行人檢測與跟蹤

朱麗華 蘆娜

摘要：混合高斯模型在對運動目標檢測中常用于背景建模。當運動目標停留在場景中某一位置過長時采用混合高斯模型會產(chǎn)生目標在場景中消失的現(xiàn)象，且需要根據(jù)目標在場景中運動與靜止情況，來決定整幀更新還是只更新背景區(qū)域，容易造成運動目標出現(xiàn)不連續(xù)性。為了解決上述問題，對傳統(tǒng)的高斯模型進行了改進，并將前景區(qū)域劃分為運動區(qū)域和非運動區(qū)域，進而檢測運動區(qū)域目標是否為陰影，從而決定是否去除陰影。針對Mean-Shift算法理論上的不足以及跟蹤目標時的領(lǐng)域跟蹤局限性，同時采用了改進的Mean-Shift方法進行跟蹤。采用OpenCV庫和VS2012實現(xiàn)算法，實驗結(jié)果表明，該文所提算法具有較強的魯棒性和穩(wěn)定性，有效地消除行人運行產(chǎn)生的拖影，并能較好實現(xiàn)行人檢測與跟蹤。

關(guān)鍵詞：混合高斯模型； Mean-Shift；行人檢測；行人跟蹤；Opencv

中圖分類號：TP31 文獻標識碼：A

文章編號：1009-3044（2019）10-0149-02

開放科學(xué)（資源服務(wù)）標識碼（OSID）：

1 引言

運動目標檢測是將視頻圖像中的變化區(qū)域從場景中分割出來，其目的是利用視頻圖像檢測并提取出運動目標。目前，運動目標檢測主要有三種方法[1][2]：幀差法、光流法和背景差分法。相對于光流法對硬件要求高、實用性較差和幀差法對變化小的像素點難以檢測，背景差分法由于計算速度快，容易實現(xiàn)，在運動目標檢測中得到了廣泛應(yīng)用。Stauffer[3]和LEE W H[4]利用混合高斯模型來建立背景模型，魯棒地克服光照變化、樹枝搖動等造成的影響，但該方法對運動物體在場景中停止不動或長時間停止檢測失效。文獻[5]采用全局調(diào)整更新率方法提高模型對背景變化的適應(yīng)能力，容易導(dǎo)致目標檢測不完整。文獻[6][7]對不同區(qū)域采用不同更新率，使得背景模型能夠較準確反映真實背景，但不能較好地解決長時間靜止物體變?yōu)檫\動時造成的錯誤檢測問題。文獻[8]對前景檢測進行了改進較好地處理了噪音，但是沒有考慮對陰影的消除。

本文采用改進的混合高斯模型實現(xiàn)目標檢測，有效提高了運動目標檢測的完整性。在運動目標檢測中對傳統(tǒng)的高斯模型進行了改進，將前景區(qū)域劃分為運動區(qū)域和非運動區(qū)域，進而檢測運動區(qū)域目標是否為陰影，從而決定是否去除陰影，最終實現(xiàn)運動目標的檢測。

2 行人目標檢測

2.1 經(jīng)典混合高斯模型

混合高斯模型[9-11]，它對圖像中的每個像素點用多個高斯分布構(gòu)成的混合高斯模型來建模，每個高斯模型參數(shù)化，模型的參數(shù)會自適應(yīng)更新，隨著新圖像的到來，需要更新每個像素點各個高斯分布的權(quán)重、均值和方差。先預(yù)定義K個混合高斯模型，得到新一幀圖像后對其更新，檢測當前圖像的每個像素點中是否與K個模型中的任意一個匹配，如果有，則該像素點判定為背景點，反之為目標點。

2.2 改進混合高斯模型

從以上分析可以得到長時間匹配的高斯分布的權(quán)值會越來越大，而不匹配的高斯分布的權(quán)值會越來越小。在目標檢測過程中，為了克服目標的陰影很容易被誤檢為運動目標一部分，利用下面算法，對陰影進行混合高斯建模，并消除陰影。

算法思想：

步驟1 初始化混合高斯模型參數(shù)。對每一個模型賦初始值，其中第一個分布的均值取當前像素值，匹配次數(shù)為1，權(quán)重為1，其他模型相應(yīng)值賦0，且所有模型的方差初始化成一個較大值。

步驟2 模型更新：新到來的與其K個高斯分布去匹配。對K個模型分量權(quán)值正規(guī)化，保證總和為1。

步驟3：前景檢測，按照模型置信度對K個高斯分布排序，選前B個作為背景模型，根據(jù)判斷準則確定為背景像素還是前景像素。

步驟4：將前景區(qū)域劃分為運動區(qū)域和非運動區(qū)域。

步驟5檢測運動區(qū)域目標是否為陰影。

在行人的識別過程中，為了獲得更好的效果，使用了腐蝕運算和膨脹運算，來有效減少小噪音影響。

3 行人目標跟蹤

MeanShift算法最早由Fukunaga和Hostetler提出的一種基于迭代的非參數(shù)核密度估計算法。但傳統(tǒng)的Mean-Shift跟蹤算法對目標的識別性能不夠優(yōu)秀，尤其在運動目標快速運動時，由于獲取的圖像只具有局部的某些特性，甚至跟蹤失敗。本文采用改進的Mean-Shift算法[12]，將Mean-Shift和Kalman濾波相結(jié)合，通過Mean-shift算法的迭代聚類作用，在Kalman算法跟蹤的結(jié)果上再進行迭代計算，實現(xiàn)運動目標跟蹤。具體算法步驟如下：

步驟1 選擇搜索窗口；

步驟2 計算窗口的重心，并將窗口的中心設(shè)置在計算出的重心處。根據(jù)Kalman算法對運動目標進行預(yù)測，并將結(jié)果作為運動目標的中心。

步驟3 重新計算窗口的重心，并將窗口的中心設(shè)置在計算出的重心處。將步驟2中得到的運動目標的中心值作為Mean-Shift迭代計算的初始值，進行迭代計算并計算出當前幀中運動目標的位置且輸出結(jié)果；

步驟4 返回步驟2，直到窗口的位置不再變化。如果是最后一幀，算法結(jié)束；否則跳轉(zhuǎn)到步驟2繼續(xù)跟蹤。

4 實驗分析與比較

本文實驗基于Opencv庫和VS2012，實驗采用Intel2.5GHz處理器和4G內(nèi)存PC機，所用的視頻在室外環(huán)境獲取，從跟蹤結(jié)果可以看出采用本文改進的算法能較準確及時地實現(xiàn)目標行人的跟蹤。從中抽取一幀，對本文算法和經(jīng)典的混合高斯模型算法進行了比較，幀的跟蹤結(jié)果如圖1和圖2所示。

5 結(jié)束語

運動目標的檢測算法種類很有，不同的算法在不同的環(huán)境下魯棒性不同，本文只是改進了傳統(tǒng)的混合高斯模型，在簡單背景環(huán)境下實現(xiàn)對單一行人目標的檢測與識別。

參考文獻：

[1] 朱虹.數(shù)字圖像處理基礎(chǔ)[M].科學(xué)出版社，2005.

[2] 常曉夫，張文生，董維山.基于多種類視覺特征的混合高斯背景模型[J].中國圖象圖形學(xué)報，2011：829-834.

[3] Stauffer C.GrimsonW.Adaptive background mixture models for real time tracking[C]//Proceeding of IEEE International Conference on Computer Vision and Pattern Recognition，1999：246-252.

[4] HAJE，LEE W H.Foreground objects detection using multiple difference images[J].Optical Engineering，2010，49（4）：1-5.

[5] 尹俊超，劉直芳.基于OpenCV的運動目標檢測與跟蹤[J].計算機工程與設(shè)計，2011，32（8）：2817.

[6] 張紅穎，李鴻，孫毅剛.基于混合高斯模型的陰影去除算法[J].計算機應(yīng)用，2013，33（1）：31-34.

[7] 孫毅剛，李鴻，張紅穎.基于改進混合高斯模型的運動目標檢測算法[J].計算機工程，2012，38（18）.

[8] 屠禮芬，仲思東，彭祺.自然場景下運動目標檢測與陰影剔除方法[J].西安交通大學(xué)學(xué)報，2013，47（12）：26-31.

[9] 李鵬飛，陳朝武，李曉峰.智能視頻算法評估綜述[J].計算機輔助設(shè)計與圖形學(xué)學(xué)報，2010，22（2）：352-360.

[10] SANIN A， SANDERSON C，LOVELL B C.Improved shadow removal for robust person tracking in surveillance scenarios[C]//Proceedings of the 20th International Conference on Pattern Recognition.Washington，DC：IEEE computer Society，2010：141-144.

[11] LIU Z，HUANG K Q，TAN T N.Cast shadow removal in a hierarchical manner using MRF[J].IEEE Transactions on Circuits and Systems for Video Technology，2012，22（1）：56-66.

[12] 章學(xué)靜，陳禾，楊靜.結(jié)合卡爾曼濾波和Mean Shift的抗遮擋跟蹤算法[J].北京理工大學(xué)學(xué)報，2013，33（10）：1056-1061.

【通聯(lián)編輯：代影】