鄒航菲，羅婷婷

(1. 江西警察學(xué)院組織人事處，江西 南昌330103；2. 江西警察學(xué)院科研和發(fā)展規(guī)劃處，江西 南昌330103)

1 引言

移動(dòng)物體檢測(cè)技術(shù)因其廣泛的應(yīng)用前景已成為當(dāng)今世界一個(gè)重要的研究課題，在視頻監(jiān)控、視頻索引、智能駕駛、智能機(jī)器人等領(lǐng)域發(fā)揮著重要作用，尤其是在模式識(shí)別和計(jì)算機(jī)視覺領(lǐng)域。從2015年至今，運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤發(fā)展迅速，一直以來不斷有新的目標(biāo)檢測(cè)與跟蹤算法被提出，例如Kalma算法、UPDT算法等，其中卡爾曼濾波算法就是一種功能強(qiáng)大的算法，它采用背景減法方法來檢測(cè)視頻中的運(yùn)動(dòng)物體，通過卡爾曼濾波器預(yù)測(cè)并估計(jì)物體的下一個(gè)狀態(tài)，移動(dòng)目標(biāo)檢測(cè)的定義是將移動(dòng)目標(biāo)與背景分離，獲取目標(biāo)的運(yùn)動(dòng)信息與位置，準(zhǔn)確并實(shí)時(shí)標(biāo)記運(yùn)動(dòng)目標(biāo)。由于近年來檢測(cè)前實(shí)施跟蹤的思想被提出，國(guó)內(nèi)外研究學(xué)者不斷將跟蹤與運(yùn)動(dòng)目標(biāo)檢測(cè)結(jié)合，來實(shí)現(xiàn)運(yùn)動(dòng)目標(biāo)的檢測(cè)與跟蹤，目前比較流行的跟蹤方法有粒子濾波器、動(dòng)態(tài)規(guī)劃法及機(jī)器學(xué)習(xí)算法等，以上方法都可以提高運(yùn)動(dòng)目標(biāo)的跟蹤能力，其中DSST、SAMF在應(yīng)用中取得了良好的性能。

目標(biāo)跟蹤算法的改進(jìn)主要從來兩個(gè)方面來實(shí)施：①基于網(wǎng)絡(luò)的改進(jìn)，例如：SimRPN++算法、DLT算法等；②結(jié)合相關(guān)濾波器，包括ECO算法、C-COT算法等。但是在復(fù)雜環(huán)境條件下進(jìn)行運(yùn)動(dòng)目標(biāo)跟蹤時(shí)，為了提升跟蹤的穩(wěn)定性，面臨著許多挑戰(zhàn)，諸如：形態(tài)變化、速度變化、尺度變化、圖像模糊等等，這時(shí)通過將濾波算法與跟蹤算法結(jié)合不斷被研究者研究與嘗試，例如有學(xué)者將KCF算法與C-COT算法結(jié)合對(duì)運(yùn)動(dòng)進(jìn)行跟蹤，提高了目標(biāo)跟蹤的準(zhǔn)確性與魯棒性[4]。

本文基于Kalman算法，提出一種在卡爾曼算法框架下結(jié)合粒子濾波器的優(yōu)化方法，將檢測(cè)前實(shí)施跟蹤的思想引入其中，用于解決卡爾曼濾波算法在運(yùn)動(dòng)目標(biāo)跟蹤上不足的問題，滿足檢測(cè)精度更高、實(shí)時(shí)性更強(qiáng)、跟蹤效果更好的需求，提升運(yùn)動(dòng)目標(biāo)跟蹤的穩(wěn)定性。

2 標(biāo)準(zhǔn)Kalman濾波器檢測(cè)原理

Kalman濾波器其實(shí)是一組數(shù)學(xué)方程，它通過最小化平方誤差均值的方式，實(shí)現(xiàn)一種有效的計(jì)算遞歸方法來估計(jì)運(yùn)動(dòng)目標(biāo)的狀態(tài)。卡爾曼濾波器的方程可以分為兩組：預(yù)測(cè)方程和校正方程：

①預(yù)測(cè)方程負(fù)責(zé)提前預(yù)測(cè)當(dāng)前狀態(tài)估計(jì)

(1)

(2)

②校正方程負(fù)責(zé)調(diào)整預(yù)測(cè)估計(jì)

(3)

(4)

(5)

卡爾曼濾波器包含預(yù)測(cè)和修正兩個(gè)部分覆蓋高級(jí)操作的不同部分，一個(gè)標(biāo)準(zhǔn)的卡爾曼濾波器周期循環(huán)如圖1所示。

圖1 標(biāo)準(zhǔn)Kalman濾波算法循環(huán)

3 Kalman濾波算法與粒子濾波器相結(jié)合

卡爾曼濾波算法是基于預(yù)測(cè)進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤，跟蹤效果差，實(shí)時(shí)性效果不能滿足需求。將專門用于目標(biāo)跟蹤的粒子濾波器方法引入到卡爾曼濾波算法中，使粒子濾波器的跟蹤效果傳遞給卡爾曼濾波算法，這樣不僅實(shí)現(xiàn)了檢測(cè)前實(shí)施跟蹤的思想，而且達(dá)到了檢測(cè)精度更高、實(shí)時(shí)性更強(qiáng)、跟蹤效果更好的運(yùn)動(dòng)目標(biāo)檢測(cè)跟蹤需求?？柭鼮V波算法與粒子濾波器相結(jié)合的流程圖如圖2所示。

圖2 卡爾曼濾波算法與粒子濾波器相結(jié)合流程圖

卡爾曼濾波算法與粒子濾波器相結(jié)合的算法步驟：

①預(yù)測(cè)：第K幀目標(biāo)位置在卡爾曼濾濾波算法公式進(jìn)行計(jì)算，預(yù)測(cè)出第K+1幀運(yùn)動(dòng)目標(biāo)的期望位置。

②目標(biāo)跟蹤定位：將步驟①中的預(yù)測(cè)位置導(dǎo)入到粒子濾波器中，在K+1幀期望位置進(jìn)行搜索迭代，計(jì)算得到運(yùn)動(dòng)目標(biāo)的真實(shí)位置。

③修正：根據(jù)步驟②中粒子濾波器計(jì)算得到的運(yùn)動(dòng)目標(biāo)真實(shí)位置，Kalman濾波算法進(jìn)行位置修正，更新運(yùn)動(dòng)目標(biāo)位置狀態(tài)。

④循環(huán)：不斷循環(huán)步驟①②③，進(jìn)行“預(yù)測(cè)-目標(biāo)跟蹤-目標(biāo)修正”，完成運(yùn)動(dòng)目標(biāo)實(shí)時(shí)檢測(cè)與跟蹤。

優(yōu)化算法實(shí)現(xiàn)運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤的具體過程如圖3所示。

圖3 優(yōu)化算法目標(biāo)跟蹤實(shí)現(xiàn)過程

除此之外，本文借鑒了分類樹的原理方法，利用樹形結(jié)構(gòu)尺度自適應(yīng)原理分別對(duì)運(yùn)動(dòng)目標(biāo)的位置和尺度進(jìn)行粒子濾波，具體實(shí)施過程分為兩步：1)通過位置粒子濾波器的計(jì)算，確定運(yùn)動(dòng)目標(biāo)的位置中心；2)在步驟1)的基礎(chǔ)上進(jìn)行樹形尺度估計(jì)，精確定位運(yùn)動(dòng)目標(biāo)位置。其原理示意圖如圖4所示。

圖4 樹形結(jié)構(gòu)跟蹤原理圖

4 計(jì)算機(jī)仿真與分析

為了驗(yàn)證Kalman濾波算法與粒子濾波器結(jié)合后運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤的性能，本文進(jìn)行了對(duì)比實(shí)驗(yàn)，分別對(duì)單純的Kalman濾波和改進(jìn)的算法在不同的應(yīng)用場(chǎng)景下進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤。

4.1 單純Kalman濾波算法

第一組實(shí)驗(yàn)只采用單純的Kalman濾波算法，場(chǎng)景一在固定復(fù)雜背景下以人為運(yùn)動(dòng)目標(biāo)的情況下進(jìn)行運(yùn)動(dòng)檢測(cè)跟蹤，檢測(cè)跟蹤結(jié)果如圖5所示，實(shí)驗(yàn)圖像大小為364×289，整個(gè)圖像共243幀，選取結(jié)果視頻中的50幀、95幀、136幀、181幀、200幀、239幀作實(shí)驗(yàn)結(jié)果比較。

圖5 場(chǎng)景一下Kalman算法效果圖

場(chǎng)景二在運(yùn)動(dòng)背景下以運(yùn)動(dòng)的足球作為運(yùn)動(dòng)目標(biāo)進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)跟蹤，檢測(cè)跟蹤結(jié)果如圖6所示，實(shí)驗(yàn)圖像大小為636×350，整個(gè)圖像共346幀，選取結(jié)果視頻中的46幀、100幀、147幀、253幀、298幀、326幀作實(shí)驗(yàn)結(jié)果比較。

圖6 場(chǎng)景二下Kalman算法效果圖

4.2 Kalman與粒子濾波器結(jié)合

為了驗(yàn)證改進(jìn)算法的運(yùn)動(dòng)目標(biāo)檢測(cè)跟蹤效果，分別對(duì)場(chǎng)景一和場(chǎng)景二進(jìn)行仿真，如圖7和圖8所示，所有的實(shí)驗(yàn)參數(shù)與幀數(shù)選擇與4.1中一致。

圖7 場(chǎng)景一下Kalman+粒子濾波器結(jié)果圖

圖8 場(chǎng)景二下Kalman+粒子濾波器效果圖

4.3 結(jié)果分析

從實(shí)驗(yàn)中運(yùn)動(dòng)目標(biāo)檢測(cè)跟蹤的效果來看，Kalman與粒子濾波器結(jié)合算法在兩種不同的環(huán)境及運(yùn)動(dòng)目標(biāo)的情況下，不僅具有更高的檢測(cè)精度，而且具有更好的實(shí)時(shí)性跟蹤效果，克服了運(yùn)動(dòng)目標(biāo)不斷改變運(yùn)動(dòng)軌跡引起的跟蹤失敗問題，不論是在復(fù)雜背景還是動(dòng)態(tài)背景下都能夠?qū)崿F(xiàn)準(zhǔn)確跟蹤。

通過對(duì)在場(chǎng)景一和場(chǎng)景二下不同算法目標(biāo)跟蹤準(zhǔn)確率進(jìn)行統(tǒng)計(jì)，得出如圖9所示的運(yùn)動(dòng)目標(biāo)檢測(cè)跟蹤準(zhǔn)確率對(duì)比圖。

圖9 不同場(chǎng)景下跟蹤準(zhǔn)確率對(duì)比圖

從圖9中可以看出，在兩種不同場(chǎng)景下單純使用Kalman濾波算法的跟蹤準(zhǔn)確率分別為88%和89%，運(yùn)動(dòng)目標(biāo)跟蹤準(zhǔn)確率較低，而經(jīng)過結(jié)合粒子濾波器之后的改進(jìn)算法跟蹤準(zhǔn)確率分別為98%和96%，兩種場(chǎng)景下跟蹤準(zhǔn)確率得到明顯提升。

為了驗(yàn)證改進(jìn)算法的其它性能，本文分別對(duì)迭代次數(shù)、算法耗時(shí)進(jìn)行了統(tǒng)計(jì)計(jì)算，每組對(duì)比實(shí)驗(yàn)共進(jìn)行30次，分別計(jì)算出兩種算法的平均迭代次數(shù)和平均算法耗時(shí)，具體數(shù)據(jù)如表1所示。

表1 兩種算法性能對(duì)比圖

從表1中可以看出，由于改進(jìn)算法具有更好的跟蹤效果，所以在迭代次數(shù)上會(huì)有所增加，但是在算法耗時(shí)上卻比單純的Kalman有所減少，這也證明了粒子濾波器的優(yōu)越性，同時(shí)驗(yàn)證了改進(jìn)算法具有更高的性能，可行有效。

5 結(jié)論

本文利用Kalman濾波算法與粒子濾波器的結(jié)合實(shí)現(xiàn)運(yùn)動(dòng)目標(biāo)的檢測(cè)與跟蹤。該算法將粒子濾波器的跟蹤方法引入到Kalman濾波算法當(dāng)中，通過將Kalman預(yù)測(cè)的位置信息導(dǎo)入到粒子濾波器中，在K+1幀期望位置進(jìn)行搜索迭代，計(jì)算得到運(yùn)動(dòng)目標(biāo)的真實(shí)位置，實(shí)現(xiàn)實(shí)時(shí)跟蹤。從仿真可知，改進(jìn)后的算法較好的解決了Kalman濾波算法在目標(biāo)實(shí)時(shí)跟蹤上不足的問題，在不同應(yīng)用場(chǎng)景下目標(biāo)跟蹤準(zhǔn)確率都得到明顯提升，且性能也具有優(yōu)越性，更具穩(wěn)定性。結(jié)果表明，本文提出的改進(jìn)算法在視頻監(jiān)控等領(lǐng)域中的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤具有顯著意義。