基于局部背景加權(quán)和能量約束的多目標(biāo)檢測(cè)與跟蹤算法

陳家紅

（金陵科技學(xué)院計(jì)算機(jī)工程學(xué)院，南京211169）

基于局部背景加權(quán)和能量約束的多目標(biāo)檢測(cè)與跟蹤算法

陳家紅

（金陵科技學(xué)院計(jì)算機(jī)工程學(xué)院，南京211169）

針對(duì)標(biāo)記點(diǎn)處理方法用于多目標(biāo)跟蹤時(shí)效果不佳的問題，在標(biāo)記點(diǎn)方法的基礎(chǔ)上，提出一種多目標(biāo)聯(lián)合檢測(cè)跟蹤算法。改進(jìn)的幀間差法用于目標(biāo)的初步確定，通過局部背景加權(quán)進(jìn)一步確定其與多個(gè)目標(biāo)的標(biāo)記?？紤]動(dòng)態(tài)模型的軌跡一致性問題，對(duì)動(dòng)態(tài)目標(biāo)、長時(shí)間跟蹤和目標(biāo)互斥相似等問題進(jìn)行研究。針對(duì)非凸性的能量函數(shù)采用可逆跳轉(zhuǎn)馬爾可夫鏈蒙特卡洛進(jìn)行優(yōu)化。實(shí)驗(yàn)結(jié)果表明，在有高斯噪聲情況下，與其他跟蹤算法相比，該算法的檢測(cè)和跟蹤相似度最高，在衛(wèi)星圖像序列和自采集視頻中的精度和召回率也最高，整體性能較優(yōu)。

多目標(biāo)跟蹤；局部背景加權(quán)；能量約束；非凸性；可逆跳轉(zhuǎn)馬爾可夫鏈蒙特卡洛

1 概述

目標(biāo)跟蹤在交通、安防、無人機(jī)、無線傳感器網(wǎng)絡(luò)等領(lǐng)域應(yīng)用非常廣泛［1-3］，是模式識(shí)別、機(jī)器視覺等許多交叉學(xué)科的熱門研究課題。從某種意義上說，可以將目標(biāo)跟蹤定義為圖像平面中目標(biāo)軌跡的評(píng)估問題［4］。因此，跟蹤器在圖像序列的不同圖像幀中為目標(biāo)設(shè)置一致標(biāo)簽，還可以提供目標(biāo)的運(yùn)動(dòng)方向、外形或尺寸信息［5］，在目標(biāo)跟蹤中用軌跡評(píng)估具有重要意義。目標(biāo)跟蹤按跟蹤目標(biāo)的數(shù)量，可以分為單目標(biāo)跟蹤和多目標(biāo)跟蹤，兩者雖然有相似之處，但多目標(biāo)要比單目標(biāo)復(fù)雜得多，要考慮的問題多而復(fù)雜，如多目標(biāo)的重疊、相似區(qū)別和排序等問題［6］。本文給出一種多目標(biāo)跟蹤算法，就動(dòng)態(tài)目標(biāo)、長時(shí)間跟蹤和目標(biāo)互斥相似等問題進(jìn)行研究，提出背景加權(quán)和能量約束的多目標(biāo)跟蹤算法。

2 相關(guān)研究

關(guān)于目標(biāo)跟蹤已經(jīng)有很多學(xué)者對(duì)其進(jìn)行大量研究，本節(jié)按單目標(biāo)［7-9］和多目標(biāo)跟蹤［10-13］進(jìn)行描述，重要討論利用序列方法［10-11］和標(biāo)記點(diǎn)方法［12-13］的多目標(biāo)跟蹤。

文獻(xiàn)［7］針對(duì)傳統(tǒng)的Meanshift跟蹤算法在跟蹤時(shí)的不穩(wěn)定問題，提出一種改進(jìn)算法，意圖削弱目標(biāo)模型中的背景特征對(duì)目標(biāo)跟蹤的影響，即局部背景加權(quán)BWH，通過局部背景模型篩選目標(biāo)與候選模型的顯著特征。文獻(xiàn)［8］的設(shè)計(jì)思想較好，但實(shí)驗(yàn)效果并不好。文獻(xiàn)［8］用理論和實(shí)驗(yàn)證明了文獻(xiàn)［7］的BWH并沒有起作用，算法最終退化為傳統(tǒng)的Meanshift，并對(duì)其進(jìn)行糾正，提出了CBWH算法，真正實(shí)現(xiàn)了文獻(xiàn)［7］期望的效果。但這類算法依然是以Meanshift為基礎(chǔ)，在近似的顏色區(qū)域目標(biāo)經(jīng)常發(fā)生漂移。

文獻(xiàn)［9］是著名的TLD（Tracking-Learning-Detecting）算法。在目標(biāo)跟蹤領(lǐng)域中影響非常大，這可能是由于非常好的效果和代碼分享，TLD將跟蹤和檢測(cè)同時(shí)進(jìn)行，同時(shí)利用N-P專家的學(xué)習(xí)方法對(duì)跟蹤和檢測(cè)出現(xiàn)的錯(cuò)誤樣本和正確樣本同時(shí)進(jìn)行分類，糾正跟蹤和檢測(cè)過程中的錯(cuò)誤，而TLD算法是一種單目標(biāo)跟蹤，多目標(biāo)的學(xué)習(xí)很困難。文獻(xiàn)［9］解決了這個(gè)問題，但并未見著于學(xué)術(shù)，而是見著于他成立的公司中。

文獻(xiàn)［10］是一種改進(jìn)的多假設(shè)跟蹤器（Multi-Hypothesis Tracker，MHT），數(shù)據(jù)校準(zhǔn)后進(jìn)行串行合并和點(diǎn)跡合成。屬于多目標(biāo)跟蹤領(lǐng)域中常見的技術(shù)，該算法的主要缺點(diǎn)在于不能根據(jù)新數(shù)據(jù)修改過去的結(jié)果。但是，實(shí)時(shí)跟蹤并不總是一個(gè)不可獲取的約束條件，比如線下視頻處理或信息檢索等應(yīng)用程序就不存在這些限制條件。文獻(xiàn)［11］提出了MCMC數(shù)據(jù)關(guān)聯(lián)方法，利用這種方法可以對(duì)一組離散度檢測(cè)信號(hào)進(jìn)行分區(qū)用以跟蹤。為了檢索每個(gè)分區(qū)，假設(shè)目標(biāo)和檢測(cè)是一對(duì)一的映射關(guān)系。但是，沒有并沒有對(duì)其進(jìn)行細(xì)致的研究。

標(biāo)記點(diǎn)處理方法（Marked Point Processes，MPP）［12］已經(jīng)成功地應(yīng)用于高分辨率遙感光學(xué)圖像以檢測(cè)目標(biāo)，文獻(xiàn)［13］中所提出的模型用以獲取所有未知目標(biāo)的后驗(yàn)概率，得出時(shí)空信息。因此，這種模型的主要目的在于識(shí)別和了解特定事件變化的外力，對(duì)能量中的特定因素進(jìn)行優(yōu)化會(huì)使得處理過程相互依賴。

本文提出一種新的MPP算法，該算法適用于多目標(biāo)跟蹤問題，并且將局部背景加權(quán)加入其中用于目標(biāo)標(biāo)記，能量約束用于多目標(biāo)跟蹤。

3 多目標(biāo)檢測(cè)

多目標(biāo)的檢測(cè)是目標(biāo)跟蹤的重要環(huán)節(jié)，本節(jié)介紹的多目標(biāo)檢測(cè)是由改進(jìn)的幀間差法進(jìn)行快速目標(biāo)確定，用顏色直方圖向量和背景加權(quán)對(duì)目標(biāo)進(jìn)行標(biāo)記。

3.1 改進(jìn)的幀間差法目標(biāo)檢測(cè)

通過幀差法［14］找到運(yùn)動(dòng)目標(biāo)的可能位置，不同于一般的幀間差法，只使用相鄰2幀，本文使用前后3幀，三幀差法可以獲得更多的像素間的信息，兩幀差法只考慮第k幀與前一幀或后一幀的關(guān)系，只進(jìn)行一次差分運(yùn)算，三幀差法考慮前后2幀關(guān)系，進(jìn)行了2次差分運(yùn)算，三幀差法可以獲得更多像素灰度信息關(guān)系，另外三幀差法也適合之后的相位與運(yùn)算。在運(yùn)算量方面，如果不考慮后續(xù)操作的不同，三幀差法增加了h×w次減法運(yùn)算（h，w分別為圖像的高度和寬度）。相位與運(yùn)算和簡單的閾值二值化進(jìn)行目標(biāo)確定。在每個(gè)像素位置上，計(jì)算隨著時(shí)間變化亮度值的平均值，并用pm表示。對(duì)于每個(gè)視頻幀f，計(jì)算f中所有的像素亮度值pf與參考幀之間的差值，以及局部的平均差值pm。最后，僅保留那些差值大于預(yù)設(shè)定閾值的像素點(diǎn)作為前景：

閾值處理之后進(jìn)行二值處理，然后確定目標(biāo)。圖1為改進(jìn)的幀間差法的流程圖。

圖1 使用幀間差法的目標(biāo)確定流程

3.2 目標(biāo)標(biāo)記

背景在目標(biāo)定位中起著重要作用，對(duì)于2個(gè)相似的目標(biāo)，背景是區(qū)分不同目標(biāo)的重要手段，經(jīng)驗(yàn)表明將目標(biāo)背景信息融入到目標(biāo)定位中非常必要。在文獻(xiàn)［8］的CBWH算法中，目標(biāo)局部背景模型的權(quán)重計(jì)算公式如下：

具體定義可以參考文獻(xiàn)［7-8］，本文并沒有將完整的CBWH算法引入到目標(biāo)檢測(cè)中，只是運(yùn)用了其中直方圖向量表征及其背景加權(quán)以對(duì)多目標(biāo)進(jìn)行劃分和標(biāo)記。由于CBWH是BWH的改正版本（CBWH的確用嚴(yán)格的理論和實(shí)驗(yàn)證明了BWH的錯(cuò)誤，不過BWH的背景加權(quán)思想一直廣為使用［8］）。而它們均是基于均值漂移的方法，即M eanshift方法，均是基于單目標(biāo)跟蹤，本文屬于多目標(biāo)跟蹤，并不是基于Meanshift，只是將CBWH的背景加權(quán)運(yùn)用于多目標(biāo)標(biāo)記，突出背景的因素。

4 多目標(biāo)跟蹤

使用能量約束進(jìn)行增強(qiáng)跟蹤的條件約束，這些約束條件來自于實(shí)際場(chǎng)景中的目標(biāo)約束。

4.1 動(dòng)態(tài)模型

跟蹤的定義屬性（與每幀中進(jìn)行獨(dú)立的檢測(cè)相反）即為：在大多數(shù)情況下目標(biāo)軌跡是平滑的，運(yùn)動(dòng)模型表示為dgn，本文創(chuàng)建一個(gè)能量項(xiàng)激勵(lì)目標(biāo)遵循給定的運(yùn)動(dòng)模型，其約束為一個(gè)目標(biāo)u在時(shí)刻k存在的情況，約束情況可以改寫為：

其中，dyn0表示閾值，這個(gè)閾值描述目標(biāo)偏離運(yùn)動(dòng)模型的程度，且目標(biāo)仍然可以獲取。

能量項(xiàng)遵循動(dòng)態(tài)模型，即所有目標(biāo)的總和：

這一項(xiàng)有助于目標(biāo)的創(chuàng)建，目標(biāo)檢測(cè)過程受到削弱，但是動(dòng)態(tài)模型增強(qiáng)了目標(biāo)的存在性。

4.2 標(biāo)簽一致性問題

為了對(duì)不同軌跡進(jìn)行區(qū)分，在每個(gè)目標(biāo)上標(biāo)記一個(gè)標(biāo)簽。標(biāo)簽用3.2節(jié)的方法進(jìn)行標(biāo)注，可以看成是一個(gè)軌跡的鑒別符號(hào)，不同的標(biāo)簽表示不同的軌跡。因此，在數(shù)據(jù)集合中標(biāo)簽的數(shù)量與軌跡的數(shù)量要保持接近。理想情況下，大量的目標(biāo)u分散在整個(gè)圖像序列中，目標(biāo)的數(shù)量應(yīng)該遠(yuǎn)小于標(biāo)簽的數(shù)量。本文利用labels（X）=Uu∈Xl（u）表示在配置X中所構(gòu)建的標(biāo)簽集合，其中l(wèi)（u）表示目標(biāo)u的標(biāo)簽。

其中，|labels（X）|表示集合的基數(shù)。

根據(jù)運(yùn)動(dòng)模型設(shè)計(jì)所用的標(biāo)簽，給定的目標(biāo)u集中在位置pos（u）=（ch（u），cw（u）），本文在相鄰幀上尋找目標(biāo)，相鄰幀之間的關(guān)系滿足運(yùn)動(dòng)模型。計(jì)算目標(biāo)u與其他目標(biāo)之間的距離，并將計(jì)算獲取的距離與距離閾值進(jìn)行比較，如果計(jì)算獲取的距離小于閾值，那么將目標(biāo)u的標(biāo)簽設(shè)置為先前圖像幀中目標(biāo)的標(biāo)簽；否則，為目標(biāo)u分配一個(gè)新的大小在［0，L］/labels（Xt）。配置X中在任何實(shí)際運(yùn)行時(shí)刻t都不允許含有2個(gè)或更多個(gè)具有相同標(biāo)簽的目標(biāo)，這意味著分配給這些配置無限的能量。

4.3 目標(biāo)互斥及能量公式

當(dāng)檢測(cè)和跟蹤目標(biāo)時(shí)，難點(diǎn)是在一幅給定的圖像幀中處理目標(biāo)碰撞和重疊。在本文模型中，如果配置中含有的目標(biāo)發(fā)生重疊的部分超過給定的范圍，那么將這樣的配置概率置為0。目標(biāo)u和v之間的重疊區(qū)域的表示如下：

針對(duì)重疊的能量項(xiàng)為：

跟蹤階段的能量公式為：

圖2直觀地展現(xiàn)了每個(gè)能量項(xiàng)如何影響輸出的結(jié)果，上一行顯示了每個(gè)獨(dú)立項(xiàng)含有較高能量值的配置，下一行顯示了每個(gè)獨(dú)立項(xiàng)含有較低能量值的配置。黑色的點(diǎn)表示在不同時(shí)間幀目標(biāo)的位置。目標(biāo)上不同的顏色表示分配到不同標(biāo)簽。

圖2 能量項(xiàng)不同組成成分的影響

4.4 能量公式的優(yōu)化

圖3 目標(biāo)時(shí)空卷的雙錐擴(kuò)展

本文利用模擬退火尋找能量函數(shù)中的極小值。式（1）中的概率密度函數(shù)可以改寫為：

其中，Tempi表示溫度參數(shù)，當(dāng)i趨于無窮時(shí)Tempi趨于0。如果Tempi減少對(duì)數(shù)率，那么Xi趨向于fθ，i的全局最優(yōu)。

對(duì)式（10）的求解一般采用幾何法迭代法，通過設(shè)計(jì)恰當(dāng)?shù)母蓴_內(nèi)核來減少計(jì)算量。本文采用了如下的干擾內(nèi)核，即出生和死亡依賴于出生圖：在預(yù)處理階段創(chuàng)建2種類型的圖：

（1）出生圖：由于目標(biāo)具有的輻射值應(yīng)該大于背景，因此本文利用一個(gè)簡單的閾值技術(shù)在每幀圖像上確定目標(biāo)可能的位置，并分配給這些位置較高的內(nèi)核概率；

（2）水編碼：在對(duì)船只進(jìn)行跟蹤時(shí)，首先檢測(cè)水區(qū)域，然后在水區(qū)域內(nèi)進(jìn)一步搜索?？梢愿鶕?jù)水區(qū)域特性的特征提取出水區(qū)域，具有低輻射值、整個(gè)區(qū)域方差較小以及相對(duì)較大的尺寸。

根據(jù)一個(gè)出生圖內(nèi)核確定出生和死亡，出生圖內(nèi)核首先選取概率pb和pd=1-pb，pb和pd=1-pb分別表示目標(biāo)u添加（出生）到配置和從配置中刪除（死亡）的概率。如果選取出生，那么內(nèi)核根據(jù)出生圖生成一個(gè)新的目標(biāo)u，并且可知X′=X∪u。如果選取死亡，那么內(nèi)核根據(jù)出生圖在X中選取一個(gè)目標(biāo)u，可知X′=Xu。將模擬退火方案中嵌入RJMCMC采樣器可以獲取更好的結(jié)果，但是計(jì)算量的減少比較輕微。在幾次實(shí)驗(yàn)中，30 000次抽樣，前5 000次左右用于“退火”，MCMC采樣20 000多次達(dá)到穩(wěn)定。

5 實(shí)驗(yàn)結(jié)果和分析

仿真實(shí)驗(yàn)在W in7操作系統(tǒng)，Intel酷睿雙核，2.95 GHz，4 GB RAM，所用平臺(tái)為Matlab2011b。

5.1 對(duì)比距離測(cè)度

對(duì)比距離測(cè)度用于不同方法檢測(cè)跟蹤目標(biāo)的匹配程度，當(dāng)感興趣的目標(biāo)在黑色背景中以明亮的形式出現(xiàn)，需要計(jì)算物體內(nèi)部及其邊界間的對(duì)比距離測(cè)度。文獻(xiàn)［16］對(duì)對(duì)比距離測(cè)度進(jìn)行介紹，其定義如下：

質(zhì)量函數(shù)給較好放置的橢圓（即目標(biāo)u的dB（u，F(xiàn)ρ（u）））一個(gè)大于閾值d0（Y）的負(fù)值，否則分配給一個(gè)正值。

5.2 合成圖像實(shí)驗(yàn)

首先在3個(gè)合成生物圖像序列上對(duì)本文提出的方法進(jìn)行測(cè)試。文獻(xiàn)［13］中已經(jīng)生成了圖像序列，圖像序列由25幅尺寸為256×256像素的圖像組成，在每幀圖像上存在近乎20個(gè)目標(biāo)，3個(gè)圖像序列上含有不同級(jí)別的高斯噪聲。圖4給出了跟蹤結(jié)果，采用的目標(biāo)運(yùn)動(dòng)模型是布朗運(yùn)動(dòng)模型。

圖4 合成生物圖像序列的實(shí)驗(yàn)結(jié)果

圖4 （a）表示在第1個(gè)圖像序列（無噪聲）上的跟蹤結(jié)果。圖4（b）表示在第1個(gè)圖像序列（高斯噪聲，μ=25，ρ=2.5）上的跟蹤實(shí)驗(yàn)結(jié)果。圖4（c）表示在第1個(gè)圖像序列（高斯噪聲μ=50，ρ=5.0）上的跟蹤結(jié)果。將本文方法與粒子跟蹤進(jìn)行比較，表1是在3個(gè)合成圖像序列上對(duì)文獻(xiàn)［13］中的多目標(biāo)跟蹤器所獲取的實(shí)驗(yàn)結(jié)果和本文提出的算法所獲取的實(shí)驗(yàn)結(jié)果進(jìn)行比較，根據(jù)最大距離為5個(gè)像素點(diǎn)計(jì)算2種方法配對(duì)的檢測(cè)和跟蹤間的相似性。這意味著如果利用文獻(xiàn)［13］在位置c1檢測(cè)出的目標(biāo)與本文提出的方法在位置c2處檢測(cè)的目標(biāo)相同，并且此時(shí)c1與c2的對(duì)比距離測(cè)度|c1-c2|≥5，那么2個(gè)檢測(cè)不匹配。

表1 3個(gè)合成圖像序列上的實(shí)驗(yàn)結(jié)果比較

每個(gè)序列的計(jì)算時(shí)間在50 s左右。雖然與目前最先進(jìn)的方法相比，本文算法性能有所減弱，但是運(yùn)算時(shí)采用串行運(yùn)算，如果利用并行計(jì)算策略可以大幅提高本文算法的性能。

5.3 衛(wèi)星圖像實(shí)驗(yàn)

本文主要的目標(biāo)是運(yùn)用本文提出的算法處理真實(shí)的數(shù)據(jù)，利用高分辨率衛(wèi)星圖像進(jìn)行目標(biāo)跟蹤是遙感領(lǐng)域中的一個(gè)新應(yīng)用［17］。在2個(gè)含有船只的圖像序列上對(duì)本文算法進(jìn)行測(cè)試，每個(gè)圖像序列由低時(shí)間頻率情況下拍攝的16幅圖像組成，由于圖像拍攝的角度變化，目標(biāo)的外形也發(fā)生了大幅度的變化。本文將3種跟蹤器實(shí)驗(yàn)結(jié)果進(jìn)行比較：文獻(xiàn)［12］的MPP，文獻(xiàn)［13］的Icy和經(jīng)典的卡爾曼跟蹤器。

5.3.1 度量

由于許多因素的影響，對(duì)不同跟蹤算法進(jìn)行一個(gè)客觀的比較十分困難：（1）單個(gè)跟蹤識(shí)別的重要性與應(yīng)用相關(guān)；（2）將跟蹤器的輸出分為正確和不正確十分困難，這通常需要額外的參數(shù)去評(píng)估跟蹤器的正確性和精度。

為了對(duì)多目標(biāo)跟蹤的精度進(jìn)行評(píng)估，計(jì)算了3種類型的錯(cuò)誤：假陽性（FP），假陰性（FN）和身份轉(zhuǎn)換（ID），3種類型錯(cuò)誤的權(quán)重相同。本文對(duì)真陽性（TP）的數(shù)量進(jìn)行了規(guī)定并且提供了運(yùn)動(dòng)目標(biāo)（TO）總的個(gè)數(shù)。運(yùn)動(dòng)目標(biāo)總的個(gè)數(shù)（TO）是所有圖像幀中目標(biāo)的總和，在2個(gè)連續(xù)幀上一個(gè)運(yùn)動(dòng)目標(biāo)的位置會(huì)發(fā)生變化。另外，利用不同軌跡的總數(shù)量計(jì)算主要跟蹤（MT）和主要丟失（M L）的分?jǐn)?shù)，進(jìn)而測(cè)量有多少真實(shí)地面軌跡被成功跟蹤（至少跟蹤了80%）或丟失（跟蹤少于20%）（TT）。最后，確定每個(gè)算法的精度，定義為：

5.3.2 定量評(píng)價(jià)

表2顯示了所有圖像序列的定量結(jié)果。本文顯示了4個(gè)跟蹤器的實(shí)驗(yàn)結(jié)果：本文算法（用BW-EC表示），卡爾曼跟蹤器（用K lman表示），MPP和Icy。圖5顯示了本文算法在2個(gè)圖像序列上的實(shí)驗(yàn)結(jié)果。圖5（a）是第1個(gè)圖像序列上的跟蹤過程持續(xù)到第11幅圖像，圖5（b）是第2個(gè)圖像序列上的跟蹤過程持續(xù)到第14幀。為了進(jìn)行比較，在表2中列出了實(shí)驗(yàn)結(jié)果的數(shù)據(jù)形式。

表2 2個(gè)衛(wèi)星圖像序列的實(shí)驗(yàn)結(jié)果

圖5 不同角度拍攝的衛(wèi)星圖像序列

圖5 （a）由大小為1 840×820像素的16幅圖像幀構(gòu)成，整個(gè)圖像幀中含有恒定的8個(gè)運(yùn)動(dòng)目標(biāo)。利用目標(biāo)證據(jù)以更好地評(píng)估出目標(biāo)的位置，利用恒定的距離測(cè)度獲取目標(biāo)尺寸和方向的精確值。此外，在整個(gè)圖像序列中對(duì)標(biāo)簽進(jìn)行了保留。運(yùn)行時(shí)間為48 s。圖5（b）是由尺寸為830×730像素的16幅圖像構(gòu)成，在區(qū)分動(dòng)態(tài)目標(biāo)和靜態(tài)目標(biāo)時(shí)，本文的模型與經(jīng)典跟蹤器［12-13］相比顯現(xiàn)出了更高的跟蹤性能，這是由于本文模型獲取了更好的檢測(cè)結(jié)果，保持整個(gè)圖像序列中的所有標(biāo)簽。

本文算法BW-EC的性能超過卡爾曼跟蹤器，卡爾曼跟蹤器性能比較低，而且需要對(duì)時(shí)間進(jìn)行初始化。目標(biāo)的外形在整個(gè)圖像序列中都在發(fā)生變化，因此，跟蹤器的精度受到較大影響。本文的跟蹤器僅受到目標(biāo)和目標(biāo)邊界間對(duì)比度的影響。因此，外形的改變不會(huì)影響本文算法的有效性。

5.4 自采集視頻實(shí)驗(yàn)

為了更好地說明本文算法的效果，筆者自行采集一段視頻進(jìn)行實(shí)驗(yàn)。圖6和圖7是一段交通視頻跟蹤的效果圖。

圖6 目標(biāo)車輛的初始化

圖7 車輛跟蹤結(jié)果

圖6 是初始化的目標(biāo)車輛，圖7是目標(biāo)出現(xiàn)跟蹤和檢測(cè)的結(jié)果?？梢钥闯?，即使類似目標(biāo)出現(xiàn)也沒有丟失目標(biāo)或者發(fā)生擾亂，車運(yùn)動(dòng)軌跡也被成功標(biāo)出。

表3為這段交通視頻的實(shí)驗(yàn)結(jié)果，從精度和召回率看，本文算法優(yōu)于其他算法。

表3 交通視頻實(shí)驗(yàn)結(jié)果

6 結(jié)束語

本文提出一種利用局部背景加權(quán)和能量約束的多目標(biāo)檢測(cè)和跟蹤算法，背景加權(quán)用于檢測(cè)和標(biāo)記。本文重點(diǎn)定義了一個(gè)新的直觀能量約束模型，利用這個(gè)能量可以檢測(cè)出圖像序列中所有的目標(biāo)并將其分成不同的軌跡。另外，采用著名的RJMCMC采樣器對(duì)能量模型進(jìn)行最優(yōu)化，最后在3種不同圖像序列或視頻上證明了本文算法的有效性。

下一步將就以下2個(gè)方向進(jìn)行研究：（1）模型對(duì)于噪聲和并行執(zhí)行的奇異值魯棒性分析。（2）設(shè)計(jì)一個(gè)并行執(zhí)行的RJMCMC采樣器，這種執(zhí)行方式將會(huì)顯著減少采樣器的計(jì)算時(shí)間。

［1］ 丁業(yè)兵，趙 峰，郝詩海.多特征帶寬自適應(yīng)Mean Shift目標(biāo)跟蹤算法［J］.計(jì)算機(jī)工程，2013，39（2）：197-201.

［2］ 史志剛.視頻序列中運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤技術(shù)研究［D］.西安：西安電子科技大學(xué)，2014.

［3］ 劉淑英.無線傳感器網(wǎng)絡(luò)中改進(jìn)的多目標(biāo)定位和跟蹤算法［J］.計(jì)算機(jī)工程，2015，41（4）：7-13.

［4］ 柳培忠，阮曉虎，田 震，等.一種基于多特征融合的視頻目標(biāo)跟蹤方法［J］.智能系統(tǒng)學(xué)報(bào)，2014，17（3）：1-6.

［5］ M u?icki D，Song Taek-Lyul，Lee H H，et al.Correlated Doppler-assisted Target Tracking in Clutter［J］.IET Radar Sonar&Navigation，2013，7（1）：94-100.

［6］ 才 盛.多目標(biāo)監(jiān)控場(chǎng)景下的檢測(cè)和跟蹤技術(shù)研究［D］.廈門：廈門大學(xué)，2014.

［7］ Comanciu D，Visvanathan R，Meer P.Kernel-based Object Tracking［J］.IEEE Transactions on Pattern Analysis&Machine Intelligence，2003，40（5）：564-575.

［8］ Ning Jifeng，Zhang Lei，Zhang David，et al.Robust Meanshift Tracking with Corrected Background-weighted Histogram［J］.IET Computer Vision，2012，6（1）：62-69.

［9］ Kalal Z，Mikolajczyk K，Matas J.Tracking-learningdetection［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2012，34（7）：1409-1422.

［10］ 李世忠，王國宏，白 晶，等.壓制干擾下雷達(dá)網(wǎng)點(diǎn)目標(biāo)概率多假設(shè)跟蹤算法［J］.西安交通大學(xué)學(xué)報(bào)，2012，46（10）：101-106.

［11］ Oh S，Russell S，Sastry S.Markov Chain Monte Carlo Data Association for General Multiple-target Tracking Problems［C］//Proceedings of IEEE Conference on Decision &Control.Washington D.C.，USA：IEEE Press，2005：735-742.

［12］ van Lieshout M N M.Markov Point Processes and Their Applications［M］.London，UK：Imperial College Press，2000.

［13］ Dallongeville S，Chenouard N，HervéN.Icy：An Open Bioimage Informatics Platform for Extended Reproducible Research［J］.Nature Methods，2012，9（7）：690-696.

［14］ 彭 爽，蔣榮欣.面向高清視頻監(jiān)控系統(tǒng)的實(shí)時(shí)運(yùn)動(dòng)檢測(cè)算法［J］.計(jì)算機(jī)工程，2014，40（11）：288-291.

［15］ 金美娜，趙擁軍，蓋江偉.一種基于混合RJMCMC方法的寬帶信號(hào)DOA估計(jì)方法［J］.電子與信息學(xué)報(bào)，2010，32（2）：504-508.

［16］ 夏建濤，何明一.基于Bhattacharyya距離準(zhǔn)則的核空間特征提取算法［J］.計(jì)算機(jī)學(xué)報(bào)，2004，27（5）：683-689.

［17］ 湯亞波，徐守時(shí).基于D-S證據(jù)理論的多源遙感圖像目標(biāo)數(shù)據(jù)聯(lián)合關(guān)聯(lián)算法［J］.中國科學(xué)技術(shù)大學(xué)學(xué)報(bào)，2006，36（5）：466-471.

編輯 顧逸斐

Multi-target Detection and Tracking Algorithm Based on Local Background Weighting and Energy Constraint

CHEN Jiahong
（School of Computing Engineering，Jinling Institute of Technology，Nanjing 211169，China）

As the performance of multi-target tracking based on Marked Point Process（MPP）is poor，a hybrid multitarget detection and tracking is proposed.The improved frame difference method is used to determine the preliminary of the target.Local background weighting is applied to identify further and mark the targets.The consistency of the dynamic model is considered.Energy is used to constraint target dynamics，long-term tracking and target similarity and mutual exclusion.Reversible jump Markov chain Monte Carlo is applied to optimize the nonconvex energy function.Some image sequences are added with different levels of noise.Experimental results show that in the image sequences with Gaussian noise，compared with other tracking algorithm s，the similarities of the proposed algorithm's detection and tracking are highest.In addition，the precision and recall in satellite image sequences and self-capture videos are also highest.The overall performance of the proposed algorithm is better.

multi-target tracking；local background weighting；energy constraint；nonconvex；reversible jump Markov chain Monte Carlo

陳家紅.基于局部背景加權(quán)和能量約束的多目標(biāo)檢測(cè)與跟蹤算法［J］.計(jì)算機(jī)工程，2015，41（11）：267-272.

英文引用格式：Chen Jiahong.Multi-target Detection and Tracking Algorithm Based on Local Background Weighting and Energy Constraint［J］.Computer Engineering，2015，41（11）：267-272.

1000-3428（2015）11-0267-06

A

TP391

10.3969/j.issn.1000-3428.2015.11.046

江蘇省高校自然科學(xué)基金資助項(xiàng)目（11KJD520006）；江蘇省教育科學(xué)“十二五”規(guī)劃課題基金資助項(xiàng)目（D/2013/01/068）。

陳家紅（1979-），男，講師，主研方向：圖像處理，目標(biāo)跟蹤。

2015-06-12

2015-07-07 E-m ail：chenjiahong-email@126.com