基于GMM與KLT算法的運(yùn)動目標(biāo)檢測與跟蹤方法

梁碩 婁莉 張艷艷

摘 要： 在視頻監(jiān)控方面，存在著運(yùn)動目標(biāo)的各種行為，針對這種情況，提出一種基于GMM與KLT算法的運(yùn)動目標(biāo)檢測與跟蹤方法。首先用基于GMM的背景減除法對運(yùn)動目標(biāo)進(jìn)行檢測，再通過形態(tài)學(xué)處理得到目標(biāo)區(qū)域，然后對運(yùn)動目標(biāo)進(jìn)行KLT特征點(diǎn)跟蹤，最后根據(jù)特征點(diǎn)畫出運(yùn)動目標(biāo)的運(yùn)動軌跡。實驗證明該算法有良好的檢測結(jié)果與跟蹤效果。

關(guān)鍵詞： 運(yùn)動目標(biāo)檢測；背景減除法；運(yùn)動目標(biāo)跟蹤；GMM；KLT

Abstract：In video surveillance there are various behaviors of moving objects. Aiming at this situation this paper proposes a method of moving object detection and tracking based on GMM and KLT algorithm. Firstly the background subtraction method based on GMM is used to detect the moving target and the target region is obtained by morphological processing. Then the moving target is tracked by KLT feature point. Finally the motion trajectory of the moving target is drawn according to the feature point. Experiments show that the algorithm has good detection result and tracking effect.

Key words： moving target detection；background subtraction method；moving target tracking；GMM；KLT

引言

運(yùn)動目標(biāo)檢測與跟蹤是計算機(jī)視覺領(lǐng)域一個熱門課題，在人工智能、模式識別、圖像處理、醫(yī)學(xué)成像等多個領(lǐng)域有著廣泛的應(yīng)用。在現(xiàn)實的交通情況中，道路視頻監(jiān)控系統(tǒng)存在著運(yùn)動目標(biāo)（包括行人、車輛等）各種異常行為，如車輛逆行、超速和行人的違規(guī)舉止等[1]。而在監(jiān)控視頻中，為了能夠更為準(zhǔn)確有效地檢測出運(yùn)動目標(biāo)，進(jìn)一步跟蹤運(yùn)動目標(biāo)，從而對運(yùn)動目標(biāo)的行為表現(xiàn)展開分析，本文設(shè)計提出了一種基于GMM與KLT算法的運(yùn)動目標(biāo)檢測與跟蹤方法。實驗結(jié)果表明該方法能夠準(zhǔn)確提取出運(yùn)動目標(biāo)區(qū)域，并且能對目標(biāo)進(jìn)行快速跟蹤，具有良好的檢測效果與跟蹤結(jié)果。

本文先使用基于GMM的背景減除法對運(yùn)動目標(biāo)進(jìn)行檢測，經(jīng)過形態(tài)學(xué)處理后得到比較準(zhǔn)確、完整的目標(biāo)區(qū)域信息，然后用KLT算法對運(yùn)動目標(biāo)進(jìn)行特征點(diǎn)跟蹤，最后繪制出運(yùn)動目標(biāo)的輪廓和軌跡。

1 目標(biāo)檢測技術(shù)

視頻圖像的目標(biāo)檢測技術(shù)則是理解圖像的基礎(chǔ)。運(yùn)動目標(biāo)檢測就是研究尋找存在運(yùn)動的區(qū)域，檢測到的運(yùn)動區(qū)域?qū)⒖梢詾楹罄m(xù)的目標(biāo)識別和跟蹤、行為分析等任務(wù)提供可參考區(qū)域[2]。

通常，視頻圖像可分為2種。一種是靜態(tài)背景的視頻，比如高速道路的監(jiān)控視頻；另一種是動態(tài)背景的視頻，比如無人機(jī)攝像頭航拍的視頻[3]。在實際生活中，受到太陽光照變化和天氣影響，視頻的背景也將隨時隨地有不同呈現(xiàn)，而且還存在著運(yùn)動目標(biāo)陰影、各種干擾物等，這就使得運(yùn)動目標(biāo)檢測在實現(xiàn)過程中面臨諸多制約與挑戰(zhàn)。

時下，目標(biāo)檢測在研究上主要有幀差法、光流法和背景減除法三種傳統(tǒng)算法。這里，將給出如下研究與論述。

1.1 目標(biāo)檢測算法的比較

幀差法算法計算復(fù)雜度小、容易實現(xiàn)，同時對環(huán)境的適應(yīng)能力強(qiáng)，穩(wěn)定性高。但是通常很難獲取運(yùn)動目標(biāo)的完整輪廓，容易產(chǎn)生“空洞”現(xiàn)象。光流法攝像頭無論在固定或者運(yùn)動的情況下，都能夠檢測出運(yùn)動目標(biāo)，但是卻具有計算耗時，實時性和抗噪性能差，并且需要特殊的硬件支持等不足。因此，光流法不能檢測出運(yùn)動目標(biāo)的準(zhǔn)確信息和輪廓。背景減除法檢測準(zhǔn)確快速，能夠達(dá)到實時監(jiān)測視頻中運(yùn)動物體的要求，而且檢測獲得的輪廓信息豐富、且完整。但是外界環(huán)境的變化會造成背景圖像的動態(tài)差異，因而對背景模型的更新要求較高[4]。

綜上可得，本文研究使用了基于高斯混合模型（GMM）的背景減除法進(jìn)行運(yùn)動目標(biāo)檢測。而對其中涉及的算法原理可做詳述如下。

1.2 基于GMM的背景減除法的基本原理

背景減除法是用當(dāng)前幀減去實時更新的背景模型，通過相減后圖像的像素值與設(shè)定的閾值，綜合判定該像素點(diǎn)是否為運(yùn)動目標(biāo)的區(qū)域。進(jìn)一步分析可知，背景模型的獲取與實時更新即已成為研究關(guān)鍵所在。高斯混合模型（Gaussian Mixture Model，GMM）是高斯概率密度分布函數(shù)的單一擴(kuò)展，能夠近似為任何密度分布的平滑形狀。因此近年來，高斯混合模型更多地應(yīng)用于圖像處理方面，是建模方面堪稱成功的方法之一?；贕MM的背景減除法的設(shè)計流程則如圖1所示。

如果該像素點(diǎn)與K個高斯分布都不匹配，則需要增加一個新的高斯分布，均值取為Xt，并且選取一個較小權(quán)重和較大方差，對其進(jìn)行初始化。此外，還要替換掉先前模型權(quán)重最小的高斯模型，其它的保持不變[6]。

（3）背景模型生成。求出每個像素的高斯分布的ω/σ值，再從大到小進(jìn)行排序，并且按照式（5）運(yùn)算得到的B值，基于上述排序結(jié)果取出B個值，作為背景像素。具體來說，B值符合下式：

在此基礎(chǔ)上，將要進(jìn)行匹配校驗。如果前B個高斯分布能夠和像素值Xt的任意一個高斯分布匹配成功，就可判定該點(diǎn)是背景點(diǎn)；如果都不匹配，就可斷定該像素點(diǎn)為前景運(yùn)動目標(biāo)。

2 運(yùn)動目標(biāo)跟蹤

2.1 運(yùn)動目標(biāo)跟蹤技術(shù)概述

運(yùn)動目標(biāo)跟蹤是在運(yùn)動目標(biāo)檢測的基礎(chǔ)上，找出每幀圖像中研究者感興趣的運(yùn)動目標(biāo)信息，獲取相應(yīng)的行為姿態(tài)、運(yùn)動軌跡、速度及位置等參數(shù)。目前，該研究已在人機(jī)交互、精確制導(dǎo)、醫(yī)學(xué)領(lǐng)域、智慧交通等方面發(fā)揮著重要的作用，是許多視頻場景分析理解任務(wù)的基礎(chǔ)[7]。

隨著目標(biāo)跟蹤技術(shù)相關(guān)研究的拓展深入，更新的算法和理論正陸續(xù)涌現(xiàn)。根據(jù)設(shè)計采用的運(yùn)動目標(biāo)的不同信息可將算法劃分為如下4種，分別是：基于主動輪廓的、基于模型的、基于運(yùn)動估計的和基于特征點(diǎn)的運(yùn)動目標(biāo)跟蹤[8]。本文設(shè)計采用的KLT算法就是一種基于特征點(diǎn)的運(yùn)動目標(biāo)跟蹤方法。

2.2 KLT算法的設(shè)計原理

KLT算法是一種角點(diǎn)跟蹤算法，也稱為LK光流跟蹤法。上世紀(jì)80年代 Lucas與 Kanade提出了一種近似加權(quán)圖像的二階導(dǎo)數(shù)梯度局部搜索的思想，即圖像的局部匹配。之后 Tomasi和Lucas用基本相同的方法進(jìn)行跟蹤，如果梯度矩陣的特征值大于某個閾值，則將選擇該點(diǎn)作為特征。KLT算法利用空間特性信息，通過位置搜索直接得到最佳匹配。該算法將比傳統(tǒng)技術(shù)更快地找出圖像之間的潛在匹配信息。

KLT 跟蹤算法的基本原理是：將當(dāng)前圖像幀中的可靠特征點(diǎn)作為跟蹤點(diǎn)，對跟蹤點(diǎn)進(jìn)行光流估計，計算出跟蹤點(diǎn)在下一幀圖像中所對應(yīng)的位置，進(jìn)一步可計算出兩幀圖像間的位移變化量[9]。

KLT 算法效率高，速度快，可靠性也在合理的范圍內(nèi)。因此，KLT 算法更適合視頻圖像序列的快速同名點(diǎn)獲取[11]。隨著計算機(jī)視覺的不斷研究推進(jìn)，KLT算法也已獲得了更廣闊的應(yīng)用前景。

3 實驗方案設(shè)計及結(jié)果分析

3.1 實驗方案設(shè)計

在視頻監(jiān)控中，對運(yùn)動目標(biāo)展開檢測與跟蹤的過程中，首先通過高斯混合模型對背景進(jìn)行建模，并且輔以背景模型更新，在此基礎(chǔ)上還將引入相應(yīng)的形態(tài)學(xué)處理，從而提取出比較完整、準(zhǔn)確的運(yùn)動目標(biāo)。然后，對目標(biāo)區(qū)域進(jìn)行特征點(diǎn)跟蹤，最后繪制出運(yùn)動目標(biāo)的輪廓和軌跡。本文研究算法的設(shè)計流程如圖2所示。

3.2 實驗結(jié)果分析

本文配置選擇的實驗環(huán)境是：計算機(jī)系統(tǒng)為 Windows 7，處理器為AMD A8-4500M，主頻為 1.9 GHz，內(nèi)存為6 GB，顯存為1 G。實驗擬基于PyCharm 開發(fā)工具，使用Python 編程語言，并結(jié)合OpenCV3.0 計算機(jī)視覺庫設(shè)計實現(xiàn)的。過程中，是采用監(jiān)控下拍攝的汽車視頻圖像序列進(jìn)行相關(guān)實驗，圖像的大小均為480×360。

對監(jiān)控視頻的第72幀分別進(jìn)行了光流法、幀差法和本文檢測算法的仿真實驗，研究可得仿真實驗結(jié)果如圖3所示。

由仿真對比結(jié)果可知，幀差法對運(yùn)動目標(biāo)的檢測存在目標(biāo)檢測不完整的問題，頭部有明顯的大片空洞現(xiàn)象；光流法雖然能夠檢測到運(yùn)動目標(biāo)的大體輪廓，可是程序運(yùn)行較慢，計算復(fù)雜度高，未能檢測到目標(biāo)的詳細(xì)輪廓信息[12]；本文采用的基于GMM的背景減除法，經(jīng)過形態(tài)學(xué)處理后，能夠保留更多的目標(biāo)信息，研究獲得的運(yùn)動目標(biāo)輪廓更趨完整，邊緣更加連續(xù)，空洞現(xiàn)象較少，目標(biāo)信息也更為豐富。

研究至此，則將按照獲得的運(yùn)動目標(biāo)區(qū)域?qū)υ撃繕?biāo)進(jìn)行KLT特征點(diǎn)跟蹤，最終效果如圖4所示。圖4中，紅框標(biāo)出的是檢測的運(yùn)動目標(biāo)整體輪廓，綠線是對運(yùn)動目標(biāo)的跟蹤軌跡。上述實驗結(jié)果表明，本文方法能夠?qū)\(yùn)動目標(biāo)進(jìn)行準(zhǔn)確的檢測與快速跟蹤。

4 結(jié)束語

本文提出了一種基于GMM與KLT的運(yùn)動目標(biāo)檢測與跟蹤方法，可以用在監(jiān)控視頻中。從仿真的結(jié)果來看，能夠提取出相對完整、準(zhǔn)確的運(yùn)動目標(biāo)信息，并達(dá)到了目標(biāo)的快速跟蹤，具有一定的實效性。在未來的工作中，可以在此基礎(chǔ)上，根據(jù)運(yùn)動目標(biāo)的

軌跡、位置和輪廓，對運(yùn)動目標(biāo)的行為進(jìn)行分析，從而對監(jiān)控視頻中的實時情況做出更佳判斷。但是本文提出的算法也存在缺點(diǎn)，即如在特征點(diǎn)匹配時，有些點(diǎn)發(fā)生了漂移，因而研究中還需要續(xù)接進(jìn)一步的改進(jìn)與完善。

參考文獻(xiàn)

[1] 胡全. 基于內(nèi)容的圖像檢索技術(shù)研究[D]. 哈爾濱：東北林業(yè)大學(xué)，2008.

[2] 劉潔. 基于光流法的運(yùn)動目標(biāo)檢測和跟蹤算法研究[D]. 徐州：中國礦業(yè)大學(xué)，2015.

[3] 余婷婷. 淺論混合高斯背景建模方法[J]. 黑龍江科技信息，2012（15）：60.

[4] 陳明明. 復(fù)雜背景下的目標(biāo)跟蹤技術(shù)研究[D]. 成都：中國科學(xué)院（光電技術(shù)研究所），2014.

[5] 楊娜. 視頻序列中的人臉檢測與跟蹤技術(shù)研究[D]. 天津：天津師范大學(xué)，2009.

[6] 華媛蕾，劉萬軍. 改進(jìn)混合高斯模型的運(yùn)動目標(biāo)檢測算法[J]. 計算機(jī)應(yīng)用，2014，34（2）：580-584.

[7] 趙聰. 基于雙目立體視覺的運(yùn)動目標(biāo)檢測與跟蹤[D]. 濟(jì)南：山東大學(xué)，2009.

[8] KUMAR S YADAV J S. Segmentation of moving object using background subtraction method in complex environments[J]. Radioengineering 2016 25（2）：399-408.

[9] 楊陳晨，顧國華，錢惟賢，等. 基于Harris角點(diǎn)的KLT跟蹤紅外圖像配準(zhǔn)的硬件實現(xiàn)[J]. 紅外技術(shù)，2013，35（10）：632-637.

[10]SONG Zhiqin LU Jinzheng NIE Shiliang. Improved spatiotemporal background subtraction method for target detection[J]. Opto-Electronic Engineering 2016 43（2）：27-32，39.

[11]THAKUR G S ALI M PAN HUI et al. Comparing background subtraction algorithms and method of car counting[J]. arXiv preprint arXiv：1202.0549 2012.

[12]NIRANJIL K A SURESHKUMAR C. Background subtraction in dynamic environment based on modified adaptive GMM with TTD for moving object detection[J]. Journal of Electrical Engineering & Technology 2015 10（1）：372-378.