智能監(jiān)控系統(tǒng)中自適應(yīng)抗遮擋目標跟蹤

張穎 李孟歆 英宇

摘 要： 智能視頻監(jiān)控系統(tǒng)中的目標跟蹤問題存在許多干擾因素，其中運動目標運動時的動態(tài)干擾及大面積遮擋問題是影響跟蹤失敗的最主要的原因。此外，光照和顏色近似干擾問題也是影響跟蹤準確度的主要因素。為了達到運動目標的抗干擾及準確跟蹤，在Meanshift算法完成目標準確跟蹤的基礎(chǔ)上，提出一種基于雙重判別的自適應(yīng)跟蹤算法，將Meanshift算法與Kalman濾波算法相結(jié)合，在出現(xiàn)長時間大面積遮擋及動態(tài)背景干擾、光照，顏色近似干擾的情況下，完成目標的準確跟蹤。實驗結(jié)果表明，提出的方法有較好的穩(wěn)定性和準確性。

關(guān)鍵詞： 目標跟蹤； Meanshift算法； Bhattacharrya系數(shù)； Kalman濾波； 雙重判別； 抗遮擋

中圖分類號： TN911.73?34； TP391 文獻標識碼： A 文章編號： 1004?373X（2018）17?0059?03

Abstract： The target tracking of intelligent video surveillance system is influenced by multiple interference factors， in which the dynamic interference and large area occlusion act as the main reasons influencing the tracking failure while the target is moving. In addition， the approximate interference of illumination and color is also the main factor affecting the tracking accuracy. An adaptive tracking algorithm based on double?discrimination is proposed to achieve the purposes of anti?interference and accurate tracking of moving target， in which the Meanshift algorithm and Kalman filtering algorithm are combined to accomplish the accurate target tracking under the conditions of longtime large area occlusion， dynamic background interference， and approximate interference of illumination and color. The experimental results show that the proposed method has high stability and accuracy.

Keywords： target tracking； Meanshift algorithm； Bhattacharrya coefficient； Kalman filtering； double?discrimination； anti?occlusion

運動目標跟蹤在智能監(jiān)控、智能交通、安防以及軍事和工業(yè)生產(chǎn)上都有著廣泛的應(yīng)用。跟蹤過程中經(jīng)常受到多種因素的影響，如背景顏色相近、光照變化、目標尺度變化、復(fù)雜的環(huán)境等造成的干擾，導(dǎo)致跟蹤目標丟失[1?2]。常用的跟蹤方法有幀間差分法、背景差分法、邊緣檢測、光流法、TLD法以及Camshift算法等。但這些方法大都基于單一視覺線索，要么不考慮遮擋，要么以部分遮擋下的實驗結(jié)果驗證算法的魯棒性[3?7]。在非剛體的運動目標跟蹤過程中，常采用均值偏移算法，其運動區(qū)域采用核密度估計函數(shù)描述，然后對均值偏移矢量進行循環(huán)迭代，最后采用巴氏系數(shù)判斷相似度，尋找與模板區(qū)域相似度最高的區(qū)域，從而完成運動目標的跟蹤。然而，Meanshift算法是基于視頻圖像顏色特征進行目標跟蹤的，當(dāng)目標顏色與背景顏色相近或出現(xiàn)遮擋時，算法將嚴重失效。Kalman濾波算法在運動目標的預(yù)測和跟蹤中具有優(yōu)勢。因此，采用Meanshift算法和Kalman濾波相結(jié)合進行目標跟蹤得到了廣泛的應(yīng)用。在跟蹤過程中，用Kalman濾波進行預(yù)測，采用Meanshift算法根據(jù)預(yù)測的結(jié)果找到進行迭代的初始點，以有效解決遮擋問題[8]。本文在此基礎(chǔ)上，對跟蹤過程中的Meanshift和Kalman濾波相結(jié)合的跟蹤策略進行改進，根據(jù)Meanshift算法中Bhattacharrya系數(shù)的變化情況，采用雙重判別方法，自適應(yīng)地調(diào)整跟蹤算法，實現(xiàn)自適應(yīng)抗遮擋跟蹤。

1 Meanshift算法

1.1 目標模型描述

顏色直方圖作為一種目標特征，能夠?qū)δ繕说念伾畔⑦M行有效提取。在彩色視頻圖像序列中，圖像像素的值域是RGB空間，把RGB顏色空間的每個子空間R，G，B根據(jù)直方圖的方式分別分成[m]個子區(qū)間，每個區(qū)間稱為一個bin，構(gòu)成相應(yīng)的特征空間，相應(yīng)的特征個數(shù)為[k3]。在目標區(qū)域內(nèi)，不同位置的像素對顏色直方圖的貢獻不同，距離區(qū)域中心較遠的像素被賦予較小的權(quán)值，距離區(qū)域中心較近的像素被賦予較大的權(quán)值，因此距離中心較遠的像素對顏色直方圖的建立幾乎不起作用，這樣避免了邊界像素易受遮擋等的影響。

式中[u]是區(qū)間索引。如果[y1-y0≤ε]，算法將停止均值局部優(yōu)化迭代過程，將當(dāng)前候選補丁作為當(dāng)前幀的輸出位置。

Meanshift算法原理簡單、計算量較小，但是，當(dāng)背景顏色存在干擾時，目標模型及候選模型會產(chǎn)生一定的誤差，無法準確跟蹤目標。此外，如果目標運動速度超出算法向量計算范圍或者遇到遮擋，Meanshift算法很難自適應(yīng)地重新構(gòu)建目標模型及候選模型，導(dǎo)致跟蹤失敗。運動目標在運動的過程中，在無障礙物遮擋的情況下，運用此方法能夠很好地完成整個跟蹤過程。如圖1所示，運動目標在遇到遮擋前的20幀，Meanshift算法跟蹤克服了光照和顏色相近造成的干擾，較好地完成了運動目標的跟蹤，而從第21幀開始，遇到了全部遮擋的情況，跟蹤矩形框不能跟蹤目標，跟蹤失敗。圖2為整個跟蹤過程中Bhattacharrya系數(shù)的變化情況。

3 采用雙重Bhattacharrya系數(shù)判別的改進Meanshift算法

由圖2所示的采用Meanshift算法進行目標跟蹤過程中Bhattacharrya系數(shù)的變化情況，對照圖1實際跟蹤結(jié)果發(fā)現(xiàn)，當(dāng)出現(xiàn)遮擋時，運動目標丟失，Bhattacharrya系數(shù)變大；當(dāng)遮擋結(jié)束，Bhattacharrya系數(shù)再次變小。采用雙重Bhattacharrya系數(shù)的方法進行自適應(yīng)目標跟蹤。設(shè)初始目標模板顏色直方圖[qu]與候選模板顏色直方圖[pu]間的Bhattacharrya系數(shù)為：

改進算法步驟為：

Step1：輸入視頻，采用矩形框選取目標模板，用RGB顏色直方圖進行模板描述；

Step2：根據(jù)Meanshift算法，計算質(zhì)心偏移，求出下一幀目標質(zhì)心坐標，算法迭代，同時計算[ρ1]，實現(xiàn)目標跟蹤；

Step3：設(shè)定閾值[T1]，當(dāng)出現(xiàn)目標遮擋時，[ρ1>T1]，將當(dāng)前目標質(zhì)心坐標作為Kalman濾波的初始值，預(yù)測遮擋時目標質(zhì)心初始位置，更新目標模板，開始計算系數(shù)[ρ2]，同時繼續(xù)按原方法計算[ρ1]；

Step4：當(dāng)[ρ2>ρ1]時，更新目標模板，采用Meanshift算法進行運動目標跟蹤。

圖3為采用本文所提方法進行的運動目標完全遮擋時的運動目標跟蹤實驗。由圖3可見，當(dāng)無障礙物遮擋時，采用Meanshift算法可以克服背景顏色和光照的影響，實現(xiàn)目標的準確跟蹤，當(dāng)出現(xiàn)遮擋時的第25幀圖像中算法自動切換到Kalman濾波運動目標質(zhì)心預(yù)測模式，并標注出質(zhì)心的位置變化，第31幀出現(xiàn)部分遮擋時，仍然采用Kalman濾波繼續(xù)運動目標質(zhì)心的預(yù)測，第36幀，遮擋完全去除，之后重新切換到Meanshift算法繼續(xù)跟蹤。圖4為多運動目標出現(xiàn)遮擋時的運動目標跟蹤實驗。由圖4可見，所提方法仍然可以自適應(yīng)調(diào)整跟蹤算法及預(yù)測算法，并根據(jù)預(yù)測到的運動目標質(zhì)心，按照初始模板中計算的矩形框的大小，重新找到運動目標模板，并完成更新，重新采用Meanshift算法實現(xiàn)跟蹤。

4 結(jié) 語

本文針對運動目標出現(xiàn)大面積長時間遮擋時，跟蹤效果差的問題，提出一種基于雙重Bhattacharrya系數(shù)的改進Meanshift算法，采用雙重判別的方式完成運動目標的自適應(yīng)跟蹤，根據(jù)跟蹤遮擋前后目標模板與候選模板的Bhattacharrya系數(shù)變化，自適應(yīng)調(diào)整跟蹤和預(yù)測過程，并通過仿真實驗驗證算法在單一運動目標及多運動目標時的跟蹤可靠性，提高了跟蹤算法的抗干擾能力及抗遮擋能力。

參考文獻

[1] WALIA G S， KAPOOR R. Robust object tracking based upon adaptive multi?cue integration for video surveillance [J]. Multimedia tools & applications， 2016， 75（23）： 1?27.

[2] ALI A， JALIL A， AHMED J， et al. Correlation， Kalman filter and adaptive fast mean shift based heuristic approach for robust visual tracking [J]. Signal image and video processing， 2015， 9（7）： 1567?1585.

[3] ASGARIZADEH M， POURGHASSEM H. A robust object tra?cking synthetic structure using regional mutual information and edge correlation?based tracking algorithm in aerial surveillance application [J]. Signal image and video processing， 2015， 9（1）： 175?189.

[4] PREVITALI F， BLOISI D D， IOCCHI L. A distributed approach for real?time multi?camera multiple object tracking [J]. Machine vision and applications， 2017， 28（1）： 1?10.

[5] DUBUISSON S， GONZALES C. A survey of database for visual tracking [J]. Machine vision and applications， 2016（27）： 23?52.

[6] BADENAS J， SANCHIZ J M， PLA F. Motion?based segmentation and region tracking in image sequences [J]. Pattern recognition， 2001， 34（3）： 661?670.

[7] ROWGHANIAN V， ASL K A. Non iterated mean shift and particle filtering [C]// 2014 Iranian Conference on Electrical Engineering. Piscataway： IEEE， 2014： 226?231.

[8] HWANG J P， BAEK J， CHOI B， et al. A novel part?based approach to mean?shift algorithm for visual tracking [J]. International journal of control， automation and systems， 2015， 13（2）： 443?453.

[9] 朱鉀，李化.一種基于Meanshift算法的目標跟蹤改進[J].中北大學(xué)學(xué)報，2016，37（6）：633?637.

ZHU J， LI H. An improved Meanshift algorithm for target tracking [J]. Journal of North University of China， 2016， 37（6）： 633?637.

[10] ROWGHANIAN V， ANSARI?ASL K. Object tracking by mean shift and radial basis function neural networks [J]. Journal of real?time image processing， 2015（8）： 1?18.