基于目標跟蹤的數(shù)據(jù)挖掘研究

蔡娟娟

(福建師范大學(xué)人民武裝學(xué)院，福建 福州 350007)

?

基于目標跟蹤的數(shù)據(jù)挖掘研究

蔡娟娟

(福建師范大學(xué)人民武裝學(xué)院，福建 福州 350007)

摘要：針對具有相對固定背景的監(jiān)控視頻數(shù)據(jù)中運動目標特征的挖掘問題,提出了一種以背景差法檢測和Meanshift+Kalman綜合算法跟蹤視頻目標對象為基礎(chǔ),提取對象的運動軌跡, 并對其進行數(shù)據(jù)挖掘的系統(tǒng)模型，實現(xiàn)了對異常行為軌跡的有效識別.

關(guān)鍵詞：背景差法；Meanshift；Kalman；聚類分析

隨著計算機軟硬件技術(shù)、網(wǎng)絡(luò)技術(shù)的不斷發(fā)展，視頻以其囊括信息豐富、表現(xiàn)力強等優(yōu)勢逐漸成為多媒體中應(yīng)用越來越廣泛的一種重要媒體.面對涌現(xiàn)出來的大量視頻數(shù)據(jù)，人們希望計算機能自動對視頻中一幅或多幅畫面進行處理，從中提取有效、新穎、有價值的知識，獲取蘊含于其中的語義理解.它不但要求計算機能模擬人的視覺感官功能，感知視頻圖像中特定目標的外觀、位置、形體姿態(tài)、運動軌跡等幾何內(nèi)容，而且還要能對其進行描述、存儲、識別和理解，通過數(shù)據(jù)挖掘?qū)@取的這些信息和理解知識用于支持用戶進行決策[1].通過對視頻中的圖像序列進行自動處理，從而識別目標，對它進行跟蹤，進而提取目標的運動軌跡特征.基于這些數(shù)據(jù)，選用恰當?shù)臄?shù)據(jù)挖掘方法，挖掘出潛在的特征含義及知識，用于分析、判斷目標的行為，對異常軌跡予以重點關(guān)注.

1視頻處理

1.1視頻預(yù)處理

在攝錄監(jiān)控視頻過程中可能有一些傳輸過程中的噪聲或周圍環(huán)境的噪聲，這些噪聲會引起視頻圖像模糊或不完整，不利于進一步對其進行處理，為避免這些不利因素干擾到后續(xù)視頻處理算法的效率，需要對視頻進行預(yù)處理，以得到高質(zhì)量的視頻對象，提高后續(xù)算法的精確度.

1.2目標檢測

在對監(jiān)控視頻中的目標對象進行跟蹤、提取運動軌跡并進行數(shù)據(jù)挖掘之前，需要將目標對象從視頻序列圖像的背景中檢測分割出來，也就是目標檢測.通常要求算法在無人工干預(yù)的情況下，實現(xiàn)自動檢測.但是由于環(huán)境的影響，比如晝夜的光照變化、風(fēng)吹引起的樹葉搖動等干擾，給目標檢測工作增添了相當多的困難[2].常見的檢測算法主要有：

(1)光流法可以用于未知的場景中對目標運動對象進行檢測，能夠在場景變化如攝像機運動的狀態(tài)下使用，但它的算法較為復(fù)雜，計算量大，計算時間長，并且容易受噪聲影響.

(2)幀間差分法根據(jù)前后兩幀圖像間的差分檢測運動目標對象，抗噪聲干擾性強，常用于背景動態(tài)變化下的目標檢測.缺點是分割的對象輪廓經(jīng)常不完整，容易形成空洞，不適用于對靜止或變化較小的目標檢測.

(3)背景差法是應(yīng)用較為廣泛的一種算法，適用于背景已知的情況，將當前幀與背景幀相減來檢測運動目標，可以獲取較完整的檢測對象輪廓，即使目標靜止，也可以成功檢測，算法簡單有效.

鑒于監(jiān)控視頻中的數(shù)據(jù)來源于固定攝像頭所拍攝的內(nèi)容，因此通過對以上各種方法的比較，背景差法最適用.該方法運行速度快，內(nèi)存占用少，獲得的輪廓比較完整.在實際視頻處理過程中，視頻運動對象的檢測往往伴隨著運動對象的分割，將背景差法用于檢測運動對象后，直接獲取對象的形狀、大小、位置等信息，等同于對其一并做了分割處理，為后續(xù)更深入的研究做準備.實驗結(jié)果如圖1所示，左邊場景中包含若干個行走的人，右邊是通過背景差法得到的運動前景剪影，可以得到較為清晰的分割對象輪廓.

圖1　運動目標檢測

1.3目標跟蹤

視頻目標跟蹤是一個迅速發(fā)展的研究領(lǐng)域，屬于計算機視覺的研究范疇.目標跟蹤是指在視頻場景中，對序列幀圖像中的目標進行連續(xù)處理，即根據(jù)目標及其所在的位置，選擇能夠唯一表示目標的特征，如形狀、速度和紋理等，并在后續(xù)幀中搜索與該特征最為匹配的目標位置的過程[3].目標跟蹤的目的，是生成目標對象在視頻序列中的聯(lián)系，有效地分析處理視頻幀序列中的指定目標，如：獲得目標的輪廓、位置、軌跡等運動信息，以計算機視覺部分代替人類的視覺系統(tǒng)功能，為后續(xù)的目標運動分析提供了可靠的數(shù)據(jù)來源.

1.3.1卡爾曼(Kalman)濾波算法

Kalman算法通過“預(yù)測一實測一修正”的順序來遞推預(yù)測，根據(jù)卡爾曼遞推公式，即可算出下一幀運動目標可能出現(xiàn)的區(qū)域，加快運動目標搜索匹配速度，實時性很強，大大減少了計算量，節(jié)約內(nèi)存占用空間[4].

1.3.2均值漂移(Meanshift)算法

Meanshift算法以跟蹤目標的顏色直方圖模型為基礎(chǔ)，把圖像轉(zhuǎn)換為顏色概率分布圖.首先，對搜索窗口的大小、位置進行初始化，再利用前一幀得到的數(shù)據(jù)自適應(yīng)修改搜索窗口的參數(shù)，最后得出圖像中跟蹤目標的位置[5].由于跟蹤的目標對象是人，人體屬于非剛體運動對象，而Meanshift算法以目標顏色直方圖為特征，該特征不容易受人體形狀在運動過程中發(fā)生縮放、旋轉(zhuǎn)等變化的影響，因此該算法在背景較為明確的情況下可以取得良好的跟蹤效果.

1.3.3Meanshift+Kalman綜合算法

Meanshift算法在大多數(shù)情況下是較為理想的，但實踐表明，如果跟蹤的目標對象運動較快或突然出現(xiàn)嚴重遮擋，導(dǎo)致前后兩幀圖像變化很大時，復(fù)雜性增加，這時的Bhattacharrya系數(shù)將下降至很低，在下降到某個值后，跟蹤目標會失效.為克服該缺點，將Kalman濾波器融入Meanshift算法中，避免在Bhattacharrya系數(shù)很低時失去跟蹤目標.為此，引入閾值=0.4，當Bhattacharrya系數(shù)>閾值時，表明運動目標可在后續(xù)幀中用Meanshift算法跟蹤到，否則用Kalman算法代替.該算法設(shè)計流程圖如圖2所示.

圖2　 Meanshift+Kalman綜合算法流程圖

跟蹤結(jié)果及算法綜合前后的對比如圖3所示，當跟蹤目標即將失去時，Kalman算法才作為第二替代算法.該綜合算法既保留了Meanshift算法在跟蹤非剛性物體方面的高效性，也克服了它在相鄰幀間變化較大時可能出現(xiàn)跟蹤失效情況的缺點.

圖3　跟蹤結(jié)果

2運動目標對象在數(shù)據(jù)挖掘中的應(yīng)用

利用數(shù)據(jù)挖掘技術(shù)分析處理已收集的監(jiān)控視頻圖像, 發(fā)現(xiàn)其中的異常序列,并對其發(fā)出預(yù)警.該應(yīng)用對決策管理者極具吸引力，有著廣泛的應(yīng)用前景.假設(shè)有若干特殊數(shù)據(jù)的行為和模式明顯不同于一般數(shù)據(jù)，不符合普遍規(guī)律，這些特殊數(shù)據(jù)序列就是“異常”的[6].以往人們要找出異常部分，需要人工一個個鏡頭審閱，費時費力，并且可能遺漏部分異常.人工查看監(jiān)控視頻時，可以迅速利用已學(xué)知識判斷視頻中的場景及目標行為等高層次語義信息，而計算機只能從中獲取區(qū)域紋理、顏色等低層次圖像特征.數(shù)據(jù)挖掘技術(shù)正是在高層次語義信息和低層次圖像特征之間架設(shè)的一座橋梁，利用上述方法對運動目標進行檢測、跟蹤，提取目標的運動軌跡特征，對各個目標的軌跡集運用數(shù)據(jù)挖掘技術(shù)的聚類分析方法可以實現(xiàn)對目標的異常軌跡識別.

2.1對象特征提取

2.2聚類分析

聚類分析算法分析運動軌跡數(shù)據(jù)之間的相似性，將其合理地劃分為不同的類別.經(jīng)過聚類，劃分在同類中的數(shù)據(jù)之間相似性高，不同類別之間的數(shù)據(jù)相似性低.數(shù)據(jù)間的相似性是依據(jù)對象特征向量間的距離來衡量，距離無窮大的任意兩條軌跡分別屬于不同的類，并且同一聚類中的任意兩條軌跡之間的距離小于它與類外部軌跡間的距離.由上文對異常的定義可知，從運動軌跡集中抽取若干條軌跡，屬于異常軌跡的是個小概率事件，屬于正常軌跡的是個大概率事件，即異常是一種較少發(fā)生的軌跡序列[7].通過聚類分析后，個別異常軌跡即被篩選出來，提醒決策者予以重點關(guān)注，避免犯罪活動的發(fā)生.如圖4所示的異常徘徊軌跡，需要管理者注意可疑分子的異常行動，對其實施重點跟蹤.

圖4　異常軌跡圖

3結(jié)語

通常，場景監(jiān)控視頻既無腳本，也無規(guī)則限制.對于這種無內(nèi)容結(jié)構(gòu)的視頻大都用于對目標對象內(nèi)容自適應(yīng)事件的檢測挖掘.從視頻中檢測視頻對象, 利用改進后的Meanshift+Kalman綜合算法跟蹤其運動,提取運動軌跡數(shù)據(jù), 并進一步設(shè)計了一個對目標對象進行聚類挖掘的模型，從中獲取有用的知識和信息，實現(xiàn)對異常行為軌跡的識別.該模型，只對獲取的對象運動軌跡數(shù)據(jù)進行挖掘，不考慮視頻中的場景如圖像顏色、區(qū)域紋理等特征，簡化了數(shù)據(jù)維度，提高了數(shù)據(jù)挖掘效率.系統(tǒng)將數(shù)據(jù)挖掘技術(shù)與目標檢測跟蹤算法相結(jié)合，而不僅僅是對目標對象的跟蹤，因此隨著數(shù)據(jù)挖掘技術(shù)和目標跟蹤算法的成熟將不斷地改進系統(tǒng)，尋求新算法，提高跟蹤準確度及數(shù)據(jù)挖掘效率，還可參考用于其他相關(guān)領(lǐng)域，如交通分析系統(tǒng)、遠程遙感、ATM監(jiān)控等[8]，對大量的視頻數(shù)據(jù)進行監(jiān)控和分析, 從中挖掘有用的潛在信息，盡可能地減少人為識別工作量，提高監(jiān)控智能化程度.

參考文獻：

[1]辛國娟,杜秀華.視頻數(shù)據(jù)的時間序列挖掘方法研究[J].計算機仿真,2007,(11):100-113.

[2]代科學(xué),武德峰,付暢儉，等.中國圖象圖形學(xué)報[J].電信科學(xué),2006,(4):451-456.

[3]黃浩.基于GIS的視頻監(jiān)控框架設(shè)計與實現(xiàn)[D].杭州:浙江大學(xué)碩士學(xué)位論文,2011.

[4]袁燦.體育視頻分析中的運動挖掘方法研究[D].長沙:國防科學(xué)技術(shù)大學(xué)碩士學(xué)位論文,2011.

[5]陳麗.基于數(shù)據(jù)挖掘理論的跟蹤算法研究[D].上海:上海交通大學(xué)碩士學(xué)位論文,2013.

[6]袁冠.移動對象軌跡數(shù)據(jù)挖掘方法研究[D]. 北京:中國礦業(yè)大學(xué)博士學(xué)位論文,2012.

[7]向?qū)W敏.基于Markov隨機場的視頻異常挖掘研究[D]. 南京:南京航空航天大學(xué)碩士學(xué)位論文,2012.

[8]邱靖邦.面向智能視頻監(jiān)控的事件監(jiān)測建模及優(yōu)化[D]. 上海:上海交通大學(xué)碩士學(xué)位論文,2011.

(責任編校：晴川)

Data Mining Based on Target Tracking

CAI Juanjuan

(College of the People’s Army, Fujian Normal University, Fuzhou Fujian 350007, China)

Abstract：A data mining model for the target object trajectory using clustering analysis algorithm based on detection algorithm of background subtraction and Meanshift + Kalman integrated algorithm tracking video moving object is proposed in the paper in allusion to the mining problem of moving target features in surveillance videos, whose data are of relatively fixed background.

Key Words：algorithm of background subtraction; Meanshift; Kalman; clustering analysis

中圖分類號:TP311

文獻標識碼：A

文章編號：1008-4681(2016)02-0057-03

作者簡介：蔡娟娟(1984— )，女，福建莆田人，福建師范大學(xué)人民武裝學(xué)院講師，碩士.研究方向：計算機應(yīng)用.

基金項目：福建省教育廳B類項目(批準號：JB14235).

收稿日期：2015-12-01