基于多路攝像的視頻運動目標智能分析系統(tǒng)*

方道恒，陳 超，舒 暢

(1.電子科技大學通信學院，成都610054;2.總參陸航部駐成都地區(qū)軍事代表室，成都610036)

與雷達、激光等技術手段相比，視頻運動目標智能分析技術具有其直觀性、隱蔽性好、抗干擾能力強、低空探測、跟蹤性能強等特點。該技術目前主要應用于輕武器和火炮的彈著點定位與分析，應用于導彈的彈著點定位及其毀傷性能分析尚未見文獻報道。該技術有利于提高導彈靶場信息化建設水平和安全性。為此，本文設計了一套視頻運動目標智能分析系統(tǒng)，并進行了測試實驗，結果表明，該系統(tǒng)精度高，實時性強，具有較高的實用價值。

1 總體架構

本文設計的系統(tǒng)由3個觀測點(如圖1所示)和一個后端信息融合處理點構成。每個觀測點作為前端視頻獲取點，視野覆蓋目標預定出現(xiàn)空域，其功能一是將目標空域周邊景象視頻及目標圖像實時傳遞給后端，二是對目標進行智能分析，并將相關信息傳給后端信息融合點。

后端信息融合點則負責接收前端點的視頻及相關信息，并綜合多路信息進行最終的融合決策、多路攝像機協(xié)同調度和視頻顯示的選擇。整體設計結構如圖2所示。

圖1 前端觀測點設置示意圖Fig.1 Fore－end observation point diagrammatic sketch

圖2 系統(tǒng)總體架構Fig.2 System overall architecture

2 多路攝像機協(xié)同調度技術

如圖1所示，本系統(tǒng)中采用在每個觀測點設置兩臺攝像機來獲取目標景象，但受實際的傳輸和顯示設備限制，只能選擇這些攝像機中很少一部分的視頻圖像進行實時顯示。如何協(xié)同控制這些攝像機，使得最終被選擇出來進行目標景象顯示的攝像機同時擁有最佳的視野和目標分辨率就成為了需要深入研究的問題。我們采用博弈論，通過適當選擇效用函數(shù)和協(xié)商機制來解決該問題。一個多攝像機系統(tǒng)可以看做一個由多個局中人(Multiplayer)組成的學習協(xié)商機制，首先從理論角度對其進行分析。

假設在靶場區(qū)域中有Nt個目標，同時有Nc個攝像機，{T}為目標的集合，也就是博弈理論中的對手。判斷一個對手是否退出博弈，取決于它是否能夠被攝像機在指定分辨率的條件下監(jiān)控到。每個攝像機Ci能夠根據(jù)效用函數(shù)UCi(ai)選擇最優(yōu)的設置ai，ai可以看作攝像機可調參數(shù)。于是，整個系統(tǒng)的優(yōu)化問題轉化為博弈論中效用函數(shù)的選擇問題，如何選擇適當?shù)男в煤瘮?shù)來滿足系統(tǒng)整體性能的要求，成為解決問題的關鍵。

系統(tǒng)效用函數(shù)分為目標效用函數(shù)、整體效用函數(shù)和攝像機效用函數(shù)。目標效用函數(shù)為

其中，A=∪iai，表明攝像機Ci參數(shù)的集合，Vl為目標的觀測系數(shù)，pil的定義如下:

其中，r0是能接受的最小目標分辨率，而rmax是最大目標分辨率。若ril表示目標Tl被攝像機Ci觀測到的分辨率，那么xil=ril/rmax。參數(shù)λ可以根據(jù)單攝像頭跟蹤算法的要求進行相應調整。

整體效用函數(shù)可以通過目標效用函數(shù)得出，如下式:

攝像機效用函數(shù)為

其中，a－i=A－ai為除去Ci后所有攝相機的集合。納什均衡(Nash Equilibrium)是博弈論中一個廣為人知的概念，在本問題中，達到納什均衡的具體表現(xiàn)為任何一個攝像頭通過改變自身參數(shù)，都不能夠使得效用函數(shù)得到增加，也就是說此時系統(tǒng)達到了最佳狀態(tài)?？梢宰C明，以上提出的效用函數(shù)可以達到納什均衡。

以上是對博弈論框架的闡述，使用該框架的主要目的在于在目標監(jiān)控性能和區(qū)域覆蓋能力之間找到一個折衷。對于目標的跟蹤還需要一個協(xié)同機制。對于攝像機的選擇，采用如下策略:

從所有攝像機中隨機選取一個攝像機，只有這個攝像機才有改變自身參數(shù)的權限。假設我們需要對目標以rh的分辨率進行拍攝。若攝像機Ci被賦予更新參數(shù)的權限，Ci需要首先確定自己通過改變參數(shù)能否達到系統(tǒng)要求，若不能夠達到，Ci僅僅優(yōu)化自身參數(shù)，使自身的效用函數(shù)達到最大;反之，若Ci能夠達到系統(tǒng)的要求，Ci根據(jù)需要改變自身參數(shù)，跟蹤目標。若Ci在跟蹤目標的過程中不能夠改變自身的參數(shù)以達到系統(tǒng)要求，Ci發(fā)出交接信號，系統(tǒng)會在其他相機中隨機選取一個來進行跟蹤，跟蹤步驟和Ci相同，同時Ci放棄對目標的跟蹤，繼續(xù)改變參數(shù)最大化自身的效用函數(shù)。該多攝像的協(xié)同調度機制如圖3所示。

圖3 多攝像機協(xié)同機制Fig.3 Multichannel camera coordination mechanism

通過這樣一種簡單的方法，可以為每個目標找出一個最優(yōu)攝像機，在該攝像機上運用跟蹤算法，對目標進行跟蹤。

我們使用Matlab對攝像機協(xié)同調度算法進行仿真。在Matlab平臺上模擬10個PTZ攝像頭，在預設好攝像頭參數(shù)情況下，對若干目標進行跟蹤，如圖4所示。

圖4 多攝像機協(xié)同機制仿真Fig.4 Multichannel camera coordination mechanism simulation

圖4 是協(xié)同機制仿真的情況，圖中的白色方塊代表感興趣目標，而圓點代表對該目標監(jiān)控的攝像頭，由圓點所發(fā)出的射線中間的陰影部分是該攝像頭的視野范圍。圖4是在29時刻和59時刻系統(tǒng)運行的效果。

圖5是監(jiān)控系統(tǒng)視野覆蓋率及目標分辨率的示意圖。我們設定目標區(qū)域為600個單位面積，最大分辨率為240個單位像素?？梢钥闯?，該方法能夠在保持相對較高的目標分辨率基礎上，很好地協(xié)調視野范圍。仿真證明該方法行之有效。

圖5 系統(tǒng)視野及分辨率Fig.5 System visual field and resolution

3 視頻信息處理流程

視頻圖像信息處理流程主要由預處理、目標檢測和目標跟蹤以及高級信息處理等部分組成，如圖6所示。

圖6 視頻信息處理流程Fig.6 Flow chart of video information processing

3.1 圖像預處理

在實際應用中，系統(tǒng)獲取的原始圖像不是完美的。對于系統(tǒng)獲取的原始圖像，由于噪聲、光照等原因，圖像的質量不高，所以需要進行預處理。本系統(tǒng)的圖像預處理主要包括視頻圖像校準、圖像增強、自適應濾波、圖像灰度化、類直方圖均衡的光照預處理。

3.2 圖像檢測

在眾多的背景減除算法中，本方案選擇了基于一致性和隨機性思想的ViBe背景建模算法，該算法具有計算簡單、實時性和魯棒性較高等特點。ViBe算法使用第一幀視頻圖像并根據(jù)圖像像素的空間一致性初始化背景建模。ViBe方法把樣本值的生命周期策略加入算法中，全面增加了檢測質量。

3.3 運動目標跟蹤技術

持續(xù)提供準確而高質量的目標信息是目標跟蹤技術追求的目標。目前國際上廣泛采用的跟蹤框架主要有兩類，一是基于目標模式的跟蹤，二是基于目標狀態(tài)估計的跟蹤?；谶\算速度的考慮，本系統(tǒng)采用第一種框架所對應的代表性算法——均值偏移算法(Mean－Shift算法)。

在目標跟蹤方面，基于Mean－shift基本理論，經(jīng)過目標建模、相似度測量以及Mean－shift搜索3個步驟，可以完成均值偏移目標跟蹤的過程。

對于目標建模過程，一般采用歸一化直方圖作為基本的目標建模方法。目標被表現(xiàn)為如下模型:

其中，y0為候選目標的位置。

目標的相似度測量方法一般采用Bhattacharryya距離，具體定義如下:

其中，右邊第一項為常數(shù)，要求得ρ(y)的最大值，就要求得的最大值。因此，計算第二項的梯度:

其中，g()=－k'()。我們知道，當一個函數(shù)梯度為0時，就是該函數(shù)的最大值。因此，令"ρ(y)為0，假設采用Epanechnikov核函數(shù)，上式右邊第一部分可化簡為

這樣，就完成了Mean－Shift算法的理論模型。均值偏移算法的流程圖如圖7所示。

圖7 Mean－Shift跟蹤算法流程Fig.7 Flow chart of Mean－Shift tracking arithmetic

3.4 后端信息處理

3.4.1 視頻運動目標方位角計算方法

如何在大區(qū)域的空中計算導彈末段的方位角，是定位彈著點和評估其毀傷性能的重要參數(shù)，為此我們提出如下計算方法:

(1)采用差分GPS，分別測量攝像機C、參考標K1和參考標K2相對于中心標O的地理坐標;

(2)在攝像機采集的視頻圖像里通過人工點擊分別獲取參考標K1的像素橫坐標u1和參考標K2的像素橫坐標u2。

假定使用目標檢測算法模塊獲取的目標X的落點像素橫坐標為x，則由公式其中α為參考標K1、攝像機C、參考標K2所成的夾角∠K1CK2)可求得β(β為參考標K1、攝像機 C、目標X所成的夾角)，β即可闡釋目標的方位角。

3.4.2 目標落點位置計算方法

對落點位置的計算，最少需要兩路視頻(兩路視頻觀測點機位與落點位置三點不共線)即可計算得到落點的大地坐標。由于涉及到的視頻路數(shù)較多，且視頻清晰度、觀測設備與落點的距離差異很大，因此在計算落點時既要利用多路信息進行最小二乘求解，又需要根據(jù)視頻清晰度、觀測點機位與落點之間的距離遠近對多路視頻檢測提供的信息進行加權，而這其中必然也會涉及到從“粗”到“精”的兩級或多級計算。目標落點位置算法過程及其描述如下:

(1)設某觀測點攝像機地理坐標為Ci(利用差分GPS測得)、該觀測點檢測到的目標方位角θi，則可以求得大地平面上過觀測點與目標落點的直線方程，記為Aix+Biy+Ci=0;

結合從各觀測點到落點的射線方向，排除虛假交匯落點后，設剩余K個交匯落點Li，i=1，2，…，K;

(3)設d(·)、F(·)分別是距離函數(shù)和給定的代價函數(shù)，P(L1，L2，…，LK)是 K個交匯落點構成的凸多邊形，則最終落點通過解如下最優(yōu)化問題得到:

4 結論

實驗結果表明，基于多路攝像的視頻運動目標智能分析系統(tǒng)具有測量區(qū)域大(觀測點與靶心的距離半徑不小于1500 m)、實時性強(在1 s內發(fā)現(xiàn)目標，算出目標相關信息，并在指揮大廳大屏幕上顯示該信息，如位置、運動路徑、破片散落半徑等性能指標)、導彈毀傷性能評估較為精確、誤差小等特點，具有較高的實用價值。

[1]起峰，陸宏偉，劉肖琳.基于圖像的精密測量與運動測量[M].北京:科技出版社，2002.QI Feng，LU Hong－wei，LIU Xiao－lin.Precision measurement and movement measurement based on image[M].Beijing:Science Press，2002.(in Chinese)

[2]任明藝，李曉峰，李在銘.運動視頻對象的時空聯(lián)合檢測技術[J].光電子·激光，2009，20(7):64－68.REN Ming－yi，LI Xiao－feng，LI Zai－ming.Space－time Joint detection technology based on movement video target[J].Opto－ Electronic Laser，2009，20(7):64 －68.(in Chinese)

[3]ZHOU Ning，LI Xiao－feng，LI Zai－ming.Dim Target Detection Based on Spatio－morphological and Wavelet Transform Clutter Suppression[J].Opto－Electronic Engineering，2009，36(11):25－28.

[4]Fu Zhizhong，Liu Lingqiao，Xian Haiying.Human Computer Interaction Research and Realization Based on Leg Movement Analysis[C]//Proceedings of 2010 International Conference on Apperceiving Computing and Intelligence Analysis.Chengdu:IEEE，2010:421－426.

[5]Fu Zhi－Zhong，Xian Hai－Ying，Xu Jin，et al.Evaluation of Motion Blur Parameter Based on Cepstrum Domain of the Intentional Restored Image[C]//Proceedings of 2010 International Conference on Computational Problem－solving.Lijiang:IEEE，2010:271－274.

[6]謝征宇.高鐵綜合客運樞紐客運安全預警關鍵技術研究[D].北京:北京交通大學，2012.XIE Zheng－yu.Research on Key Technologies of Passenger Flow Safety Forewarning of High－speed Railway Comprehensive Passenger Transport Hub[D].Beijing:Beijing Jiaotong University，2012.(in Chinese)

[7]姜明新.智能視頻監(jiān)控中的目標跟蹤技術研究[D].大連:大連理工大學，2013.JIANG Ming－xin.Research on Object Tracking Technology in Intelligent Video Surveillance[D].Dalian:Dalian University of Technology，2013.(in Chinese)

[8]付博.智能監(jiān)控分析系統(tǒng)中的若干個關鍵問題研究[D].吉林:吉林大學，2013.FU Bo.Several key problems research on intelligent moni-toring analysis system[D].Jilin:Jilin University，2013.(in Chinese)

[9]袁國武.智能視頻監(jiān)控中的運動目標檢測和跟蹤算法研究[D].大理:云南大學，2012.YUAN Guo－wu.Research on Moving Objects Detection and Tracking Methods in Intelligent Visual Surveillance System[D].Dali:Yunnan University，2012.(in Chinese)

[10]郝捧華，龔國慶，陳勇.雙目視覺圖像處理算法的優(yōu)化[J].北京信息科技大學學報，2012，27(5):64－67，72.HAO Peng－h(huán)ua，GONG Guo－qing，CHEN Yong.Algorithm optimization of binocular vision image processing[J].Journal of Beijing Information science and Technology University，2012，27(5):64－67，72.(in Chinese)

[11]周維.視頻監(jiān)控中運動目標發(fā)現(xiàn)與跟琮算法研究[D].北京:中國科技大學，2012.ZHOU Wei.Research on Algorithms of Moving Object Discovering and Tracking for Video Surveillance[D].Beijing:University of Science and Technology of China，2012.(in Chinese)