郎曉彤

摘? 要： 針對運(yùn)動目標(biāo)檢測與跟蹤算法計算準(zhǔn)確率低、效果差的問題，結(jié)合Kalman濾波算法，提出一種基于高斯混合模型的運(yùn)動目標(biāo)檢測與跟蹤算法。對傳統(tǒng)的權(quán)重更新機(jī)制進(jìn)行改進(jìn)，以保證背景的持續(xù)更新狀態(tài)。建立高斯混合模型，對運(yùn)動目標(biāo)圖像進(jìn)行處理，對圖像中的參數(shù)信息進(jìn)行實(shí)時更新，在Kalman濾波器的性質(zhì)影響下進(jìn)行目標(biāo)跟蹤，將獲取的運(yùn)動目標(biāo)位置作為信息輸入，完成運(yùn)行并跟蹤。在更新的過程中，根據(jù)運(yùn)動目標(biāo)的狀態(tài)確定矩陣，目標(biāo)遮擋也不會影響追蹤的效果。結(jié)果表明，利用Kalman濾波器對運(yùn)動目標(biāo)進(jìn)行跟蹤，可以取得良好的運(yùn)動目標(biāo)跟蹤效果。

關(guān)鍵詞： 高斯混合模型; 運(yùn)動目標(biāo)檢測; 跟蹤算法; 權(quán)重更新; 目標(biāo)遮擋; 運(yùn)動目標(biāo)跟蹤

中圖分類號： TN911.1?34? ? ? ? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識碼： A? ? ? ? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2020）03?0070?04

Moving object detection and tracking algorithm based on mixture model

LANG Xiaotong

（Zunyi Normal University， Zunyi 563000， China）

Abstract： In combination with Kalman filtering algorithm， a moving object detection and tracking algorithm based on Gaussian mixture model is proposed to deal with the deficiencies of low accuracy and poor effect in conventional moving object detection and tracking algorithm， and improve the traditional weight updating mechanism to ensure continuous updating status of the background. The Gaussian mixture model is created to process the moving object image， update in real time the parameter information in the image and track the object with the performance influence of Kalman filter. The acquired moving object position is taken as information input to complete the operation and tracking. In the process of updating， matrix is determined according to the status of the moving object. In the case of the object occlusion， the tracking effect will not be affected. The results show that the Kalman filter can achieve good tracking effect of moving objects.

Keywords： Gaussian mixture model; moving object detection; tracking algorithm; weight updating; object occlusion; moving object tracking

0? 引? 言

在信息化的時代背景下，各種新興技術(shù)迅速發(fā)展，通過視覺感官的方式獲取外界信息成為了一種新的趨勢。在人們的生活中，到處都有視頻監(jiān)控，各個領(lǐng)域?qū)σ曨l監(jiān)控都投入了大量的財力。人眼長時間觀看視頻難免會存在疏漏。因此，亟需一種穩(wěn)定可靠的智能控制技術(shù)解決這種疏漏問題。在智能化的發(fā)展基礎(chǔ)上，采用無人監(jiān)管模式，對監(jiān)控中的圖像進(jìn)行自動分析與處理，發(fā)現(xiàn)異常后及時觸發(fā)警報。在視頻圖像處理技術(shù)中，運(yùn)動目標(biāo)檢測與跟蹤技術(shù)起著關(guān)鍵性作用，在智能監(jiān)控系統(tǒng)中有著極高的影響[1]。運(yùn)動目標(biāo)檢測可以準(zhǔn)確地將運(yùn)動物體從背景圖像中進(jìn)行分離，從而確定目標(biāo)的具體位置所在;運(yùn)動目標(biāo)跟蹤則是將檢測到的參數(shù)信息傳遞到相應(yīng)模塊中，由相應(yīng)的技術(shù)對這些參數(shù)進(jìn)行分析、處理與統(tǒng)計。運(yùn)動目標(biāo)檢測與跟蹤是智能監(jiān)控系統(tǒng)的技術(shù)，其算法計算更是影響到系統(tǒng)的精確性?，F(xiàn)實(shí)情況是運(yùn)動目標(biāo)檢測與跟蹤容易受到周圍環(huán)境因素的影響，如復(fù)雜背景、光照突變場景、遮擋、陰影等，在比較復(fù)雜的場景下，對運(yùn)動目標(biāo)檢測與跟蹤算法的要求更高，顯然現(xiàn)有的算法還無法適應(yīng)于所有的情形中。高斯混合模型對復(fù)雜環(huán)境有較好的適應(yīng)能力，基于此，本文設(shè)計一款基于高斯混合模型的運(yùn)動目標(biāo)檢測與跟蹤算法，以彌補(bǔ)現(xiàn)有算法中存在的缺陷。

1? 高斯混合模型相關(guān)理論

運(yùn)動目標(biāo)檢測在視頻監(jiān)控領(lǐng)域中是一種非常關(guān)鍵的技術(shù)，被廣泛應(yīng)用在各個領(lǐng)域的監(jiān)控中?，F(xiàn)有的算法在檢測過程中容易受到外界因素的干擾，影響最終的檢測結(jié)果。針對存在準(zhǔn)確性較差的問題，很多專家學(xué)者相繼提出了多種算法來解決這種問題，如幀間差分法、光流法、背景差分法[2]，雖然這些算法都有各自的特色，但是會受到光照原因的影響，進(jìn)而影響結(jié)果判斷的準(zhǔn)確性。對此，本文提出了一種基于高斯混合模型的運(yùn)動目標(biāo)檢測與跟蹤算法，該算法解決了傳統(tǒng)算法中存在的光照突變敏感的問題，利用高斯模型的個數(shù)調(diào)整場景，提高了場景自身的適應(yīng)性能力。算法流程如圖1所示。

1.1? 運(yùn)動區(qū)域提取

在傳統(tǒng)的高斯混合建模中，像素是一個個單獨(dú)存在的個體，雖然能夠在一定程度上保證每幀圖像及時更新，但是無法保證其穩(wěn)定性。為此，可以先進(jìn)行運(yùn)動區(qū)域提取[3]，再進(jìn)行分塊處理，這樣的方式可以大大提高處理效率。以往的差分法算法簡單，可以快速檢測到運(yùn)動區(qū)域，閾值決定了幀間差分法的性能，因此，閾值的選擇非常關(guān)鍵，過高或過低的閾值都會影響性能。因此，融合Canny檢測算法，可以有效解決差分法中邊緣不連續(xù)的問題。

假設(shè)[T=3σ+μ1，Δz1，Δz2]是動態(tài)閾值，可以表示為：

式中：[M×N]表示像素點(diǎn)個數(shù);[ξ]表示抑制系數(shù)。

用Canny算法對幀進(jìn)行提取，可以得到邊緣圖像[Bi（x，y）]，通過對邊緣進(jìn)行處理可以得到更好的圖像效果。將[Bi（x，y）]與差分圖像聯(lián)合運(yùn)算[4]，可以得到：

利用改進(jìn)后的三幀差分法所得到的運(yùn)動區(qū)域也會存在一些漏洞，因此需要對其進(jìn)行形態(tài)學(xué)運(yùn)算，以獲取完整的運(yùn)動區(qū)域。差分法所檢測到的運(yùn)動目標(biāo)區(qū)域受限，接下來采用高斯混合建模的方法對前景區(qū)域和背景區(qū)域進(jìn)行建模[5]。

1.2? 高斯混合模型

高斯混合模型需要對圖像中的每一個像素點(diǎn)進(jìn)行建模，可以表示為：

式中：[K]表示模型個數(shù);[ωi，t]表示權(quán)重;[μi，t]表示均值;[?i，t]表示協(xié)方差矩陣。

高斯混合模型建模步驟如下：

1） 模型初始化：將第一幀作為初始化的背景圖像。

2） 模型的參數(shù)更新：將當(dāng)前幀的像素點(diǎn)與多個高斯點(diǎn)進(jìn)行比較。如果像素點(diǎn)無法與高斯分布同時存在，則像素點(diǎn)的[μi，t]，[?i，t]背景值會受到影響。

3） 背景提取與前景檢測：按照優(yōu)先級的排列方式對高斯分布進(jìn)行排序。按照式（4）進(jìn)行判斷：

式中[T]表示閾值。

1.3? 改進(jìn)的背景建模方法

在現(xiàn)有的高斯混合模型中，所包含的像素點(diǎn)個數(shù)都是固定不變的，而在實(shí)際的運(yùn)動目標(biāo)檢測中，像素值千變?nèi)f化，因此現(xiàn)有的高斯混合模型無法適用于對場景的切換。為了增加高斯分布的合理性，需要按照下列方式產(chǎn)生高斯分布[6]：

式中：[β]表示平衡系數(shù)，[0<β<1]。當(dāng)[k]值最大時，需要將權(quán)重最小的高斯分布進(jìn)行刪除。

當(dāng)圖像中的像素點(diǎn)逐漸穩(wěn)定后，可以排除優(yōu)先級的排序，刪除高斯分布、合并分布，留下最優(yōu)的高斯分布圖像，以更好地適應(yīng)更多的場景變化。

2? 基于改進(jìn)的高斯混合模型運(yùn)動目標(biāo)檢測與跟蹤算法研究

本研究整個過程分為檢測部分與跟蹤部分。檢測部分獲取運(yùn)動目標(biāo)參數(shù)，輸入到Kalman濾波器中并運(yùn)行，其算法流程如圖2所示[7]。

2.1? 運(yùn)動目標(biāo)檢測

2.1.1? 高斯模型的初始化與更新

將第一幀圖像作為高斯模型中的均值[μ1]，在更新時，對存在的高斯分布按照優(yōu)先級的方式進(jìn)行大小排列，匹配當(dāng)前幀像素值與高斯分布，匹配方式為：

如果已經(jīng)存在匹配好的高斯分布，需要按照式（9）的方式進(jìn)行：

式中[α]表示學(xué)習(xí)率。

高斯分布在排列時，權(quán)重決定了背景，則背景模型可以表示為：

式中[T]表示權(quán)重比例。

2.1.2? 改進(jìn)的權(quán)重更新機(jī)制

當(dāng)物體進(jìn)入場景后會發(fā)生停滯，在視頻幀中作為背景，當(dāng)背景中的物體開始運(yùn)動后，物體會將遮擋的部分作為背景進(jìn)行展示[8]。在高斯混合模型中，利用式（9）表示不同的場景狀態(tài)。[α]為固定值不變，則權(quán)重更新的速率也不會發(fā)生任何變化。為了使場景中的物體可以變成背景，需要一種新的更新機(jī)制。當(dāng)檢測到的物體目標(biāo)靜止時，需要采取更新手段，以達(dá)到快速生成背景圖像的目的。具體的操作方式為：當(dāng)像素點(diǎn)與高斯分布發(fā)生匹配時，像素點(diǎn)會進(jìn)入到一個相對穩(wěn)定的狀態(tài)，按照式（9）進(jìn)行權(quán)重更新。權(quán)重更新的過程可以采用以下方式進(jìn)行：

式中：[Δt]表示時間差值;[αs<1]。

2.2? 運(yùn)動目標(biāo)跟蹤

2.2.1? 改進(jìn)的Kalman濾波預(yù)測算法

Kalman濾波在1961年被提出，包括更新與預(yù)測兩個階段。在預(yù)測階段，可以采用Kalman濾波器方程計算出目標(biāo)狀態(tài)的最佳值，并對得到的參數(shù)進(jìn)行預(yù)估。在更新的過程中，可以將預(yù)測階段所獲取的最優(yōu)估計值采用預(yù)測值進(jìn)行修改，利用協(xié)方差矩陣的方式衡量估計值的準(zhǔn)確性，以判斷運(yùn)動模型的目標(biāo)值與實(shí)際值之間的匹配結(jié)果。

Kalman濾波的工作原理為：使用動態(tài)系統(tǒng)進(jìn)行依次預(yù)測，以得到最佳的狀態(tài)值，其表達(dá)方程為：

式（12）分別表示Kalman濾波的狀態(tài)方程與觀測方程。其中，[X（k）]表示系統(tǒng)狀態(tài);[A]表示轉(zhuǎn)移矩陣;[U（k）]表示確定性輸入;[B]表示控制矩陣;[Z（k）]，[W（k）]，[V（k）]表示狀態(tài)觀測值、過程噪聲、測量噪聲;[H]為觀測矩陣。

觀測矩陣表示為：

狀態(tài)轉(zhuǎn)移矩陣表示為：

式中[Δt]表示間隔時間。

觀測噪聲協(xié)方差表示為：

在實(shí)際的場景中目標(biāo)之間會出現(xiàn)遮擋問題，影響觀測值判斷的準(zhǔn)確性，如果矩陣[R]不變， 會使得跟蹤的數(shù)據(jù)不準(zhǔn)確。因此，為了提高跟蹤的準(zhǔn)確性，提出了一種基于矩陣的自由選擇算法解決這種問題。

2.2.2? 運(yùn)動目標(biāo)跟蹤過程

為了更精確地表達(dá)運(yùn)動目標(biāo)，需要結(jié)合物體本身的一些特有信息作為跟蹤背景，如顏色、運(yùn)動方式等。顏色作為一種跟蹤依據(jù)，不會隨著場景的改變而發(fā)生改變，因此，可以將顏色作為跟蹤的條件，求取RGB顏色直方圖，其計算方式為：

式中[（x，y）]表示位置。當(dāng)物體的位置與速度可以準(zhǔn)確描述物體的運(yùn)動狀態(tài)時，需要使用Kalman濾波器中的初始值進(jìn)行表示，在初始的狀態(tài)下，如果[U（k）]=0，則狀態(tài)方程可以表示為：

式中：[P]表示位置向量;[V]表示速度向量。將位置向量與速度向量作為初始值輸入Kalman濾波器中，可以得到最終的運(yùn)動目標(biāo)。

3? 實(shí)驗(yàn)驗(yàn)證

3.1? 實(shí)驗(yàn)配置

利用Linux操作系統(tǒng)，8 GB內(nèi)存，Intel雙核CPU 3.2 GHz，VC 6.0++編程實(shí)現(xiàn)仿真實(shí)驗(yàn)。為了體現(xiàn)出該算法的真實(shí)有效性，分別在不同的環(huán)境下進(jìn)行實(shí)驗(yàn)。

3.2? 實(shí)驗(yàn)分析

為了證明高斯混合模型的運(yùn)動目標(biāo)與跟蹤算法的有效性，需要對運(yùn)動目標(biāo)進(jìn)行檢測，并全程跟蹤，對其進(jìn)行仿真實(shí)驗(yàn)，并與其他的方法進(jìn)行比較。利用改進(jìn)后的高斯混合模型背景差分法對運(yùn)動目標(biāo)進(jìn)行檢測，為了得到更加精確的計算結(jié)果，先假設(shè)各個像素之間的像素點(diǎn)都是相互獨(dú)立的，需要對彩色圖像進(jìn)行灰度化處理。改進(jìn)后的高斯混合模型背景差分法在進(jìn)行處理之前，需要先對輸入背景進(jìn)行分塊處理，圖像塊為3×3，用平均值表示。最大高斯分布上限為6，初始值為[w]，權(quán)值為0.3，截取不同階段的視頻信息，如表1所示。

采用幀差法、光流法和改進(jìn)后的高斯混合模型進(jìn)行對比，運(yùn)動目標(biāo)檢測時間如表2所示。

運(yùn)動目標(biāo)檢測效果如圖3所示。

以圖3a）原始圖像為基礎(chǔ)，分別對原始圖像采用幀差法、光流法、改進(jìn)后的高斯混合模型進(jìn)行檢測，得到改進(jìn)后的高斯混合模型對于運(yùn)動目標(biāo)的檢測效果明顯優(yōu)于幀差法與光流法。幀差法對運(yùn)動目標(biāo)檢測的輪廓完整，可以有效解決陰影區(qū)域的問題，但是所體現(xiàn)的信息丟失較為嚴(yán)重;光流法雖然很好地保留了運(yùn)動目標(biāo)的信息，但是由于檢測的目標(biāo)范圍太大，為檢測結(jié)果增加了很多無用的信息，影響檢測結(jié)果的準(zhǔn)確度;改進(jìn)后的高斯混合模型獲取的運(yùn)動目標(biāo)信息完整，檢測結(jié)果更加準(zhǔn)確。

4? 結(jié)? 語

在智能化的發(fā)展背景下，越來越離不開智能視頻監(jiān)控系統(tǒng)所帶來的便利。在智能視頻監(jiān)控系統(tǒng)中，運(yùn)動目標(biāo)檢測與跟蹤是非常關(guān)鍵的組成部分，其算法的運(yùn)行性能直接關(guān)系到整個系統(tǒng)的運(yùn)行性能。本文以運(yùn)動目標(biāo)檢測與跟蹤為研究背景展開討論，在高斯混合模型的基礎(chǔ)上進(jìn)行算法改進(jìn)，引入Kalman濾波算法完成運(yùn)動目標(biāo)跟蹤。在高斯混合模型的重要階段，改進(jìn)現(xiàn)有的更新機(jī)制，完成背景之間的相互轉(zhuǎn)換，以保證背景圖像的同步更新。利用改進(jìn)后的Kalman濾波算法完成對場景變化的自適應(yīng)取值。不管目標(biāo)是遮擋還是陰影，都可以完成目標(biāo)的準(zhǔn)確跟蹤，提高準(zhǔn)確率。

參考文獻(xiàn)

[1] 杜鵑，吳芬芬.高斯混合模型的運(yùn)動目標(biāo)檢測與跟蹤算法[J].南京理工大學(xué)學(xué)報（自然科學(xué)版），2017，41（1）：41?46.

[2] 高野.基于改進(jìn)高斯混合模型的體育視頻運(yùn)動目標(biāo)檢測與跟蹤[J].現(xiàn)代電子技術(shù)，2017，40（19）：91?93.

[3] 郅季炘.基于改進(jìn)高斯混合模型的運(yùn)動目標(biāo)檢測與跟蹤[J].現(xiàn)代電子技術(shù)，2017，40（21）：69?72.

[4] 沈婷婷，仲思東，鄢文浩.改進(jìn)的邊緣高斯混合模型運(yùn)動目標(biāo)檢測[J].電光與控制，2017（4）：47?49.

[5] 楊林.視頻序列中運(yùn)動目標(biāo)檢測與跟蹤算法研究[D].長春：長春工業(yè)大學(xué)，2017.

[6] 唐洪良，黃穎，黃淮，等.改進(jìn)的自適應(yīng)高斯混合模型運(yùn)動目標(biāo)檢測算法[J].現(xiàn)代電子技術(shù)，2017，40（11）：73?75.

[7] 許益成，譚文安，陳麗婷.基于改進(jìn)混合高斯模型的運(yùn)動目標(biāo)檢測算法[J].控制工程，2018，25（4）：630?635.

[8] 時磊，魯華棟.基于高斯混合模型的移動目標(biāo)跟蹤[J].微型電腦應(yīng)用，2017（12）：75?77.