時磊， 魯華棟

(1. 河南工業(yè)職業(yè)技術(shù)學(xué)院 電子信息工程系， 南陽 473000； 2. 河南工業(yè)職業(yè)技術(shù)學(xué)院 網(wǎng)絡(luò)管理中心， 南陽 473000)

基于高斯混合模型的移動目標(biāo)跟蹤

時磊1， 魯華棟2

(1. 河南工業(yè)職業(yè)技術(shù)學(xué)院 電子信息工程系， 南陽 473000； 2. 河南工業(yè)職業(yè)技術(shù)學(xué)院 網(wǎng)絡(luò)管理中心， 南陽 473000)

目標(biāo)跟蹤是視頻處理中的一個重要研究方向，針對傳統(tǒng)跟蹤方法魯棒性差、誤差大的缺陷，設(shè)計了基于高斯混合模型的移動目標(biāo)跟蹤方法。對當(dāng)前移動目標(biāo)跟蹤的研究現(xiàn)狀進(jìn)行分析，找到引起目標(biāo)跟蹤誤差大、魯棒性差的原因，采用高斯混合模型對視頻中移動目標(biāo)進(jìn)行檢測，提取完整的運(yùn)動目標(biāo)，采用卡爾曼濾波算法對目標(biāo)移動軌跡進(jìn)行跟蹤，并通過具體目標(biāo)跟蹤實(shí)驗(yàn)對其性能進(jìn)行測試，結(jié)果表明，其方法可以對移動目標(biāo)進(jìn)行準(zhǔn)確跟蹤，可以適合目標(biāo)背景的復(fù)雜變化，魯棒性好，加快了目標(biāo)跟蹤的效率，跟蹤結(jié)果十分穩(wěn)定。

視頻圖像； 移動目標(biāo)； 目標(biāo)檢測； 卡爾曼濾波； 高斯混合模型

0 引言

隨著計算機(jī)視覺處理技術(shù)的不斷成熟，其在智能監(jiān)控、身份認(rèn)證等領(lǐng)域具有潛在的應(yīng)用價值[1]。目標(biāo)跟蹤是計算機(jī)視覺處理研究中的一個重要方向，其可以描述目標(biāo)移動的軌跡，因此如何準(zhǔn)確對移動目標(biāo)跟蹤進(jìn)行跟蹤是當(dāng)前一個重要的研究課題[2]。

針對移動目標(biāo)跟蹤問題，學(xué)者們進(jìn)行了深入、廣泛的探索和研究，提出了許多有效的移動目標(biāo)跟蹤方法。當(dāng)前移動運(yùn)動跟蹤方法主要分為3類：基于光流法的移動目標(biāo)跟蹤、基于幀差法的移動目標(biāo)跟蹤、基于背景差分法的移動目標(biāo)跟蹤，其中基于光流法的移動目標(biāo)跟蹤方法對噪聲十分敏感，而且工作過程十分復(fù)雜，無法應(yīng)用于復(fù)雜場中的移動目標(biāo)跟蹤[3,4]?；诒尘安罘址ǖ囊苿幽繕?biāo)跟蹤通過提取目標(biāo)信息實(shí)現(xiàn)跟蹤，其計算復(fù)雜度與背景模型直接相關(guān)，當(dāng)場景中存在光照變化時跟蹤結(jié)果不穩(wěn)定，而且環(huán)境變化適應(yīng)性差[5-7]。基于背景差分法的移動目標(biāo)跟蹤穩(wěn)定相對較優(yōu)，其中高斯混合模型較好解決了幀差法、光流法存在的不足，成為當(dāng)前應(yīng)用最為廣泛的移動目標(biāo)跟蹤方法，然而高斯混合模型的初始學(xué)習(xí)速度慢，當(dāng)目前目標(biāo)消失在一定范圍內(nèi)時，易跟丟目標(biāo)[8,9]?？柭鼮V波算法是一種非線性估計算法，將運(yùn)動目標(biāo)問題看作是一個典型的估計問題，其可以對目標(biāo)進(jìn)行準(zhǔn)確跟蹤，但對目標(biāo)的初始位置比較敏感，如果初始位置誤差較大，那么目標(biāo)跟蹤效果急劇下降[10]。

針對當(dāng)前目標(biāo)跟蹤方法存在的不足，設(shè)計了基于高斯混合模型的移動目標(biāo)跟蹤方法。首先采用高斯混合模型對視頻中移動目標(biāo)進(jìn)行檢測，然后采用卡爾曼濾波算法對目標(biāo)移動軌跡進(jìn)行跟蹤，最后通過目標(biāo)跟蹤實(shí)驗(yàn)對其性能進(jìn)行測試，驗(yàn)證其有效性和優(yōu)越性。

2 高斯混合模型和卡爾曼濾波算法

2.1 高斯混合模型

對于視頻圖像中的每一個像素點(diǎn)，采用k個高斯模型組成混合高斯背景模型，具體可以描述為式(1)。

(1)

Nn,k(Xn|μn,k,Σn,k)的計算機(jī)公式為式(2)。

(2)

判斷像素值與高斯模型之間是否滿足如下條件為式(3)。

(3)

式中，Dn,k表示像素點(diǎn)值與高斯模型之間差的平方和，Tn,k表示高斯模型之間的方差和，Tstd表示高斯模型的方差系數(shù)。

若滿足式(3)條件，那么根據(jù)最大期望算法對參數(shù)進(jìn)行更新，具體方式為式(4)。

(4)

ρk的計算公式為式(5)。

(5)

根據(jù)φk=ωk/σk的計算結(jié)果對所有高斯模型進(jìn)行排序，選擇前b個高斯模型作為移動目標(biāo)背景檢測模型，而且它們滿足如下條件為式(6)。

(6)

式中，T為背景閾值。

采用高斯混合模型對視頻中移動目標(biāo)進(jìn)行檢測，提取完整的運(yùn)動目標(biāo)，然后采用卡爾曼濾波算法對目標(biāo)移動軌跡的進(jìn)行跟蹤。

2.2 卡爾曼濾波算法

采用目標(biāo)位置和移動速度卡爾曼濾波算法的狀態(tài)變量，即：x=[xx，xy，vx，vy]T，那么視頻采樣時間和目標(biāo)狀態(tài)變量之間的關(guān)系為式(7)。

x=x0+vt

(7)

建立相應(yīng)的狀態(tài)轉(zhuǎn)移矩陣為式(8)。

(8)

根據(jù)高斯混合模型可以得到移動目標(biāo)的測量值為z=[zx，zy]T，相應(yīng)的測量矩陣為式(9)。

(9)

那么協(xié)方差矩陣Q、R可以表示為式(10)。

(10)

(11)

采用P描述狀態(tài)測量誤差，最初目標(biāo)位置是已知，而速度未知，P可以具體描述為式(12)。

(12)

3 基于高斯混合模型的移動目標(biāo)跟蹤算法

3.1 工作思想

基于高斯混合模型的移動目標(biāo)跟蹤思想為：首先采集移動目標(biāo)的視頻，并對其進(jìn)行一定的預(yù)處理，然后采用高斯混合模型對對視頻中移動目標(biāo)進(jìn)行檢測，提取完整的運(yùn)動目標(biāo)，然后采用卡爾曼濾波算法對目標(biāo)移動軌跡的進(jìn)行跟蹤，具體流程，如圖1所示。

圖1 移動目標(biāo)跟蹤的流程

3.2 跟蹤算法的工作過程

(1)采集移動目標(biāo)跟蹤的視頻，并對視頻進(jìn)行分幀處理。

(2)對視頻幀的每一個像素數(shù)建立相應(yīng)的高斯混模型。

(3)提取移動目標(biāo)的背景模型，并對背景模型的參數(shù)進(jìn)行更新。

(4)檢測到背景中的移動目標(biāo)，并對目標(biāo)進(jìn)行處理，如填充等操作。

(5)采用卡爾曼濾波算法對目標(biāo)移動軌跡的進(jìn)行跟蹤。

(6)輸出移動目標(biāo)跟蹤結(jié)果，并對跟蹤結(jié)果進(jìn)行分析。

4 移動目標(biāo)跟蹤性能的測試

為了對基于高斯混合模型的移動目標(biāo)跟蹤方法有效性進(jìn)分析，在Matlab 2012R平臺下進(jìn)行了目標(biāo)跟蹤實(shí)驗(yàn)，同時為了測試高斯混合模型的移動目標(biāo)跟蹤方法的優(yōu)越性，在相同實(shí)驗(yàn)環(huán)境下，選擇當(dāng)前經(jīng)典目標(biāo)跟蹤方法進(jìn)行對比實(shí)驗(yàn)。選擇3個視頻序列進(jìn)行跟蹤實(shí)驗(yàn)，對其中目標(biāo)移動結(jié)果進(jìn)行檢測和跟蹤，結(jié)果如圖2～圖4所示。

對圖2～圖4的實(shí)驗(yàn)結(jié)果進(jìn)行對比和分析，可以知道：

(1)經(jīng)典方法移動目標(biāo)輪廓檢測不完整，目標(biāo)跟蹤誤差比較大，對目標(biāo)后續(xù)處理產(chǎn)生不利影響，實(shí)際應(yīng)用價值不高。

(2)相對于經(jīng)典方法，高斯混合模型可以降低移動目標(biāo)跟蹤誤差，檢測效果更加理想，這是因?yàn)楸疚姆椒ㄊ紫炔捎酶咚够旌夏Ｐ蛯σ曨l中的目標(biāo)進(jìn)行檢測，得到比較完整的目標(biāo)，然后采用卡爾曼濾波算法對目標(biāo)移動軌跡進(jìn)行跟蹤，提高了移動目標(biāo)跟蹤準(zhǔn)確性。

(a)視頻幀(b)文獻(xiàn)[11]

(c)文獻(xiàn)[12](d)本文方法

圖2 室外場景中的移動目標(biāo)跟蹤結(jié)果

(c)文獻(xiàn)[12](d)本文方法

圖3 交通場景中的移動目標(biāo)跟蹤結(jié)果

(c)文獻(xiàn)[12](d)本文方法

圖4 室內(nèi)場景中的移動目標(biāo)跟蹤結(jié)果

在目標(biāo)跟蹤的應(yīng)用，有時候目標(biāo)跟蹤的實(shí)時性要求比較高，因此統(tǒng)計目標(biāo)跟蹤時間，結(jié)果如圖5所示。

圖5 移動目標(biāo)跟蹤的時間

從圖5可以清楚看出，相對于經(jīng)典方法，高斯混合模型的移動跟蹤時間最少，移動目標(biāo)跟蹤的速度最快，改善了移動目標(biāo)跟蹤效率，具有更好的實(shí)時性。

5 總結(jié)

目標(biāo)跟蹤具有重要的研究價價值，為了解決當(dāng)前移動目標(biāo)跟蹤方法存在的精度低、實(shí)時性差的不足，提出了基于高斯混合模型的移動目標(biāo)跟蹤算法，并通過具體跟蹤實(shí)驗(yàn)對其性能進(jìn)行了分析，結(jié)果表明，本文方法引入高斯混合模型對背景中的目標(biāo)進(jìn)行檢測，可以完整目標(biāo)輪廓，可以抑制光照變化、噪聲的干擾，然后引入采用卡爾曼濾波算法對目標(biāo)移動軌跡的進(jìn)行跟蹤，可以對目標(biāo)進(jìn)行實(shí)時性跟蹤，提高了目標(biāo)跟蹤準(zhǔn)確性，具有廣泛的應(yīng)用前景。

[1] Yilmaz A, Javed O, Shah M. Object Tracking: A Survey [J]. ACM Computing Surveys, 2006, 38(4):1-4.

[2] Boyd S, Parikh N, Chu E, et al. Distributed optimization and statistical learning via the alternating direction method of multipliers [J]. Foundations and Trends in Machine Learning, 2011, 3(1): 112-122.

[3] 侯一民,倫向敏. 基于SVM與Mean-Shift的非剛性目標(biāo)跟蹤框架[J]. 系統(tǒng)工程與電子技術(shù), 2009,31(9):2266-2270.

[4] 劉晴,唐林波,趙保軍. 跟蹤窗自適應(yīng)的Mean Shift目標(biāo)跟蹤算法[J]. 系統(tǒng)工程與電子技術(shù), 2012,34(2):409-412.

[5] Fu Y, Qing L, Tian Z. Distributed Sensor Allocation for Multi-Target Tracking in Wireless Sensor Networks[J]. IEEE Transactions on Aerospace and Electronic Systems, 2012. 48(4): 3538-3553.

[6] 左東廣,韓崇昭,鄭林,等. 基于時變馬爾可夫轉(zhuǎn)移概率的機(jī)動目標(biāo)多模型跟蹤[J].西安交通大學(xué)學(xué)報,2003,37(8):824-828.

[7] 肖松,譚賢四,李志淮,等. 基于SCT-IMM的臨近空間高超聲速目標(biāo)跟蹤模型[J]. 現(xiàn)代雷達(dá),2013,35(4):15-19.

[8] 徐哈寧,肖慧,侯宏錄，等. 基于UKF 的簡化交互多模型視頻圖像機(jī)動目標(biāo)跟蹤算法[J].光電工程,2011, 37(11):15-18.

[9] 喬少杰,金琨,韓楠,等.一種基于高斯混合模型的軌跡預(yù)測算法[J]. 軟件學(xué)報,2015, 26(5):1048-1063.

[10] 宿得志,王坤,王玉良，等. 基于SURF算法和Kalman預(yù)測的運(yùn)動目標(biāo)跟蹤[J]. 海軍航空工程學(xué)院學(xué)報,2013,28(4):379-382.

[11] 薛陳,朱明,陳愛華. 魯棒的基于改進(jìn)Mean-shift的目標(biāo)跟蹤[J]. 光學(xué)精密工程, 2010, 18(1): 234-239.

[12] 丁朋華,范新南,劉俊定. 一種基于算法融合的運(yùn)動目標(biāo)跟蹤算法[J].科學(xué)技術(shù)與工程,2012,12(17): 4188-4190.

MovingTargetTrackingBasedonGaussMixtureModel

Shi Lei1, Lu Huadong2

(1. Department of Electronic and Information engineering, Henan Polytechnic Institute, Nanyang 473000, China;2. Network Management Center, Henan Polytechnic Institute, Nanyang 473000, China)

Object tracking is an important research direction in video processing. Aiming at the shortcomings of traditional methods, such as poor robustness and large tracking error, a moving target tracking method based on Gauss mixture model is designed. Firstly, the current research status of moving target tracking is analyzed, and the reasons of large tracking error and poor robustness are found, and then tmixed Gauss model is used to detect the moving object in the video, and moving object is extracted, finally, Kalman filter is used to track the moving track of the target. Its performance is tested by the specific target tracking experiment. The results show that the proposed method can track the moving target accurately, and can be adapted to the complex change of the target background, good robustness, speed up efficiency of target tracking, tracking results are very stable.

Video image; moving target; target detection; Kalman filter; Gauss mixture model

1007-757X(2017)12-0075-03

時磊(1980-)，男，碩士，講師，研究方向：計算機(jī)網(wǎng)絡(luò).

魯華棟(1986-)，男，碩士，助教，研究方向：計算機(jī)網(wǎng)絡(luò)，軟件技術(shù).

TP391

A

2017.04.25)