視頻序列中的目標(biāo)檢測(cè)

溫馨　武海健　袁杰

摘 要： 重點(diǎn)研究視頻序列中運(yùn)動(dòng)目標(biāo)的提取、跟蹤、分類等問題，最終實(shí)現(xiàn)了一個(gè)完整的目標(biāo)檢測(cè)系統(tǒng)。首先，考慮到算法的復(fù)雜度和檢測(cè)的實(shí)時(shí)性需求，優(yōu)選了背景差與幀差相結(jié)合的檢測(cè)方法，通過背景實(shí)時(shí)更新，達(dá)到了一個(gè)較好的檢測(cè)效果。其次，充分考慮了卡爾曼濾波跟蹤的簡(jiǎn)單、高效等特性，通過計(jì)算當(dāng)前目標(biāo)與候選目標(biāo)之間的歐氏距離來尋找最佳匹配目標(biāo)和區(qū)分相交物體。再者，提出了一種先用Adaboost算法獲得各個(gè)目標(biāo)的初分類，再采用BP神經(jīng)網(wǎng)絡(luò)對(duì)目標(biāo)進(jìn)行細(xì)分類的方法，實(shí)踐證明，該方法在保證對(duì)絕大部分人、自行車、汽車有很好的分類效果外，對(duì)大部分雜物也能有較好的區(qū)分。最后，通過Matlab編程，設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)完整的運(yùn)動(dòng)目標(biāo)檢測(cè)系統(tǒng)。

關(guān)鍵詞： 目標(biāo)提取； 目標(biāo)跟蹤； 目標(biāo)分類； 目標(biāo)檢測(cè)系統(tǒng)

中圖分類號(hào)： TN919?34 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2015）19?0068?04

Abstract： The extraction， tracking and classification of moving target in video sequence are studied， and a whole target detection system was achieved. Considering the complexity of the algorithm and the real?time requirement of the detection， the detection method combining background difference with frame difference is optimized and selected， and a better detection effect was achieved by updating the background in real?time. Since Kalman filtering tracking is simple and efficient， the Euclidean distance between current target and candidate target is calculated to search for the best matching target and distinguish intersecting target. A novel method is proposed， which applies Adaboost algorithm to acquire the preliminary classification of each target， and makes use of BP neural network to classify the target in detail. The practical results prove that this method can ensure a preferable classification effect to majority of persons， cars and bikes， and distinguish most varia better. An integral detection system of moving target was designed and implemented by Matlab programming.

Keywords： target extraction； target tracking； target classification； target detection system

0 引 言

視頻智能監(jiān)控是計(jì)算機(jī)視覺領(lǐng)域中一個(gè)重要的研究分支，它以其準(zhǔn)確、直觀、實(shí)時(shí)和捕獲信息豐富被應(yīng)用于許多場(chǎng)合，關(guān)系到社會(huì)的安全防范和國(guó)家的長(zhǎng)治久安。其中，基于圖像序列的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤技術(shù)是視頻監(jiān)控領(lǐng)域中的重中之重，也是計(jì)算機(jī)視覺系統(tǒng)中不可或缺的關(guān)鍵技術(shù)。近年來，有大量的運(yùn)動(dòng)目標(biāo)檢測(cè)算法相繼被提出，目前，常用的運(yùn)動(dòng)目標(biāo)檢測(cè)方法可以歸類為：光流法[1?2]（Optical Flow）、背景差法[3?4]（Background Subtraction）和幀差分法[5?6]（Frame Difference）等，其中常用的背景模型包括混合高斯模型[7]、碼本模型[8]等。目標(biāo)跟蹤系統(tǒng)可被認(rèn)為是一個(gè)線性的、離散的高斯馬爾科夫系統(tǒng)，通過一定的假設(shè)與估計(jì)，可對(duì)目標(biāo)的狀態(tài)方程與觀測(cè)方程進(jìn)行求解，從而達(dá)到目標(biāo)跟蹤的效果。如今研究較為熱門的跟蹤技術(shù)有：卡爾曼[9?10]（Kalman）濾波跟蹤、均值偏移[11]（Mean?Shift）跟蹤、粒子濾波（PF）[12]跟蹤等。運(yùn)動(dòng)目標(biāo)分類的主要目的是對(duì)檢測(cè)到的前景區(qū)域所表示的目標(biāo)類型進(jìn)行區(qū)分，以備對(duì)不同類的目標(biāo)進(jìn)行不同的處理。

目前常用的分類方法主要包括神經(jīng)網(wǎng)絡(luò)[13]、Adaboost算法[14]和支撐向量機(jī)（SVM）[15]等。本文考慮到視頻監(jiān)控處理中所應(yīng)滿足的實(shí)時(shí)性和精確度要求，分別從運(yùn)動(dòng)目標(biāo)檢測(cè)、目標(biāo)跟蹤、目標(biāo)分類三個(gè)方面進(jìn)行研究設(shè)計(jì)，最終檢索并分析出視頻序列中特定目標(biāo)的數(shù)量、顏色、出現(xiàn)和消失時(shí)間并生成記錄文件，實(shí)現(xiàn)了一個(gè)高效的視頻智能監(jiān)控系統(tǒng)。

1 運(yùn)動(dòng)目標(biāo)檢測(cè)

Surendra算法[16]是一種快速自適應(yīng)的背景更新方法，它通過當(dāng)前幀與背景幀的差分圖像或者利用幀間差分圖像找到物體的運(yùn)動(dòng)區(qū)域，并對(duì)運(yùn)動(dòng)區(qū)域的背景部分保持不變，而非運(yùn)動(dòng)區(qū)域的背景以一定的速率用當(dāng)前圖像幀中對(duì)應(yīng)的像素值進(jìn)行替換更新。具體算法可以表述如下：

對(duì)于[α2]選取也比較重要，選得較大，更新過快，背景中很容易混入運(yùn)動(dòng)較慢的物體的殘影；選得較小，更新很慢，對(duì)于停留在背景中的物體，需要較長(zhǎng)時(shí)間才能轉(zhuǎn)為背景。所以，這里提出一種根據(jù)目標(biāo)運(yùn)動(dòng)速度自適應(yīng)調(diào)節(jié)[α2]值的方法，即根據(jù)前景目標(biāo)的速度調(diào)節(jié)運(yùn)動(dòng)區(qū)域更新速率的方法：endprint

其中，[T]為運(yùn)動(dòng)像素的閾值，一般設(shè)為0或接近0；[K]為常數(shù)，可取0.1；[αc1]取較小值，如0.01；[αc2]取較大值，如0.1。為了去除前景目標(biāo)中的噪聲干擾，可以采取中值濾波、形態(tài)學(xué)處理、連通區(qū)域面積閾值化等措施。

2 運(yùn)動(dòng)目標(biāo)跟蹤

運(yùn)動(dòng)目標(biāo)跟蹤技術(shù)發(fā)展至今，已經(jīng)出現(xiàn)了很多算法及相應(yīng)的改進(jìn)措施，其中絕大多數(shù)跟蹤算法都需要經(jīng)過預(yù)測(cè)、匹配、更新等過程。本文充分考慮視頻處理的實(shí)時(shí)性要求，提出了一種利用卡爾曼濾波預(yù)測(cè)目標(biāo)運(yùn)動(dòng)軌跡，基于歐氏距離尋找匹配目標(biāo)并判斷目標(biāo)相交與分離的方法。

2.1 卡爾曼濾波

其中，[x（k）]為[k]時(shí)刻系統(tǒng)的狀態(tài)變量；[A（k-1）]為[k-1]時(shí)刻到[k]時(shí)刻的轉(zhuǎn)移矩陣；[w（k）]為[k]時(shí)刻協(xié)方差矩陣[Q（k）]的零均值高斯噪聲；[z（k）]為[k]時(shí)刻觀測(cè)向量；[H（k）]為[k]時(shí)刻觀測(cè)矩陣；[v（k）]為[k]時(shí)刻協(xié)方差[R（k）]的零均值白噪聲。

2.2 基于歐氏距離的運(yùn)動(dòng)目標(biāo)相交檢測(cè)

使用卡爾曼濾波器進(jìn)行目標(biāo)軌跡跟蹤時(shí)，需要使用當(dāng)前實(shí)際值進(jìn)行狀態(tài)更新，而目標(biāo)相交時(shí)，通常很難得到單個(gè)目標(biāo)實(shí)際的中心和長(zhǎng)寬，故在狀態(tài)更新時(shí)的實(shí)際測(cè)量值[z（k）]用預(yù)測(cè)值[x（k）]的前兩行代替。

在處理運(yùn)動(dòng)目標(biāo)相交時(shí)，首先要做的是如何判斷目標(biāo)相交和分離，以兩個(gè)目標(biāo)相交為例，介紹本文所采用的簡(jiǎn)單判斷方法。

通常在距離的影響下，目標(biāo)相交的情況較復(fù)雜，但可以分為兩類，一種是目標(biāo)大小相近的相交；另一種是目標(biāo)大小相差較大的相交，這可通過兩個(gè)目標(biāo)的面積大小關(guān)系區(qū)分。對(duì)于前者，當(dāng)滿足式（7）的條件，判斷聯(lián)合中心與兩個(gè)目標(biāo)距離的大小關(guān)系來區(qū)分相交；對(duì)于后者，只要滿足式（7），就認(rèn)為目標(biāo)相交。當(dāng)判定目標(biāo)相交后，在使用卡爾曼狀態(tài)更新時(shí)直接使用上次狀態(tài)預(yù)測(cè)的結(jié)果進(jìn)行更新；當(dāng)判定目標(biāo)分離后，則使用目標(biāo)當(dāng)前狀態(tài)對(duì)卡爾曼參數(shù)進(jìn)行更新。兩個(gè)目標(biāo)相交跟蹤效果如圖4所示。

從圖4中可以看出，在目標(biāo)相交后，由于采用勻速直線運(yùn)動(dòng)模型，當(dāng)物體運(yùn)動(dòng)的速度或尺寸有變化時(shí)，會(huì)對(duì)卡爾曼跟蹤造成一些影響，一般情況下，物體間相交的時(shí)間不長(zhǎng)，故影響不大，當(dāng)物體分開后，可以很快收斂。

3 運(yùn)動(dòng)目標(biāo)分類

通過Adaboost算法進(jìn)行目標(biāo)分類的結(jié)果如表1所示，其中測(cè)試樣本由100人、100輛自行車、50輛汽車組成，共250個(gè)目標(biāo)；雜物由表1所示樣式組成。

在測(cè)試過程中發(fā)現(xiàn)，有些自行車樣式很接近單個(gè)人的外形，用簡(jiǎn)單的特征訓(xùn)練成的強(qiáng)分類器并不能對(duì)其很好的分類。所以，為了減少雜物的干擾，本文提出了一種使用模板計(jì)算互相關(guān)系數(shù)作為BP神經(jīng)網(wǎng)絡(luò)[13，18]的輸入，然后進(jìn)一步對(duì)目標(biāo)分類，以提高對(duì)非有效目標(biāo)的分類效果的方法。

首先采集大量的人、自行車、汽車二值的圖像，分別轉(zhuǎn)換到特定的大小，比如，人轉(zhuǎn)為100×50像素，自行車轉(zhuǎn)為60×60像素，汽車轉(zhuǎn)為40×100像素。然后對(duì)各組圖像取平均值，將獲得的結(jié)果作為計(jì)算系數(shù)的模板，如圖5所示。

采用本文的目標(biāo)分類方法后，得到的分類效果如表2所示。

從表2中可以看到，采用本文的方法不但使人、自行車、汽車分類更加準(zhǔn)確，更將雜物的分類準(zhǔn)確率提高到原來的8倍以上，大大減少了雜物帶來的干擾，使整個(gè)系統(tǒng)變得更加可靠。

4 結(jié) 語

本文分別從運(yùn)動(dòng)目標(biāo)檢測(cè)、目標(biāo)跟蹤、目標(biāo)分類三個(gè)方面進(jìn)行研究設(shè)計(jì)，最終檢索并分析出視頻序列中特定目標(biāo)的數(shù)量、顏色、出現(xiàn)和消失時(shí)間并生成記錄文件。在目標(biāo)檢測(cè)階段，提出一種幀間差分法和減背景技術(shù)相結(jié)合的運(yùn)動(dòng)目標(biāo)檢測(cè)方法，采用中值濾波、結(jié)合形態(tài)學(xué)處理及面積閾值化等方法去除噪聲，同時(shí)對(duì)背景圖像實(shí)時(shí)更新，以減少光照等擾動(dòng)的影響；在目標(biāo)跟蹤分析階段，提出一種簡(jiǎn)化的Kalman濾波跟蹤算法，并結(jié)合目標(biāo)特征之間的歐氏距離尋找最佳匹配目標(biāo)，從而獲取目標(biāo)運(yùn)動(dòng)軌跡，分析了目標(biāo)相交分離所需滿足的條件，較好地處理了多目標(biāo)跟蹤中的部分問題；在目標(biāo)分類研究設(shè)計(jì)中，提出一種先用Adaboost算法對(duì)多目標(biāo)進(jìn)行初分類，再結(jié)合模板計(jì)算互相關(guān)系數(shù)，并使用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行再分類的方法。經(jīng)測(cè)試，該方法能較好地檢測(cè)出人、自行車和汽車等物體，并對(duì)干擾目標(biāo)有很好的區(qū)分；最后本文將目標(biāo)檢測(cè)、跟蹤和分類等過程相結(jié)合，實(shí)現(xiàn)了一個(gè)實(shí)用、高效的目標(biāo)檢測(cè)系統(tǒng)。

參考文獻(xiàn)

[1] HUANG Jinjie， JIANG Yongfu. An improved approach to calculation of the optical flow field for color image sequences [C]// Proceedings of 2010 International Forum on Strategic Technology. Ulsan： IEEE， 2010： 312?317.

[2] INDU S， GUPTA M， BHATTACHARYYA A. Vehicle tracking and speed estimation using optical flow method [J]. International Journal of Engineering Science and Technology， 2011， 3（1）： 429?434.

[3] ENRIQUE J， SANCHEZ F， DIAZ J， et al. Background subtraction based on color and depth using active sensors [J]. Sensors， 2013， 13（7）： 8895?8915.

[4] THIND B T. Background subtraction techniques?review [J]. International Journal of Innovative Technology and Exploring Engineering， 2013， 2（3）： 166?168.endprint

[5] LIAN Xiaofeng， ZHANG Tao， LIU Zaiwen. A novel method on moving?objects detection based on background subtraction and three frames differencing [C]// Proceedings of 2010 International Conference on Measuring Technology and Mechatronics Automation. Changsha， China： IEEE， 2010： 252?256.

[6] 薛麗霞，羅艷麗，王佐成.基于幀間差分的自適應(yīng)運(yùn)動(dòng)目標(biāo)檢測(cè)方法[J].計(jì)算機(jī)應(yīng)用研究，2011，28（4）：1551?1552.

[7] 胥欣，江登表，李勃，等.混合高斯模型運(yùn)動(dòng)檢測(cè)算法優(yōu)化[J].計(jì)算機(jī)應(yīng)用研究，2013，30（7）：2190?2194.

[8] KIM K， CHALIDABHONGSE T H. Real?time foreground?background segmentation using codebook model [J]. Real?Time Ima?ging， 2005， 11（3）： 172?185.

[9] PATEL H A， THAKORE D G. Moving object tracking using Kalman filter [J]. International Journal of Computer Science and Mobile Computing， 2013， 4（2）： 326?332.

[10] KAUSHIK S. 3D real?time tracking and recognization of moving object using Kalman filter [J]. International Journal of Engineering Research， 2013， 2（7）： 438?441.

[11] SUN Jian. A fast Meanshift algorithm?based target tracking system [J]. Sensors， 2012， 12（6）： 8218?8235.

[12] 白笛，張冰，朱志宇.目標(biāo)跟蹤的自適應(yīng)雙重采樣粒子濾波算法[J].計(jì)算機(jī)科學(xué)，2013，40（3）：248?250.

[13] [加] HAYKIN S.神經(jīng)網(wǎng)絡(luò)與機(jī)器學(xué)習(xí)[M].申富饒，徐燁，鄭俊，等譯.3版.北京：機(jī)械工業(yè)出版社，2011.

[14] CHANG H L， YUE Taiwen. Entropy?directed AdaBoost algorithm with NBBP features for face detection [J]. Information Technology Journal， 2011， 10（8）： 1518?1526.

[15] ATHIRAJA A， BARANIDHARAN A， VIGNESH S， et al. The efficient SVM kernel method for image compression and image recognition [J]. International Journal of Advanced Computer Research， 2012， 2（1）： 55?60.

[16] GUPTE S， MASOUD O. Detection and classification of vehicles [J]. IEEE Transactions on Intelligent Transportation Systems， 2002， 3（1）： 37?47.

[17] 黎洪松.數(shù)字視頻處理[M].北京：北京郵電大學(xué)出版社，2006.

[18] 朱凱，王正林.精通Matlab神經(jīng)網(wǎng)絡(luò)[M].北京：電子工業(yè)出版社，2010.endprint