運動目標檢測與跟蹤技術(shù)研究應用現(xiàn)狀與展望

李政達，胡智焱

(1.東北石油大學機械科學與工程學院,黑龍江大慶 163318 2.遼寧省盤錦市教育局,遼寧盤錦 124000)

運動目標檢測與跟蹤技術(shù)研究應用現(xiàn)狀與展望

李政達1，胡智焱2

(1.東北石油大學機械科學與工程學院,黑龍江大慶1633182.遼寧省盤錦市教育局,遼寧盤錦124000)

針對目標檢測與跟蹤技術(shù)中單目標或多目標跟蹤已有的多種計算方法，分析現(xiàn)有各種方法的特點及發(fā)展狀況，并對目標跟蹤技術(shù)的應用情況進行介紹。

安全 目標檢測 目標跟蹤 行為分析 粒子濾波

近年來，由于計算機性能的大幅度提高，越來越多的學者開始著手研究基于機器視覺技術(shù)的相關(guān)課題，利用計算機模擬人的視覺以實現(xiàn)智能化的安全管理。其中，基于機器視覺技術(shù)的運動目標檢測與跟蹤則是計算機視覺技術(shù)應用的一個重要方面[1-5]。

目標檢測與目標跟蹤主要是為了準確探測出視頻中的運動目標，合理提取目標特征并精確跟蹤目標，從而得到目標的位置、大小、旋轉(zhuǎn)角度、姿態(tài)和運動軌跡等信息，并對其進行分類和識別，同時要考慮算法的實時可操作性，提供一種現(xiàn)代化的安全解決方案。目標跟蹤作為視頻監(jiān)控系統(tǒng)的關(guān)鍵環(huán)節(jié)，是模式識別、行為分析等各種高級處理的基礎。本文針對此問題綜合介紹目標檢測與跟蹤技術(shù)的應用情況和研究現(xiàn)狀，并對這一技術(shù)的發(fā)展進行展望。

1 目標檢測與跟蹤技術(shù)的應用

目標跟蹤技術(shù)在許多領域都得到了廣泛應用，如智能視頻監(jiān)控、智能人機交互、機器人視覺導航、精確制導系統(tǒng)[6-9]等。

在目標跟蹤領域中，智能人機交互是創(chuàng)新的熱點方向。隨著社會的發(fā)展和人們精神生活水平的提高，越來越多的人已不滿足于傳統(tǒng)的人機交互方式，而是期待更自由、更自然和更人性化的方式與計算機進行交互。目前，在智能人機交互方面已經(jīng)有了很多的成果。英國的一家科技團隊正在研究的“便攜式手語翻譯”；微軟推出的“幻影桌面”以及呼叫中心的IVR系統(tǒng)；智能手機終端中的語音撥號和車載語音導航系統(tǒng)等。在跟蹤領域，主要通過跟蹤人的頭部或者手部，并對其行為進行分析，計算機可智能執(zhí)行人們想要執(zhí)行的動作。

智能視頻監(jiān)控系統(tǒng)是采用圖形處理、模式識別、計算機視覺技術(shù)，通過在普通視頻監(jiān)控系統(tǒng)中添加智能視頻分析模塊，利用計算機強大的數(shù)據(jù)處理能力自動忽略無關(guān)信息、識別不同目標，獲取視頻中的關(guān)鍵有用信息，快速準確地定位事故，判斷監(jiān)控中的異常行為，發(fā)出警報或者觸發(fā)其他動作，從而有效地進行事前預警、事中處理、事后取證的智能視頻系統(tǒng)。

在智能視頻監(jiān)控系統(tǒng)中無需人力干涉，系統(tǒng)能自動對視頻進行處理，進行包括運動檢測與跟蹤以及異常行為檢測與手勢識別等活動。長時間依靠人力進行視頻監(jiān)控是高成本、高投入且不切實際的。智能視頻監(jiān)控系統(tǒng)的自動運動檢測效果目前已遠優(yōu)于人類的注意力所及。智能視頻監(jiān)控系統(tǒng)功能的實現(xiàn)主要由以下三部分組成：目標檢測，目標跟蹤，行為分析。目標檢測就是將運動目標從靜態(tài)背景中分離出來，它是進行視頻分析的第一步也是最基礎的一步。目標跟蹤方法在目標出現(xiàn)的第一幀就需要進行目標檢測或者是在視頻的每一幀都需要目標檢測。行為分析的前提也是系統(tǒng)能夠準確地檢測到運動目標。所以目標檢測效果的好壞直接關(guān)系到后續(xù)的跟蹤與行為分析的效果，在整個智能監(jiān)控系統(tǒng)中起著至關(guān)重要的作用。

2 目標檢測與跟蹤技術(shù)的研究方法及現(xiàn)狀

目標跟蹤[10-14]主要分為兩大方面：單目標跟蹤和多目標跟蹤。在單目標跟蹤中，主要對感興趣的目標進行跟蹤、定位，并對其行為進行分析。目前，許多學者都致力于單目標跟蹤的研究，其中粒子濾波能夠解決非線性非高斯問題，對噪聲沒有限制，是應用非常廣泛的算法。但粒子濾波也有很多缺點，如實時性問題、粒子退化問題等，因此粒子濾波的研究也是當前研究的一個熱點。在多目標跟蹤中，數(shù)據(jù)關(guān)聯(lián)算法是非常重要的一個部分，如何將檢測目標與跟蹤目標相關(guān)聯(lián)，以及關(guān)聯(lián)的正確率都對跟蹤的結(jié)果有著很大的影響。在數(shù)據(jù)關(guān)聯(lián)算法中，聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)通過計算可行事件的概率，可得到跟蹤目標與各個檢測目標互聯(lián)的概率，是目前公認較好的數(shù)據(jù)關(guān)聯(lián)算法。除此之外，多目標跟蹤中目標的互相遮擋、被背景遮擋以及目標的頻繁出現(xiàn)與消失等都是多目標跟蹤中研究的熱點和難點。

最早的卡爾曼濾波[15-20]是一種應用十分廣泛的濾波方法，具有無偏、最優(yōu)的特點，然而卡爾曼濾波需要假定噪聲呈線性、高斯分布，對于非線性、非高斯系統(tǒng)，估計性能較差。針對系統(tǒng)的非線性問題，相繼涌現(xiàn)出了很多優(yōu)秀的濾波算法如擴展卡爾曼濾波、無跡卡爾曼濾波等，但是擴展卡爾曼濾波只能解決弱非線性問題，無跡卡爾曼濾波在無跡變換的過程中會出現(xiàn)矩陣非正定的問題。

Gordon[21]等提出的粒子濾波方法成功應用于非線性、非高斯系統(tǒng)中，是目前應用較為廣泛的算法之一。傳統(tǒng)的粒子濾波算法利用單信息對目標進行跟蹤，在跟蹤的過程中會出現(xiàn)特征描述不夠準確，從而導致目標跟丟的現(xiàn)象。目前，許多算法采用了信息融合的方法來提高跟蹤的準確性[22-25]，但大多數(shù)方法仍然對各個特征采用了固定權(quán)值的方法。

2003年，Spengler[26]等提出了對多個信息進行自適應融合的跟蹤方法；2007年，張波[27]等提出通過民主融合策略對多重信息進行自適應融合, 取得了較好的效果；這些方法在很大程度上改進了基于單信息的目標跟蹤。除此之外，粒子在不斷迭代更新的過程中，會出現(xiàn)粒子退化現(xiàn)象，導致粒子的多樣性降低，目前常用的解決粒子退化現(xiàn)象的方法為重采樣技術(shù)。

數(shù)據(jù)關(guān)聯(lián)是多目標跟蹤方法中一個重要的環(huán)節(jié)。目標跟蹤中常用的數(shù)據(jù)關(guān)聯(lián)方法有很多，其中最簡單的是最近鄰NN數(shù)據(jù)關(guān)聯(lián)方法，此算法將跟蹤目標與相鄰最近的檢測目標相關(guān)聯(lián)，只適用于比較簡單且目標數(shù)目較少的場景。概率數(shù)據(jù)關(guān)聯(lián)PDA方法只考慮落入跟蹤目標波門內(nèi)的回波，其它回波都是雜波或者噪聲，因此該算法對于運動目標較密集的監(jiān)控場景，關(guān)聯(lián)正確率較低。聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)JPDA方法是對概率數(shù)據(jù)關(guān)聯(lián)算法的推廣，可計算出每個跟蹤的目標源于所有檢測目標概率的大小。MHT算法綜合了最近鄰數(shù)據(jù)關(guān)聯(lián)和聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)的優(yōu)點，在運動目標密度比較高的情況下仍能有較高的關(guān)聯(lián)準確率，但是其較大的計算復雜度限制了其應用。

在目標跟蹤過程中，常常會出現(xiàn)遮擋情況，此時需要對目標的運動狀態(tài)進行預測以便對目標繼續(xù)跟蹤。目前常用的預測跟蹤算法有Kalman最優(yōu)估計濾波、擴展Kalman算法[28]、無跡Kalman濾波[29]、Mean Shift跟蹤算法等。這些算法根據(jù)目標當前的運動狀態(tài)，通過一定的運動狀態(tài)方程得到目標的預測狀態(tài)，然后根據(jù)系統(tǒng)觀測對目標的預測位置進行更新，從而得到目標的最終狀態(tài)。

3 展望

目標跟蹤的全過程從本質(zhì)上來說就是一個求解在視頻序列中目標的位置、長寬、速度以及旋轉(zhuǎn)角度等狀態(tài)的問題。在長達數(shù)十年的科學研究中，在理論上科學家們實現(xiàn)了很多技術(shù)難點的突破，由于實際應用場景的突發(fā)狀況復雜且頻繁，使得技術(shù)在現(xiàn)實應用中出現(xiàn)了各種各樣的突發(fā)狀況，存在著很多影響跟蹤性能的因素。在目標跟蹤方面，仍有如下難題需要人們不斷研究和解決。

a)在目標檢測方面，采用混合高斯背景建模方法只能檢測出運動目標，但是對于靜止的感興趣目標無法檢測出，而且混合高斯背景建模提取運動目標運算量較大，當需要進行后續(xù)處理時，往往達不到實時性要求。研究實時性好而且魯棒性強的目標檢測算法是視頻監(jiān)控領域一個重要的研究方向。

b)在單目標跟蹤方面，對于更復雜的場景，如目標各方面特征都很相似時，尋找更好的觀測特征是目標匹配算法中一個重要的方向。

c)在多目標跟蹤中，由于卡爾曼濾波對系統(tǒng)噪聲有很嚴格的限制，需要假定噪聲是線性高斯的，因此研究對噪聲沒有限制的濾波算法，并將其應用于聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)中，是需要繼續(xù)研究和努力的方向。

正是由于以上難點，找到一個理想的跟蹤算法仍然需要國內(nèi)外學者不斷地對其進行研究和改進。視頻監(jiān)控在公共安全領域發(fā)揮了巨大的作用，在工業(yè)生產(chǎn)領域也在發(fā)揮良好的作用，特別是在監(jiān)控人的不安全行為和物的不安全狀態(tài)中發(fā)揮作用。

[1] Kim S, Lee B, Jeong J, et al. Multi-object tracking coprocessor for multi-channel embedded DVR systems[J]. Consumer Electronics, IEEE Transactions on, 2012, 58(4): 1366-1374.

[2] Szpak Z L, Tapamo J R. Maritime surveillance: Tracking ships inside a dynamic background using a fast level-set[J]. Expert Systems with Applications, 2011, 38(6): 6669-6680.

[3] Matsuyama T, Ukita N. Real-time multitarget tracking by a cooperative distributed vision system[J]. Proceedings of the IEEE, 2002, 90(7): 1136-1150.

[4] Prisacariu V A, Reid I. 3D hand tracking for human computer interaction[J]. Image and Vision Computing, 2012, 30(3): 236-250.

[5] Ma Y, Mao Z H, Jia W, et al. Magnetic hand tracking for human-computer interface[J]. Magnetics, IEEE Transactions on, 2011, 47(5): 970-973.

[6] Haritaoglu I, Harwood D and Davis L S. W4:Real-time surveillance of people and their activities[J].IEEE Transactions onPattern Analysis and Machine Intelligence, 2000, 22(8):809-830.

[7] Ribeiro P C, Santos-Victor J. Human activity recognition from video:Modeling, feature selection and classification architecture[C]. International Workshop on Human Activity Recognition and Modeling, Oxford,England, 2005: 61-78.

[8] Lipton A J, Fujiyoshi H and Patil R S. Moving target classification and tracking from real-time video[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,2000, 22(8):809-830.

[9] Fortmann T, Bar-Shalom Y, Scheffe M. Sonar tracking of multiple targets using joint probabilistic data association[J].IEEE Journal of Oceanic Engineering, 1983,8(3): 173-184.

[10] Feng Z, Yang B, Li Y, et al. Real-time oriented behavior-driven 3D freehand tracking for direct interaction[J]. Pattern Recognition, 2012.

[11] Lee D, Kim G, Kim D, et al. Vision-based object detection and tracking for autonomous navigation of underwater robots[J]. Ocean Engineering, 2012, 48: 59-68.

[12] Roberts R, Ta D N, Straub J, et al. Saliency detection and model-based tracking: a two part vision system for small robot navigation in forested environment[C]//Proc. of SPIE Vol. 2012, 8387: 83870S-1.

[13] Das Sharma K, Chatterjee A, Rakshit A. A PSO-Lyapunov Hybrid Stable Adaptive Fuzzy Tracking Control Approach for Vision-Based Robot Navigation[J]. Instrumentation and Measurement, IEEE Transactions on, 2012, 61(7): 1908-1914.

[14] Clemons T M, Chang K C. Sensor calibration using in-situ celestial observations to estimate bias in space-based missile tracking[J]. Aerospace and Electronic Systems, IEEE Transactions on, 2012, 48(2): 1403-1427.

[15] Huang Kaiqi, Wang Shiquan,Tan Tieniu,et al.Human Behavior Analysis Based on a New Motion Descriptor[J]. Circuits and Systems for Video Technology, 2009, 19(12): 1830-1840.

[16] Nam T P, Leman K, Wong M,et al.Combining JPDA and particle filter for visual tracking[C]. International Conference onMultimedia and Expo (ICME), 2010: 1044-1049.

[17] Blanc C, Trassoudaine L andGalliceJ.EKF and particle filter track-to-track fusion a quantitative comparison from rada/lidar obstacle tracks[C].International Conference on Information Fusion, 2005: 1303-1310.

[18] Qu Xiaomei. Robust Kalman track fusion in target tracking with uncertainties[C]. International Conference on Computational Problem-Solving (ICCP),2011: 1-4.

[19] Ronald P. A survey on vision-based human action recognition[J]. Image and Vision Computing, 2010, 28:976-990.

[20] Hong L. Two-level JPDA-NN and NN-JPDA tracking algorithms[C].American Control Conference,1994, 1:1057-1061.

[21] Gordon N,Salmond,Smith A.Novel approach to nonlinear/non-Gaussian Bayesian state estimation[J].IEE Proceedings-F,Communication,Radar and Signal Processing,1993,140(2):107-113.

[22] Doucet A,Godsill S,Andrieu C.On sequential Monte Carlo sampling methods for Bayesian filtering[J].Statistics and Computing,2000,10(1):197-208.

[23] Kong A,Liu J S,Wong W.Sequential imputaion and Bayesian missing data problrms[J].Journal of the American Statistical Association，1994,89(5)：278-288.

[24] Arulampalam M,Maskell S,Gordon N,et al.A tutorial on particle filters for nonlinear/non-Gaussian Bayesian tracking[J]. IEEE Transactions on Signal Processing,2002,50(2):174-188.

[25] Doucet A,Gordon N.Sequential Monte Carlo methods in practice[M]. New York: Springer Verlag, 2001.

[26] M. Spengler and B. Schiele, “Towards Robust MultiCue Integration for Visual Tracking[J],” Machine Vision and Applications,2003,14.

[27] 張波.基于粒子濾波的圖像跟蹤算法研究[D].上海:上海交通大學,2007.

[28] R.S.Bucy,K.D.Renne.Digital synthesis of nonlinearfilter [J].Automatic,1971,7(3):281-289.

[29] S.J.Julier,J.K.Uhlman.A new extension of the Kalman Filter to Nonlinear Systems [C].The Proc．Of aerosense．11th Int symposium aerospace/defense sensing，simulation and controls，Orlando，USA,1997：54-65.

ResearchandApplicationofMovingTargetDetectionandTrackingTechnology

Li Zhengda1，Hu Zhiyan2

(1.Northeast Petroleum University Mechanical Science and Engineering College，Heilongjiang, Daqing 163318 2. Education Bureau of Panjin City, Liaoning Province, Liaoning, Panjin,124000)

Aiming at one or more target tracking has already had many kinds of algorithm methods; this paper briefly outlines the characters and development situations of different methods and gives a brief introduction to the situation of application of target tracking technology.

safety; target detection；target tracking; analysis of behavior; particle filter

2016-06-27

李政達，東北石油大學安全科學與工程專業(yè)碩士研究生，主要研究方向為風險評價及事故防控技術(shù)研究。