改進(jìn)背景差分法的運動軌跡實時跟蹤方法

馬蕾， 張忠秋， 張娜娜

(西安明德理工學(xué)院 信息工程學(xué)院， 陜西 西安 710124)

0 引言

隨著多媒體技術(shù)、智能控制技術(shù)的不斷發(fā)展，智能視頻監(jiān)控得到了迅速發(fā)展，視頻處理技術(shù)在許多領(lǐng)域得到了廣泛的應(yīng)用，出現(xiàn)了許多運動視頻數(shù)據(jù)[1-2]。對于一個運動視頻來說，人們十分關(guān)注運動軌跡的跟蹤問題，因此如何提高運動軌跡跟蹤的準(zhǔn)確性與跟蹤的實時性，一直是人們關(guān)注的一個焦點問題。因此具有十分重要的研究價值，成為視頻處理領(lǐng)域的一個重要研究課題[3-5]。

針對運動軌跡跟蹤問題，近幾十年來，一些學(xué)者進(jìn)行了深入的探索，結(jié)合運動軌跡變化特點，提出了許多有效的運動軌跡跟蹤方法，如：幀間差分法的運動軌跡跟蹤方法、背景差分法的運動軌跡跟蹤方法，這些方法工作過程比較簡單，對光照、天氣變化魯棒性十分強，但是當(dāng)運動速度很慢時，動態(tài)場景中運動目標(biāo)存在微小擾動，使得運動軌跡跟蹤誤差比較大，容易跟丟運動視頻中的目標(biāo)[6-8]。近幾年來，有學(xué)者提出了卡爾曼濾波算法的運動軌跡跟蹤方法、混合高斯背景模型的運動軌跡跟蹤方法，這兩種運動軌跡跟蹤方法的跟蹤效果要優(yōu)于幀間差分法與背景差分法，但是對于光線較強、光照突變的運動目標(biāo)，這兩種運動軌跡跟蹤方法無法解決該問題，會將整個區(qū)域誤當(dāng)作前景目標(biāo)，導(dǎo)致運動軌跡跟蹤誤差比較大[9-11]。

針對當(dāng)前運動軌跡跟蹤方法存在的誤差大、實時性差等弊端，為了改善運動軌跡跟蹤結(jié)果，設(shè)計了基于改進(jìn)背景差分法的運動軌跡實時跟蹤方法，該方法集成了背景差分和卡爾曼濾波算法的優(yōu)點，可以滿足復(fù)雜多變的運動目標(biāo)移動環(huán)境，可以高精度進(jìn)行運動軌跡跟蹤，運動軌跡跟蹤速度快，能夠獲得比當(dāng)前其它方法整體性能更優(yōu)的運動軌跡跟蹤結(jié)果，可以為運動軌跡跟蹤研究人員提供有價值的參考意見。

1 改進(jìn)背景差分法的運動軌跡實時跟蹤方法

1.1 傳統(tǒng)背景差分方法

背景差分法是一種當(dāng)前流行的運動軌跡跟蹤方法，其工作原理為：首先采集運動軌跡跟蹤視頻序列，并提取其中的運動軌跡關(guān)鍵幀圖像，然后建立運動軌跡跟蹤的背景模型，最后采用運動軌跡跟蹤的關(guān)鍵幀圖像與背景模型進(jìn)行差分，設(shè)置一個像素閾值，如果運動軌跡跟蹤的關(guān)鍵幀圖像的像素大于閾值，認(rèn)為是運動的前景區(qū)域，不然認(rèn)為是運動的背景區(qū)域。設(shè)運動軌跡跟蹤的關(guān)鍵幀圖像為Xk(x,y)，背景模型為Bk(x,y)，那么可以得到兩者的差分圖像[12]為式(1)。

Dk(x,y)=|Xk(x,y)-Bk(x,y)|

(1)

設(shè)閾值為T，那么可以得到式(2)。

(2)

綜合上述可知，基于背景差分法的運動軌跡跟蹤原理如圖1所示。

圖1 基于背景差分法的運動軌跡跟蹤原理

當(dāng)運用背景差分法進(jìn)行運動軌跡跟蹤時，當(dāng)背景更新比較快時，可能會出現(xiàn)“空洞”和“膨脹”問題，為了解決“空洞”和“膨脹”問題，提出自適應(yīng)的背景差分法，則式(1)變?yōu)槭?3)。

Dk(x,y)=|(1-α)·Xk(x,y)-αBk·(x,y)|

(3)

式中，α表示背景更新速率，其確定方式通常為式(4)。

(4)

式中，Gk表示不連通的運動目標(biāo)集合。

采用自適應(yīng)背景差分法進(jìn)行運動軌跡跟蹤時，同樣存在一個問題，如圖2(a)所示。一個運動目標(biāo)從右往左移動時，因為背景中含有該運動目標(biāo)，當(dāng)該運動目標(biāo)離開的時候，那么就會在原來的位置留下一個虛假的運動目標(biāo)，如圖2(b)所示。

(a) 運動軌跡跟蹤的關(guān)鍵幀圖像

(b) 存在虛假目標(biāo)圖2 自適應(yīng)背景差分法的運動軌跡跟蹤結(jié)果

這樣根據(jù)自適應(yīng)背景差分法的跟蹤結(jié)果，虛假目標(biāo)會一直持續(xù)下去，從而影響了運動目標(biāo)軌跡的跟蹤效果。

1.2 卡爾曼濾波算法

對于一個離散系統(tǒng)過程中狀態(tài)變量x∈R，卡爾曼濾波算法進(jìn)行評估其狀態(tài)變化，如式(5)。

(5)

式中，A為狀態(tài)轉(zhuǎn)移矩陣；zk為測量值；wk和vk為卡爾曼濾波算法的系統(tǒng)誤差和測量誤差，它們具有正態(tài)分布的白噪聲[13]，具體為式(6)。

(6)

卡爾曼濾波算法的工作原理為：不斷對離散系統(tǒng)過程中的狀態(tài)變量進(jìn)行預(yù)測和反饋，具體如圖3所示。

圖3 卡爾曼濾波算法的工作原理

卡爾曼濾波算法的工作步驟如下。

(7)

(2) 設(shè)Kk為卡爾曼增益，測量更新方式為式(8)。

(8)

1.3 改進(jìn)背景差分法的運動軌跡實時跟蹤原理

針對背景差分法的運動軌跡跟蹤方法和卡爾曼濾波算法的運動軌跡跟蹤方法存在的局限性，為了提高運動軌跡跟蹤效果，基于組合優(yōu)化理論，提出了改進(jìn)的背景差分法的運動軌跡實時跟蹤方法，具體原理為：首先采集運動軌跡跟蹤視頻序列，并對其進(jìn)行預(yù)處理，提取運動軌跡跟蹤的關(guān)鍵幀圖像，然后采用背景差分法對運動軌跡跟蹤的關(guān)鍵幀圖像進(jìn)行操作，得到運動軌跡跟蹤的初步結(jié)果，最后采用卡爾曼濾波算法對采用背景差分法的運動軌跡跟蹤誤差進(jìn)行校正，獲得最終的運動軌跡跟蹤結(jié)果。

2 運動目標(biāo)移動軌跡跟蹤的仿真測試

2.1 測試平臺

為測試改進(jìn)差分法的運動軌跡實時跟蹤方法的有效性，對其進(jìn)行運動軌跡跟蹤仿真測試，采用仿真測試平臺如表1所示。

表1 運動軌跡實時跟蹤的仿真測試平臺

為了體現(xiàn)改進(jìn)差分法的運動軌跡跟蹤結(jié)果的優(yōu)越性，選擇傳統(tǒng)背景差分法的運動軌跡跟蹤方法和卡爾曼濾波算法的運動軌跡跟蹤方法進(jìn)行對比實驗，采用運動軌跡跟蹤精度、跟蹤時間來評價運動軌跡跟蹤仿真實驗結(jié)果的優(yōu)劣。

2.2 運動目標(biāo)數(shù)據(jù)采集

采用戶外攝像機對不同類型的運動視頻進(jìn)行采集，它們的運動視頻樣本數(shù)量如表2所示。

表2 運動軌跡實時跟蹤的視頻數(shù)據(jù)

2.3 運動軌跡跟蹤準(zhǔn)確性的對比

改進(jìn)背景差分法、傳統(tǒng)背景差分法和卡爾曼濾波算法進(jìn)行運動軌跡跟蹤仿真實驗，統(tǒng)計它們的運動軌跡跟蹤正確率，結(jié)果如圖4所示。

圖4 不同方法的運動軌跡跟蹤正確率對比

對圖4的運動軌跡跟蹤正確率進(jìn)行對比和分析可以發(fā)現(xiàn)。

(1) 傳統(tǒng)背景差分法的運動軌跡跟蹤正確率均低于85%，遠(yuǎn)遠(yuǎn)低于運動軌跡跟蹤實際要求的85%，無法應(yīng)用于實際的運動軌跡跟蹤研究中，沒有任何實際應(yīng)用價值。

(2) 卡爾曼濾波算法的運動軌跡跟蹤正確率均值為89.21%，要高于傳統(tǒng)背景差分法的運動軌跡跟蹤正確率，但是運動軌跡跟蹤的錯誤率仍然比較高，無法滿足一些準(zhǔn)確性要求高的運動軌跡跟蹤領(lǐng)域，缺陷十分明顯。

(3) 改進(jìn)背景差分法的運動軌跡實時跟蹤正確率平均值為95.86%，高于傳統(tǒng)背景差分法和卡爾曼濾波算法，較好地解決了傳統(tǒng)背景差分法和卡爾曼濾波算法存在的不足，降低了運動軌跡跟蹤的錯誤率，得到十分理想的運動軌跡跟蹤結(jié)果，對比結(jié)果同時也驗證了改進(jìn)背景差分法的運動軌跡實時跟蹤方法的優(yōu)越性。

2.4 運動軌跡跟蹤的實時性對比

對一個運動軌跡跟蹤方法來說，運動軌跡跟蹤實時十分重要，直接可以描述運動軌跡跟蹤速度，采用運動軌跡跟蹤時間描述運動軌跡跟蹤的實時性，結(jié)果如圖5所示。

圖5 不同方法的運動軌跡跟蹤時間對比

從圖5可以看出，傳統(tǒng)背景差分法的運動軌跡跟蹤時間平均值為16.86 ms，卡爾曼濾波算法的運動軌跡跟蹤時間平均值為21.26 ms，改進(jìn)背景差分法的運動軌跡跟蹤時間平均值為11.33 ms，相對于傳統(tǒng)背景差分法和卡爾曼濾波算法，改進(jìn)背景差分法的運動軌跡跟蹤時間明顯減少，獲得了更優(yōu)的運動軌跡跟蹤實時性。

3 總結(jié)

針對當(dāng)前運動目標(biāo)移動軌跡跟蹤過程存在的精度不高、實時性差的缺陷，提出了基于改進(jìn)背景差分法的運動目標(biāo)移動軌跡實時跟蹤方法，并與其它運動目標(biāo)移動軌跡跟蹤方法進(jìn)行了仿真對比實驗，結(jié)果表明，改進(jìn)背景差分法的運動目標(biāo)移動軌跡跟蹤精度平均值超過了95%，不僅可以適應(yīng)運動目標(biāo)移動環(huán)境的變化，而且運動目標(biāo)移動軌跡跟蹤時間短，可以實時實現(xiàn)運動目標(biāo)移動軌跡跟蹤，具有十分廣泛的應(yīng)用前景。