基于目標(biāo)跟蹤的群聚行為識(shí)別

馬一博

摘 要：針對(duì)視頻監(jiān)控中的群聚行為，提出一種基于目標(biāo)跟蹤的群聚行為識(shí)別方法。當(dāng)場(chǎng)景中目標(biāo)數(shù)目不多，且相互之間沒(méi)有嚴(yán)重遮擋時(shí)，通過(guò)結(jié)合幀差法、CamShift顏色跟蹤算法、模板匹配法與Kalman預(yù)測(cè)，形成了多傳感融合思路的目標(biāo)跟蹤算法，可實(shí)現(xiàn)運(yùn)動(dòng)目標(biāo)的跟蹤，并采用多線(xiàn)程實(shí)現(xiàn)對(duì)多目標(biāo)的跟蹤。此外，還可擬合每個(gè)運(yùn)動(dòng)目標(biāo)的軌跡和預(yù)測(cè)下一時(shí)間段的軌跡，并統(tǒng)計(jì)所有目標(biāo)的運(yùn)動(dòng)軌跡在圖像區(qū)域中的運(yùn)動(dòng)趨勢(shì)的分布特性，最終通過(guò)觀(guān)察某個(gè)區(qū)域是否長(zhǎng)時(shí)間屬于目標(biāo)可能的聚集區(qū)，從而判斷群聚事件是否發(fā)生。實(shí)驗(yàn)結(jié)果表明，該方法適用于場(chǎng)景中人數(shù)不多的情景，且群聚識(shí)別效果較好。

關(guān)鍵詞：目標(biāo)跟蹤；多傳感融合；軌跡擬合；軌跡預(yù)測(cè)

中圖分類(lèi)號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A DOI：10.15913/j.cnki.kjycx.2015.05.004

隨著經(jīng)濟(jì)和城市化建設(shè)的快速發(fā)展，火車(chē)站、地鐵和廣場(chǎng)等公共場(chǎng)合中的人流量越來(lái)越大，人數(shù)較多的公共場(chǎng)合中存在著很大的安全隱患，群毆、聚集或踩踏等事件時(shí)常發(fā)生。如果能對(duì)多人行為進(jìn)行檢測(cè)，及時(shí)發(fā)現(xiàn)群體行為中的異常，則可以采取有效措施，避免意外的發(fā)生。在人體行為識(shí)別中，關(guān)于個(gè)人行為動(dòng)作的識(shí)別已經(jīng)有了相當(dāng)深入的研究，人流量分析、群聚等群體行為的識(shí)別是視頻監(jiān)控領(lǐng)域的重要研究方向之一，也是計(jì)算機(jī)視覺(jué)領(lǐng)域中具有挑戰(zhàn)性的課題之一。

關(guān)于群體行為識(shí)別的研究方法主要有3類(lèi)：①基于目標(biāo)的方法。該類(lèi)方法將群體考慮成由單個(gè)目標(biāo)組成，群體行為的識(shí)別就是在單個(gè)目標(biāo)檢測(cè)、跟蹤的基礎(chǔ)上進(jìn)行識(shí)別，這種方法適用于背景環(huán)境較為簡(jiǎn)單、目標(biāo)之間沒(méi)有嚴(yán)重的遮擋的情況。比如，國(guó)內(nèi)采用的目標(biāo)提取、多人跟蹤方法，可在簡(jiǎn)單的場(chǎng)景中同時(shí)跟蹤十幾人，從而判斷是否存在異常情況。②從整個(gè)監(jiān)控場(chǎng)景的角度分析，提取場(chǎng)景中特別的信息特征。通常提取的特征有紋理、梯度和光流特征。目前，國(guó)外采用較多的是建立模型的方法，Andrade等人從視頻中提取出光流作為特征信息，并采用基于隱馬爾科夫模型（HMM）的檢測(cè)方法檢測(cè)群體中的緊急或異常事件；Rahmal等人采用紋理作為特征，建立了異常行為模型，可識(shí)別群體異常行為。③將上述2種方式結(jié)合起來(lái)，既可分析整個(gè)監(jiān)控場(chǎng)景，又能跟蹤單個(gè)目標(biāo)。在該方法中，可提取紋理光流等特征，并建立群體異常行為模型，適用于環(huán)境較為復(fù)雜的場(chǎng)景，對(duì)外界環(huán)境的要求不高，但是從實(shí)際應(yīng)用的角度看，其算法過(guò)于復(fù)雜，不利于實(shí)現(xiàn)?；谀繕?biāo)跟蹤的方法，對(duì)視頻中的每個(gè)個(gè)體都有較好的跟蹤和狀態(tài)記錄，既可以判斷單個(gè)目標(biāo)的行為，也可以識(shí)別多個(gè)目標(biāo)間的群體行為，且基于目標(biāo)識(shí)別算法，相比于現(xiàn)有的視頻監(jiān)控平臺(tái)而言更容易實(shí)現(xiàn)。因此，本文主要提出了一種基于目標(biāo)跟蹤的群聚行為識(shí)別算法。

1 運(yùn)動(dòng)目標(biāo)的跟蹤

人體行為分析是指對(duì)視頻序列中的運(yùn)動(dòng)人體進(jìn)行檢測(cè)、跟蹤、理解和識(shí)別其行為。整個(gè)處理步驟如圖1所示。目標(biāo)檢測(cè)、目標(biāo)跟蹤是實(shí)現(xiàn)行為理解和識(shí)別的基礎(chǔ)，也是需首先研究的任務(wù)。

1.1 多傳感融合思路的目標(biāo)跟蹤

常用的目標(biāo)跟蹤算法有幀差法、Kalman濾波、模板匹配法和MeanShift跟蹤算法等，大體上可分為基于運(yùn)動(dòng)分析的方法和基于圖像匹配的方法。基于運(yùn)動(dòng)分析的方法計(jì)算速度較快，

但當(dāng)背景環(huán)境較復(fù)雜且穩(wěn)定性較差時(shí)，容易出現(xiàn)跟丟目標(biāo)的現(xiàn)象；基于圖像匹配的方法在目標(biāo)有平移時(shí)可獲得較好的處理效果，對(duì)圖像噪聲和光照變化有一定的魯棒性。

本文通過(guò)結(jié)合運(yùn)動(dòng)分析與圖像匹配方法，提出了一種多傳感融合思路的目標(biāo)跟蹤算法。模板匹配與CamShift結(jié)合可簡(jiǎn)潔、快速地跟蹤目標(biāo)，CamShift的每一幀可不斷調(diào)整搜索窗口的大小，模板匹配的模板大小也會(huì)隨之改變，從而增強(qiáng)了匹配的可靠性。同時(shí)，Kalman濾波可實(shí)現(xiàn)目標(biāo)位置的預(yù)測(cè)，可解決目標(biāo)運(yùn)動(dòng)過(guò)快、有少許遮擋引起的問(wèn)題。主要跟蹤步驟如下。

第一步，確定要跟蹤的目標(biāo)。確定跟蹤目標(biāo)在當(dāng)前幀中的位置坐標(biāo)（nCenterX，nCenterY）、跟蹤目標(biāo)的大?。╪HalfWidth，nHalfHeight）和初始化搜索模板的寬度和高度（m_TemplateW，m_TemplateH）。

第二步，初始化模板匹配的模板、CamShift跟蹤的色彩概率分布圖和濾波器。

第三步，根據(jù)前一幀得出的運(yùn)動(dòng)目標(biāo)的位置和大小，在稍大范圍內(nèi)使用幀差法計(jì)算一個(gè)新目標(biāo)的位置，可用矩形框（m_DiffRect）表示。

第四步，采用模板匹配跟蹤算法，搜索當(dāng)前幀中與參考模板最匹配的圖像區(qū)域的位置（nCenterX1，nCenterY1）；根據(jù)跟蹤目標(biāo)在最近15幀內(nèi)的運(yùn)動(dòng)軌跡信息，運(yùn)用Kalman濾波器預(yù)測(cè)出目標(biāo)在當(dāng)前幀中可能出現(xiàn)的位置（nCenterX2，nCenterY2）；采用CamShift顏色跟蹤法，根據(jù)前一幀確定的目標(biāo)窗口的大小和色彩概率分布圖，找出目標(biāo)在當(dāng)前幀中的位置（nCenterX3，nCenterY3）和調(diào)整后的窗口大?。╪HalfWidth，nHalfHeight）。

第五步，計(jì)算模板匹配、Kalman濾波和CamShift跟蹤預(yù)測(cè)出的運(yùn)動(dòng)目標(biāo)中心位置與幀差法計(jì)算出的運(yùn)動(dòng)目標(biāo)中心位置的偏移（ddist1，ddist2，ddist3），剔除與幀差法檢測(cè)結(jié)果相差較大的結(jié)果。

第六步，針對(duì)每一種特征得到的目標(biāo)位置結(jié)果，計(jì)算中心目標(biāo)區(qū)域及其周邊背景區(qū)域的概率分布圖像直方圖，根據(jù)中心直方圖和周邊直方圖的差異計(jì)算每種特征在確定目標(biāo)位置時(shí)所占的權(quán)重；實(shí)現(xiàn)跟蹤過(guò)程中的自適應(yīng)調(diào)整權(quán)重；使用加權(quán)等方法融合步第四步中的位置坐標(biāo)，得到當(dāng)前幀目標(biāo)跟蹤的結(jié)果（nCenterX，nCenterY）。

第七步，如果Camshift跟蹤有效，則使用CamShift跟蹤窗口的大小，并作為新目標(biāo)的大小，否則，以幀差法得到的結(jié)果作為新目標(biāo)的大小。

第八步，更新跟蹤目標(biāo)的大小、模板匹配的模板和目標(biāo)區(qū)域的顏色概率分布圖，并不斷重復(fù)第三步至第六步，以實(shí)現(xiàn)運(yùn)動(dòng)目標(biāo)的跟蹤。整個(gè)流程如圖2所示。