馬蕾， 張忠秋， 張娜娜

(西安明德理工學(xué)院 信息工程學(xué)院， 陜西 西安 710124)

0 引言

隨著多媒體技術(shù)、智能控制技術(shù)的不斷發(fā)展，智能視頻監(jiān)控得到了迅速發(fā)展，視頻處理技術(shù)在許多領(lǐng)域得到了廣泛的應(yīng)用，出現(xiàn)了許多運(yùn)動(dòng)視頻數(shù)據(jù)[1-2]。對(duì)于一個(gè)運(yùn)動(dòng)視頻來(lái)說(shuō)，人們十分關(guān)注運(yùn)動(dòng)軌跡的跟蹤問(wèn)題，因此如何提高運(yùn)動(dòng)軌跡跟蹤的準(zhǔn)確性與跟蹤的實(shí)時(shí)性，一直是人們關(guān)注的一個(gè)焦點(diǎn)問(wèn)題。因此具有十分重要的研究?jī)r(jià)值，成為視頻處理領(lǐng)域的一個(gè)重要研究課題[3-5]。

針對(duì)運(yùn)動(dòng)軌跡跟蹤問(wèn)題，近幾十年來(lái)，一些學(xué)者進(jìn)行了深入的探索，結(jié)合運(yùn)動(dòng)軌跡變化特點(diǎn)，提出了許多有效的運(yùn)動(dòng)軌跡跟蹤方法，如：幀間差分法的運(yùn)動(dòng)軌跡跟蹤方法、背景差分法的運(yùn)動(dòng)軌跡跟蹤方法，這些方法工作過(guò)程比較簡(jiǎn)單，對(duì)光照、天氣變化魯棒性十分強(qiáng)，但是當(dāng)運(yùn)動(dòng)速度很慢時(shí)，動(dòng)態(tài)場(chǎng)景中運(yùn)動(dòng)目標(biāo)存在微小擾動(dòng)，使得運(yùn)動(dòng)軌跡跟蹤誤差比較大，容易跟丟運(yùn)動(dòng)視頻中的目標(biāo)[6-8]。近幾年來(lái)，有學(xué)者提出了卡爾曼濾波算法的運(yùn)動(dòng)軌跡跟蹤方法、混合高斯背景模型的運(yùn)動(dòng)軌跡跟蹤方法，這兩種運(yùn)動(dòng)軌跡跟蹤方法的跟蹤效果要優(yōu)于幀間差分法與背景差分法，但是對(duì)于光線較強(qiáng)、光照突變的運(yùn)動(dòng)目標(biāo)，這兩種運(yùn)動(dòng)軌跡跟蹤方法無(wú)法解決該問(wèn)題，會(huì)將整個(gè)區(qū)域誤當(dāng)作前景目標(biāo)，導(dǎo)致運(yùn)動(dòng)軌跡跟蹤誤差比較大[9-11]。

針對(duì)當(dāng)前運(yùn)動(dòng)軌跡跟蹤方法存在的誤差大、實(shí)時(shí)性差等弊端，為了改善運(yùn)動(dòng)軌跡跟蹤結(jié)果，設(shè)計(jì)了基于改進(jìn)背景差分法的運(yùn)動(dòng)軌跡實(shí)時(shí)跟蹤方法，該方法集成了背景差分和卡爾曼濾波算法的優(yōu)點(diǎn)，可以滿足復(fù)雜多變的運(yùn)動(dòng)目標(biāo)移動(dòng)環(huán)境，可以高精度進(jìn)行運(yùn)動(dòng)軌跡跟蹤，運(yùn)動(dòng)軌跡跟蹤速度快，能夠獲得比當(dāng)前其它方法整體性能更優(yōu)的運(yùn)動(dòng)軌跡跟蹤結(jié)果，可以為運(yùn)動(dòng)軌跡跟蹤研究人員提供有價(jià)值的參考意見(jiàn)。

1 改進(jìn)背景差分法的運(yùn)動(dòng)軌跡實(shí)時(shí)跟蹤方法

1.1 傳統(tǒng)背景差分方法

背景差分法是一種當(dāng)前流行的運(yùn)動(dòng)軌跡跟蹤方法，其工作原理為：首先采集運(yùn)動(dòng)軌跡跟蹤視頻序列，并提取其中的運(yùn)動(dòng)軌跡關(guān)鍵幀圖像，然后建立運(yùn)動(dòng)軌跡跟蹤的背景模型，最后采用運(yùn)動(dòng)軌跡跟蹤的關(guān)鍵幀圖像與背景模型進(jìn)行差分，設(shè)置一個(gè)像素閾值，如果運(yùn)動(dòng)軌跡跟蹤的關(guān)鍵幀圖像的像素大于閾值，認(rèn)為是運(yùn)動(dòng)的前景區(qū)域，不然認(rèn)為是運(yùn)動(dòng)的背景區(qū)域。設(shè)運(yùn)動(dòng)軌跡跟蹤的關(guān)鍵幀圖像為Xk(x,y)，背景模型為Bk(x,y)，那么可以得到兩者的差分圖像[12]為式(1)。

Dk(x,y)=|Xk(x,y)-Bk(x,y)|

(1)

設(shè)閾值為T(mén)，那么可以得到式(2)。

(2)

綜合上述可知，基于背景差分法的運(yùn)動(dòng)軌跡跟蹤原理如圖1所示。

圖1 基于背景差分法的運(yùn)動(dòng)軌跡跟蹤原理

當(dāng)運(yùn)用背景差分法進(jìn)行運(yùn)動(dòng)軌跡跟蹤時(shí)，當(dāng)背景更新比較快時(shí)，可能會(huì)出現(xiàn)“空洞”和“膨脹”問(wèn)題，為了解決“空洞”和“膨脹”問(wèn)題，提出自適應(yīng)的背景差分法，則式(1)變?yōu)槭?3)。

Dk(x,y)=|(1-α)·Xk(x,y)-αBk·(x,y)|

(3)

式中，α表示背景更新速率，其確定方式通常為式(4)。

(4)

式中，Gk表示不連通的運(yùn)動(dòng)目標(biāo)集合。

采用自適應(yīng)背景差分法進(jìn)行運(yùn)動(dòng)軌跡跟蹤時(shí)，同樣存在一個(gè)問(wèn)題，如圖2(a)所示。一個(gè)運(yùn)動(dòng)目標(biāo)從右往左移動(dòng)時(shí)，因?yàn)楸尘爸泻性撨\(yùn)動(dòng)目標(biāo)，當(dāng)該運(yùn)動(dòng)目標(biāo)離開(kāi)的時(shí)候，那么就會(huì)在原來(lái)的位置留下一個(gè)虛假的運(yùn)動(dòng)目標(biāo)，如圖2(b)所示。

(a) 運(yùn)動(dòng)軌跡跟蹤的關(guān)鍵幀圖像

(b) 存在虛假目標(biāo)圖2 自適應(yīng)背景差分法的運(yùn)動(dòng)軌跡跟蹤結(jié)果

這樣根據(jù)自適應(yīng)背景差分法的跟蹤結(jié)果，虛假目標(biāo)會(huì)一直持續(xù)下去，從而影響了運(yùn)動(dòng)目標(biāo)軌跡的跟蹤效果。

1.2 卡爾曼濾波算法

對(duì)于一個(gè)離散系統(tǒng)過(guò)程中狀態(tài)變量x∈R，卡爾曼濾波算法進(jìn)行評(píng)估其狀態(tài)變化，如式(5)。

(5)

式中，A為狀態(tài)轉(zhuǎn)移矩陣；zk為測(cè)量值；wk和vk為卡爾曼濾波算法的系統(tǒng)誤差和測(cè)量誤差，它們具有正態(tài)分布的白噪聲[13]，具體為式(6)。

(6)

卡爾曼濾波算法的工作原理為：不斷對(duì)離散系統(tǒng)過(guò)程中的狀態(tài)變量進(jìn)行預(yù)測(cè)和反饋，具體如圖3所示。

圖3 卡爾曼濾波算法的工作原理

卡爾曼濾波算法的工作步驟如下。

(7)

(2) 設(shè)Kk為卡爾曼增益，測(cè)量更新方式為式(8)。

(8)

1.3 改進(jìn)背景差分法的運(yùn)動(dòng)軌跡實(shí)時(shí)跟蹤原理

針對(duì)背景差分法的運(yùn)動(dòng)軌跡跟蹤方法和卡爾曼濾波算法的運(yùn)動(dòng)軌跡跟蹤方法存在的局限性，為了提高運(yùn)動(dòng)軌跡跟蹤效果，基于組合優(yōu)化理論，提出了改進(jìn)的背景差分法的運(yùn)動(dòng)軌跡實(shí)時(shí)跟蹤方法，具體原理為：首先采集運(yùn)動(dòng)軌跡跟蹤視頻序列，并對(duì)其進(jìn)行預(yù)處理，提取運(yùn)動(dòng)軌跡跟蹤的關(guān)鍵幀圖像，然后采用背景差分法對(duì)運(yùn)動(dòng)軌跡跟蹤的關(guān)鍵幀圖像進(jìn)行操作，得到運(yùn)動(dòng)軌跡跟蹤的初步結(jié)果，最后采用卡爾曼濾波算法對(duì)采用背景差分法的運(yùn)動(dòng)軌跡跟蹤誤差進(jìn)行校正，獲得最終的運(yùn)動(dòng)軌跡跟蹤結(jié)果。

2 運(yùn)動(dòng)目標(biāo)移動(dòng)軌跡跟蹤的仿真測(cè)試

2.1 測(cè)試平臺(tái)

為測(cè)試改進(jìn)差分法的運(yùn)動(dòng)軌跡實(shí)時(shí)跟蹤方法的有效性，對(duì)其進(jìn)行運(yùn)動(dòng)軌跡跟蹤仿真測(cè)試，采用仿真測(cè)試平臺(tái)如表1所示。

表1 運(yùn)動(dòng)軌跡實(shí)時(shí)跟蹤的仿真測(cè)試平臺(tái)

為了體現(xiàn)改進(jìn)差分法的運(yùn)動(dòng)軌跡跟蹤結(jié)果的優(yōu)越性，選擇傳統(tǒng)背景差分法的運(yùn)動(dòng)軌跡跟蹤方法和卡爾曼濾波算法的運(yùn)動(dòng)軌跡跟蹤方法進(jìn)行對(duì)比實(shí)驗(yàn)，采用運(yùn)動(dòng)軌跡跟蹤精度、跟蹤時(shí)間來(lái)評(píng)價(jià)運(yùn)動(dòng)軌跡跟蹤仿真實(shí)驗(yàn)結(jié)果的優(yōu)劣。

2.2 運(yùn)動(dòng)目標(biāo)數(shù)據(jù)采集

采用戶外攝像機(jī)對(duì)不同類型的運(yùn)動(dòng)視頻進(jìn)行采集，它們的運(yùn)動(dòng)視頻樣本數(shù)量如表2所示。

表2 運(yùn)動(dòng)軌跡實(shí)時(shí)跟蹤的視頻數(shù)據(jù)

2.3 運(yùn)動(dòng)軌跡跟蹤準(zhǔn)確性的對(duì)比

改進(jìn)背景差分法、傳統(tǒng)背景差分法和卡爾曼濾波算法進(jìn)行運(yùn)動(dòng)軌跡跟蹤仿真實(shí)驗(yàn)，統(tǒng)計(jì)它們的運(yùn)動(dòng)軌跡跟蹤正確率，結(jié)果如圖4所示。

圖4 不同方法的運(yùn)動(dòng)軌跡跟蹤正確率對(duì)比

對(duì)圖4的運(yùn)動(dòng)軌跡跟蹤正確率進(jìn)行對(duì)比和分析可以發(fā)現(xiàn)。

(1) 傳統(tǒng)背景差分法的運(yùn)動(dòng)軌跡跟蹤正確率均低于85%，遠(yuǎn)遠(yuǎn)低于運(yùn)動(dòng)軌跡跟蹤實(shí)際要求的85%，無(wú)法應(yīng)用于實(shí)際的運(yùn)動(dòng)軌跡跟蹤研究中，沒(méi)有任何實(shí)際應(yīng)用價(jià)值。

(2) 卡爾曼濾波算法的運(yùn)動(dòng)軌跡跟蹤正確率均值為89.21%，要高于傳統(tǒng)背景差分法的運(yùn)動(dòng)軌跡跟蹤正確率，但是運(yùn)動(dòng)軌跡跟蹤的錯(cuò)誤率仍然比較高，無(wú)法滿足一些準(zhǔn)確性要求高的運(yùn)動(dòng)軌跡跟蹤領(lǐng)域，缺陷十分明顯。

(3) 改進(jìn)背景差分法的運(yùn)動(dòng)軌跡實(shí)時(shí)跟蹤正確率平均值為95.86%，高于傳統(tǒng)背景差分法和卡爾曼濾波算法，較好地解決了傳統(tǒng)背景差分法和卡爾曼濾波算法存在的不足，降低了運(yùn)動(dòng)軌跡跟蹤的錯(cuò)誤率，得到十分理想的運(yùn)動(dòng)軌跡跟蹤結(jié)果，對(duì)比結(jié)果同時(shí)也驗(yàn)證了改進(jìn)背景差分法的運(yùn)動(dòng)軌跡實(shí)時(shí)跟蹤方法的優(yōu)越性。

2.4 運(yùn)動(dòng)軌跡跟蹤的實(shí)時(shí)性對(duì)比

對(duì)一個(gè)運(yùn)動(dòng)軌跡跟蹤方法來(lái)說(shuō)，運(yùn)動(dòng)軌跡跟蹤實(shí)時(shí)十分重要，直接可以描述運(yùn)動(dòng)軌跡跟蹤速度，采用運(yùn)動(dòng)軌跡跟蹤時(shí)間描述運(yùn)動(dòng)軌跡跟蹤的實(shí)時(shí)性，結(jié)果如圖5所示。

圖5 不同方法的運(yùn)動(dòng)軌跡跟蹤時(shí)間對(duì)比

從圖5可以看出，傳統(tǒng)背景差分法的運(yùn)動(dòng)軌跡跟蹤時(shí)間平均值為16.86 ms，卡爾曼濾波算法的運(yùn)動(dòng)軌跡跟蹤時(shí)間平均值為21.26 ms，改進(jìn)背景差分法的運(yùn)動(dòng)軌跡跟蹤時(shí)間平均值為11.33 ms，相對(duì)于傳統(tǒng)背景差分法和卡爾曼濾波算法，改進(jìn)背景差分法的運(yùn)動(dòng)軌跡跟蹤時(shí)間明顯減少，獲得了更優(yōu)的運(yùn)動(dòng)軌跡跟蹤實(shí)時(shí)性。

3 總結(jié)

針對(duì)當(dāng)前運(yùn)動(dòng)目標(biāo)移動(dòng)軌跡跟蹤過(guò)程存在的精度不高、實(shí)時(shí)性差的缺陷，提出了基于改進(jìn)背景差分法的運(yùn)動(dòng)目標(biāo)移動(dòng)軌跡實(shí)時(shí)跟蹤方法，并與其它運(yùn)動(dòng)目標(biāo)移動(dòng)軌跡跟蹤方法進(jìn)行了仿真對(duì)比實(shí)驗(yàn)，結(jié)果表明，改進(jìn)背景差分法的運(yùn)動(dòng)目標(biāo)移動(dòng)軌跡跟蹤精度平均值超過(guò)了95%，不僅可以適應(yīng)運(yùn)動(dòng)目標(biāo)移動(dòng)環(huán)境的變化，而且運(yùn)動(dòng)目標(biāo)移動(dòng)軌跡跟蹤時(shí)間短，可以實(shí)時(shí)實(shí)現(xiàn)運(yùn)動(dòng)目標(biāo)移動(dòng)軌跡跟蹤，具有十分廣泛的應(yīng)用前景。