are summarized, also the future development of tracking algorithms is prospected.

Key words:moving target tracking; tracking algorithm; Mean Shift; particle filter

0 引言

運動目標(biāo)跟蹤是指從視頻圖像序列中獲取單個或者多個目標(biāo)隨時空變化的運動軌跡信息?；谝曨l圖像的運動目標(biāo)跟蹤是計算機(jī)視覺領(lǐng)域的重要研究方向，它在軍事偵查、交通系統(tǒng)等方面有著廣泛應(yīng)用，但在實際應(yīng)用中，背景干擾和目標(biāo)外觀變化等因素會直接影響目標(biāo)跟蹤效果?？蓪⒛繕?biāo)跟蹤問題分為目標(biāo)檢測和目標(biāo)跟蹤兩個階段，檢測算法用來發(fā)現(xiàn)目標(biāo)并確定其位置，而跟蹤算法可以確定目標(biāo)運動軌跡、外觀等參數(shù)，方便進(jìn)行后續(xù)的觀察分析。本文主要是對目前較實用的目標(biāo)跟蹤算法進(jìn)行簡述和比較，并分析各自的優(yōu)缺點。

1 運動目標(biāo)跟蹤算法

常見的運動目標(biāo)跟蹤算法分為基于主動輪廓的跟蹤、基于目標(biāo)特征的跟蹤、基于目標(biāo)區(qū)域的跟蹤和基于濾波的跟蹤[1]。本文按照這四種類型來介紹目前適用的幾種算法。

目前運動目標(biāo)跟蹤算法的技術(shù)難點主要有三方面：

(1)運動目標(biāo)的陰影與目標(biāo)本身的運動特征幾乎相同，易被當(dāng)成前景信息而被錯誤檢測并提取出來。

(2)在高密度人群的視頻圖像中，目標(biāo)之間相對擁擠，存在相互之間遮擋的情形，導(dǎo)致目標(biāo)提取困難，難以準(zhǔn)確跟蹤。

(3)視頻圖像的信息量大，在跟蹤運動目標(biāo)的過程中，其可靠性和精確性的提高，對所采用的算法有著更高的要求，尤其在實時性問題的解決上。

1.1基于人臉Haar-like特征頭部檢測跟蹤法

該方法屬于基于主動輪廓的跟蹤，它是在獲得目標(biāo)整體信息的基礎(chǔ)上提取邊界輪廓信息作為模板，再對后續(xù)圖像序列的二值邊緣圖像進(jìn)行匹配，從而實現(xiàn)目標(biāo)跟蹤。其優(yōu)點在于不需要考慮先驗知識，目標(biāo)的輪廓信息可以隨著圖像序列的輸入不斷更新，且計算量小，匹配速度快。

大多數(shù)視頻圖像跟蹤問題中的場景圖像序列是采用位置不變的攝像機(jī)獲取的，有的是采用背景建模的方式提取運動區(qū)域，還有些是通過背景減除法來檢測跟蹤，這些方法對低密度人群的檢測跟蹤有一定效果，但對于復(fù)雜場景下的高密度人群會出現(xiàn)遺漏和差錯。在假設(shè)監(jiān)控攝像機(jī)架設(shè)在一定高度的前提下，提出了基于人臉Haar-like特征的Viola-Jones分類器檢測臉部的跟蹤方法[2]，對于背向攝像機(jī)的人群，采用輪廓特征Logistic回歸分類器進(jìn)行檢測。其主要原理就是利用該分類器檢測到某一幀圖像中所需跟蹤采集的目標(biāo)頭部輪廓特征，提取特征向量后采用似然函數(shù)計算權(quán)重值，再利用這個分類器預(yù)測下一幀圖像中該位置是否存在同一頭部輪廓特征。

此類方法主要是基于對人體頭部輪廓特征的檢測，避免了背景建模的復(fù)雜性，能夠滿足實時跟蹤移動目標(biāo)的需求，但是對于目標(biāo)遮擋或重疊問題仍有一定的弊端。另外邊界輪廓的初始化過程較為困難[3]，只有當(dāng)目標(biāo)邊緣輪廓曲線的能量最小時才能獲得其真實輪廓。

1.2多特征融合目標(biāo)跟蹤算法

該算法屬于基于目標(biāo)特征的跟蹤方法?；叶葓D像的特征信息只有彩色圖像的1/3，因此單純利用灰度值作為特征值，會導(dǎo)致目標(biāo)丟失，無法進(jìn)行定位和識別[4]。因而提出了利用圖像x和y方向的梯度特征和灰度特征融合形成多特征直方圖對目標(biāo)進(jìn)行穩(wěn)定跟蹤的方法。

首先建立包含灰度特征和梯度特征兩個部分的特征模型，利用sobel算子對待匹配模板的圖像求其x和y方向的紋理特征，然后提取加權(quán)特征，采用背景建模方法提取主要前景目標(biāo)，減少背景特征值產(chǎn)生的干擾信息。若待匹配圖像的像素位置屬于前景圖像，則統(tǒng)計當(dāng)前概率密度；若屬于背景圖像，則對概率密度圖像取高斯概率分布函數(shù)的小概率隨機(jī)數(shù)[5]。最后為了減少光照、形變等外界因素對匹配度的影響，在對待匹配圖像的像素點進(jìn)行尺度變換后再做直方圖統(tǒng)計，使用MeanShift(均值漂移)算法算出特征值，并通過迭代確定目標(biāo)的最終位置。

對x和y兩個方向的梯度和灰度特征進(jìn)行融合，能夠使得目標(biāo)和背景信息的對比更加明顯，從而優(yōu)化跟蹤效果。基于特征的跟蹤方法是對運動目標(biāo)中具有不變性的元素特征進(jìn)行檢測跟蹤，在后續(xù)視頻圖像中利用算法進(jìn)行匹配來跟蹤運動目標(biāo)。為了使得算法結(jié)果更加精確，通?？梢越Y(jié)合多個特征因素進(jìn)行跟蹤。

1.3基于旋轉(zhuǎn)不變LBP特征的Mean Shift跟蹤算法

它屬于基于目標(biāo)區(qū)域的跟蹤方法。Mean Shift跟蹤算法是通過以均值漂移為基礎(chǔ)的模式匹配進(jìn)行迭代算法，再計算搜索目標(biāo)的位置。鑒于顏色直方圖對圖像的模糊程度、尺度變化等信息的敏感度不強(qiáng)，導(dǎo)致對目標(biāo)顏色分布的分析判斷存在缺陷，因而傳統(tǒng)Mean Shift跟蹤算法計算量較大，實時性差。在此基礎(chǔ)上引入COV算子、HOG算子等，但仍不能很好地滿足區(qū)分同一梯度不同紋理像素的要求，而LBP特征的旋轉(zhuǎn)相關(guān)性能夠較好地區(qū)分并解決此問題[1]。

Mean Shift跟蹤算法是對前一幀目標(biāo)位置的鄰域范圍進(jìn)行匹配度最大值的尋找，從而完成算法迭代，通過不斷移動改變概率密度的梯度方向，直至達(dá)到其局部密度的最大值。該算法的整體思路是：手動選定視頻圖像首幀的運動目標(biāo)區(qū)域，并計算該區(qū)域和候選區(qū)域的旋轉(zhuǎn)不變LBP特征值，它由擴(kuò)展的LBP數(shù)據(jù)循環(huán)移位實現(xiàn)，公式如下：

(1)

然后尋找運動目標(biāo)和候選目標(biāo)在LBP特征空間內(nèi)的最小距離，即相似度最大值[6]。接著讀取下一幀視頻圖像，通過迭代前一幀的位置形成一個循環(huán)跟蹤模型。引入旋轉(zhuǎn)不變LBP特征后的Mean Shift跟蹤算法能夠克服傳統(tǒng)Mean Shift算法魯棒性差、易丟失目標(biāo)的弊端，可對光照突變和背景相似條件下的視頻目標(biāo)進(jìn)行跟蹤，對于目標(biāo)旋轉(zhuǎn)和形變等情況也能夠很好解決。這種跟蹤算法區(qū)別于傳統(tǒng)點對點匹配算法，采用自適應(yīng)迭代的方法快速進(jìn)行模式匹配和計算，能對高概率密度部分進(jìn)行精搜索，對低概率密度部分進(jìn)行粗搜索。

基于區(qū)域的跟蹤方法將視頻首幀作為參考模板，計算它和后續(xù)圖像序列的相關(guān)性來確定目標(biāo)位置，依據(jù)運動目標(biāo)區(qū)域內(nèi)的單個或者多個特征進(jìn)行跟蹤，在無遮擋條件下其精確度和穩(wěn)定性較好，對于陰影和遮擋問題的處理仍有不足。均值偏移算法忽略了目標(biāo)在運動過程中的連貫性，僅搜索有限條件下相匹配的目標(biāo)，匹配精確度有待提高[7]。

1.4顏色粒子濾波目標(biāo)跟蹤

它屬于基于濾波和顏色特征的跟蹤方法，主要是建立系統(tǒng)動態(tài)模型估計運動目標(biāo)狀態(tài)從而達(dá)到實時掌控目標(biāo)運動狀態(tài)的目的，它包括線性濾波跟蹤和非線性濾波兩大類，卡爾曼濾波屬于線性濾波的算法，而非線性濾波，是根據(jù)貝葉斯估計的相關(guān)理論實現(xiàn)的。

該方法針對顏色粒子濾波對光照敏感的問題提出。粒子濾波算法是以貝葉斯估計為基礎(chǔ)的一種能有效解決非線性系統(tǒng)的狀態(tài)估計問題的算法，對于運動目標(biāo)局部遮擋的魯棒性要優(yōu)于Mean Shift跟蹤算法，其應(yīng)用范圍也更廣泛。將顏色直方圖和運動目標(biāo)的空間分布信息結(jié)合起來，并建立多個顏色模型來改善跟蹤效果[8]，提高精確度，但無法有效避免或減少光照條件對目標(biāo)跟蹤效果的影響。顏色粒子濾波算法是在對顏色直方圖改進(jìn)后的基礎(chǔ)上，針對顏色特征的光照敏感性等缺陷，設(shè)計了相應(yīng)的自適應(yīng)更新目標(biāo)模型和能夠動態(tài)調(diào)節(jié)粒子數(shù)目的方法，從而解決了運動目標(biāo)的遮擋問題。

該算法的原理是采用蒙特卡羅統(tǒng)計模擬方法來實現(xiàn)貝葉斯多重積分問題，通過系統(tǒng)狀態(tài)空間中的粒子描述后驗概率分布情況，即把系統(tǒng)狀態(tài)估計問題轉(zhuǎn)化為用大量帶權(quán)粒子求解后驗概率分布問題[9]，同時不斷更新粒子以確保算法的實時性和有效性。其實質(zhì)就是采用系統(tǒng)狀態(tài)空間的隨機(jī)樣本點來計算后驗概率密度函數(shù)，再利用重采樣的方法循環(huán)遞推計算，假設(shè)樣本空間足夠大時，所采集的概率密度即為真實的概率密度結(jié)果。該方法能夠?qū)⒍嘀胤e分和概率密度計算的復(fù)雜程度降低，在實時場景下快速完成目標(biāo)運動狀態(tài)的估計和預(yù)測問題，并且能夠支持非線性和非高斯?fàn)顟B(tài)的系統(tǒng)模型，對于局部遮擋和運動突變造成的影響可以予以克服，魯棒性好，其計算精度與最優(yōu)估計接近[10]。但是對于長時間遮擋或者相似目標(biāo)交錯的情況會存在明顯的誤差，甚至出現(xiàn)目標(biāo)跟蹤失敗的情況。

2 總結(jié)與展望

目前所研究的基于場景模式的運動目標(biāo)跟蹤算法均是以理想環(huán)境為前提，不完全代表實際應(yīng)用中出現(xiàn)的干擾和影響因素。對簡單語義的行為信息能夠快速識別理解，但對于復(fù)雜場景下的深層運動模式的理解還有所缺乏，可結(jié)合混合高斯模型、馬爾科夫模型等更為復(fù)雜的數(shù)學(xué)模型加以分析研究，以提高分析理解能力。

運動目標(biāo)跟蹤作為智能視頻監(jiān)控系統(tǒng)的關(guān)鍵技術(shù)，在軍事領(lǐng)域能夠?qū)崿F(xiàn)對軍事目標(biāo)的實時跟蹤，在智能交通方面可以對違規(guī)車輛進(jìn)行跟蹤，在醫(yī)學(xué)方面能夠跟蹤研究微觀細(xì)胞等，其研究價值越來越高，也意味著所采用的算法要進(jìn)一步優(yōu)化。魯棒性好和精確度高一直是衡量目標(biāo)跟蹤算法是否適用的標(biāo)準(zhǔn)，因而需要找到高效、快速、穩(wěn)定的算法來應(yīng)對復(fù)雜環(huán)境下的目標(biāo)跟蹤。在未來的研究中需要進(jìn)一步解決以下問題：

(1)對于目標(biāo)遮擋或重疊問題，一直是視頻監(jiān)控和目標(biāo)跟蹤的難點問題，尤其是在對多個運動目標(biāo)的檢測和跟蹤上，以上算法的效果還存在缺陷，因而使用多個攝像機(jī)實現(xiàn)多方位監(jiān)控仍是目前最有效的手段。

(2)在背景復(fù)雜的情形下，采用多種方法結(jié)合的算法能夠有效解決目標(biāo)運動軌跡變化的問題，但當(dāng)目標(biāo)停止運動或者緩慢運動時，會出現(xiàn)難以獲取穩(wěn)定背景模型的情況[11]，給圖像的處理帶來困難。因而要綜合多方面因素來設(shè)計算法，既要滿足目標(biāo)突變時的跟蹤，又能完成目標(biāo)慢變化時背景模型的獲取。

[1] 李菊.復(fù)雜背景下的運動目標(biāo)檢測與跟蹤[D].合肥：合肥工業(yè)大學(xué),2015.

[2] 曹瑞,王敏,段瀟瀟.密集人群場景下的行人檢測與跟蹤[J].計算機(jī)與現(xiàn)代化,2017(1):75-78.

[3] 高瑞華.智能視頻監(jiān)控中運動目標(biāo)檢測與跟蹤算法研究[D].南京：南京航空航天大學(xué),2014.

[4] 鄒薇,趙勛杰,李權(quán),等.一種基于運動檢測的行人多目標(biāo)跟蹤算法[J].計算機(jī)應(yīng)用與軟件,2014,31(8): 132-135.

[5] 江山,張銳,韓廣良,等.復(fù)雜背景灰度圖像下的多特征融合運動目標(biāo)跟蹤[J].中國光學(xué),2016,6(3):320-328.

[6] 肖亮,陳想,丁亮.一種改進(jìn)的Mean Shift運動目標(biāo)跟蹤算法[J].信息技術(shù),2017(1):127-130.

[7] 張英,車進(jìn),牟曉凱,等.改進(jìn)的Meanshift運動目標(biāo)跟蹤算法[J].電視技術(shù),2016,40(10):97-100.

[8] 王歡.復(fù)雜場景下的運動目標(biāo)檢測與跟蹤研究[D].北京：北京理工大學(xué),2015.

[9] 楊陽,陳淑榮.融合顏色與紋理特征的粒子濾波目標(biāo)跟蹤[J].微型機(jī)與應(yīng)用,2015,6(11):47-50.

[10] 楊戈,溫詩偉,黃靜.基于粒子濾波的視覺跟蹤器的設(shè)計與實現(xiàn)[J].電子技術(shù)應(yīng)用,2013,39(11):142-144.

[11] 王紅茹,季鳴.一種新型的實效運動目標(biāo)檢測與跟蹤方法[J].江蘇科技大學(xué)學(xué)報(自然科學(xué)版),2016,30(6):586-590.

Research of moving target tracking algorithms under complex background

Xu Lei, Liu Man, Peng Yueping

(Engineering University of PAP, Xi’an 710086, China)

TP391.4

A

10.19358/j.issn.1674- 7720.2017.18.005

徐蕾，劉曼，彭月平.復(fù)雜背景下視頻運動目標(biāo)跟蹤算法研究[J].微型機(jī)與應(yīng)用，2017,36(18)：15-17.

2017-03-20)

徐蕾(1992-)，女，在讀研究生，主要研究方向：作戰(zhàn)環(huán)境。

彭月平(1976-)，男，博士，副教授，主要研究方向：數(shù)字信號處理。

劉曼(1991-)，女，在讀研究生，主要研究方向：武警通信。