視頻系統(tǒng)中運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤分析

王 素 王嘉澳 單大國(guó)

（中國(guó)刑事警察學(xué)院公安信息技術(shù)與情報(bào)學(xué)院，遼寧 沈陽(yáng)110854）

引言

智能視頻系統(tǒng)（Intelligent Video Surveil?lance,IVS）［1-4］是一種利用圖像處理、模式識(shí)別等技術(shù)［5］對(duì)人、物軌跡進(jìn)行分析，繼而達(dá)到事前預(yù)警、事中處理、事后取證目的的智能系統(tǒng)，該系統(tǒng)在公安實(shí)戰(zhàn)應(yīng)用中具有廣闊的應(yīng)用前景。由于人體目標(biāo)檢測(cè)與跟蹤實(shí)現(xiàn)效果的好壞直接決定后續(xù)行為識(shí)別效果的優(yōu)劣,進(jìn)而影響到智能視頻系統(tǒng)的性能，因此運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤已成為智能視頻技術(shù)的研究熱點(diǎn)。

1 運(yùn)動(dòng)目標(biāo)檢測(cè)

常用的運(yùn)動(dòng)目標(biāo)檢測(cè)算法有光流法、幀間差分法、背景差分法。本文在背景差分法的基礎(chǔ)上，提出一種基于自適應(yīng)K 高斯混合模型的背景建模方法。該方法利用分塊幀差法消除光照突變的影響，使用改進(jìn)的AKGMM 創(chuàng)建背景圖像，通過(guò)背景差分法獲得二值差分圖像，從該差分圖像中獲得運(yùn)動(dòng)目標(biāo)。

1.1 改進(jìn)K高斯混合模型

為實(shí)現(xiàn)在不同光照變化條件下高斯算法的自適應(yīng)性，使用特定像素點(diǎn)建立混合高斯模型并求解其參數(shù)。在求解過(guò)程中采用迭代求解，完成高斯建模后把與背景不匹配的像素分類為前景，并將前景像素通過(guò)二維分量分析。正態(tài)分布或高斯分布（N）：

其中K是高斯混合模型的數(shù)量，ωi,t是t時(shí)刻第i個(gè)高斯模型的權(quán)重的估計(jì)值，μi,t是t時(shí)刻第i個(gè)高斯模型的權(quán)重的平均值，∑i,t是t時(shí)刻第i個(gè)高斯模型的權(quán)重的協(xié)方差矩陣，P是高斯概率密度函數(shù)，而D表示未采用的維數(shù)。假設(shè)灰度圖像并設(shè)置K= 5，自適應(yīng)K高斯混合模型如圖1所示。

圖1 自適應(yīng)K高斯混合模型

自適應(yīng)K均值逼近于更新高斯值，如果將新的像素值Xt+1匹配到現(xiàn)有高斯（在2.5σ內(nèi)），則高斯的μi,t+1和會(huì)更新：

所有高斯的先驗(yàn)權(quán)重調(diào)整：

其中匹配的高斯Mi,t+1= 1，其他所有Mi,t+1= 0。如果Xt+1與K個(gè)現(xiàn)有高斯中的任何一個(gè)都不匹配，則將可能性最小的分布替換為新的高斯分布。

1.2 背景模型求解

方差最小的高斯應(yīng)與背景相對(duì)應(yīng)，高斯按ω σ的值排序（較高的支持度和較小的方差將產(chǎn)生較高的值），選擇B分布作為背景模型：

在背景模型求解后，紅色分布為背景模型，黑色分布為前景（見(jiàn)圖2）。上式T 表示閾值，取值為0.85，通過(guò)閾值處理將灰度圖像轉(zhuǎn)換為二值圖像，從而使其前景與背景分離。在差異圖像中，屬于前景對(duì)象的像素灰度級(jí)應(yīng)不同于屬于背景像素的灰度級(jí)。

圖2 背景模型圖

2 運(yùn)動(dòng)目標(biāo)跟蹤

人體目標(biāo)跟蹤技術(shù)主要分為兩類［6］，第一類是基于運(yùn)動(dòng)目標(biāo)的狀態(tài)信息［7］，利用算法搜索目標(biāo)位置，通過(guò)觀測(cè)數(shù)據(jù)和噪聲數(shù)據(jù)以及對(duì)應(yīng)的求解方法得到遞歸方程，即利用前一時(shí)刻的狀態(tài)預(yù)測(cè)下一時(shí)間的狀態(tài)達(dá)到跟蹤的目的；第二類是基于運(yùn)動(dòng)目標(biāo)的特征值進(jìn)行跟蹤［8］，這種跟蹤方法采用提取目標(biāo)特征的方式，利用閉環(huán)求解的方式完成跟蹤算法，常見(jiàn)的跟蹤算法有KCF方法［9］等。

2.1 卡爾曼濾波算法

在目標(biāo)跟蹤領(lǐng)域卡爾曼濾波器被廣泛應(yīng)用于隨機(jī)信號(hào)處理、平穩(wěn)分析、狀態(tài)變量估計(jì)等領(lǐng)域。該方法首先是一個(gè)馬爾克夫過(guò)程，其下一時(shí)刻的值只與前一時(shí)刻的值有關(guān)而與其他時(shí)刻無(wú)關(guān)，即無(wú)需存儲(chǔ)或獲取其他時(shí)刻的所有信息，便于數(shù)據(jù)的實(shí)時(shí)更新［10］。計(jì)算卡爾曼估計(jì)值的方法通常由狀態(tài)方程，更新方程，協(xié)方差矩陣等5個(gè)主要的方程給出。

卡爾曼濾波算法的基本假設(shè)：

上式中x(k)是k時(shí)刻的系統(tǒng)狀態(tài)，u(k)是k時(shí)刻對(duì)系統(tǒng)的控制量。A和B是系統(tǒng)參數(shù)，對(duì)于多模型系統(tǒng)，他們?yōu)榫仃?。y(k)是k時(shí)刻的測(cè)量值，H 是測(cè)量系統(tǒng)的參數(shù)，對(duì)于多測(cè)量系統(tǒng)，H為矩陣。q(k)和r(k)分別表示過(guò)程和測(cè)量的噪聲,他們被假設(shè)成高斯白噪聲(WhiteGaussian?Noise)，他們的covariance分別是Q，R［11］。

2.2 自適應(yīng)時(shí)間更新與狀態(tài)更新

步驟1：根據(jù)位移傳感器所在環(huán)境，得到該環(huán)境下的狀態(tài)方程：

式子中A為系統(tǒng)狀態(tài)的系數(shù)矩陣，xk為k時(shí)刻的系統(tǒng)狀態(tài)，yk為k時(shí)刻的測(cè)量值，qk-1為k- 1時(shí)刻的狀態(tài)噪聲。

步驟2：為得到系統(tǒng)后一時(shí)刻的系統(tǒng)狀態(tài)則需要利用前一時(shí)刻的狀態(tài)，經(jīng)相鄰時(shí)間間隔內(nèi)的誤差來(lái)估計(jì)此時(shí)的協(xié)方差矩陣，其中Pk為k時(shí)刻的誤差協(xié)方差矩陣，時(shí)間更新方程：

時(shí)間更新

步驟3：由于時(shí)間的連續(xù)性，需要通過(guò)前一時(shí)刻與后一時(shí)刻的狀態(tài)變量來(lái)更新誤差協(xié)方差矩陣，最后估計(jì)出此時(shí)刻的協(xié)方差矩陣。與傳統(tǒng)卡爾曼算法不同的是，本算法對(duì)R進(jìn)行了估計(jì)，采取前后時(shí)刻差值的平方為誤差協(xié)方差的噪聲值，使得每一個(gè)的系統(tǒng)估計(jì)值都能接近于真實(shí)值，狀態(tài)更新方程：

狀態(tài)更新

上式中K為增益系數(shù)，P為校正系數(shù)，H為誤差協(xié)方差校正系數(shù)，R為測(cè)量過(guò)程誤差協(xié)方差。該值通過(guò)步驟2 中得到誤差協(xié)方差矩陣，將R帶入狀態(tài)方程更新增益系數(shù)表達(dá)式得到：

步驟4：通過(guò)求解誤差協(xié)方差以及增益系數(shù)并帶入步驟3 狀態(tài)更新方程（2）中得到下一時(shí)刻的觀測(cè)值：

步驟5：將狀態(tài)更新方程中（1）中得到的增益系數(shù)帶入（3）中得到下一時(shí)刻的誤差協(xié)方差矩陣：

步驟6：重復(fù)步驟2 到步驟5，直到算法收斂或者濾波完所有的觀測(cè)值。

3 實(shí)驗(yàn)結(jié)果與分析

為驗(yàn)證本文改進(jìn)算法的有效性，本文分別采用KTH 數(shù)據(jù)集和自行創(chuàng)建的數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)采用Matlab為仿真環(huán)境。

3.1 KTH數(shù)據(jù)集

3.2 自行創(chuàng)建數(shù)據(jù)集

由圖3和圖4可知，本文算法可實(shí)時(shí)準(zhǔn)確檢測(cè)跟蹤運(yùn)動(dòng)目標(biāo)，提高運(yùn)動(dòng)目標(biāo)檢測(cè)跟蹤的精度，適應(yīng)性較強(qiáng)。

圖3 KTH數(shù)據(jù)集檢測(cè)跟蹤結(jié)果

圖4 自行創(chuàng)建數(shù)據(jù)集檢測(cè)跟蹤結(jié)果

4 結(jié)語(yǔ)

針對(duì)現(xiàn)有人體檢測(cè)算法中視頻序列中的圖像容易受到自然光照、像素抖動(dòng)等干擾，以及前景檢測(cè)參數(shù)不能自適應(yīng)等問(wèn)題，提出自適應(yīng)K 高斯混合模型，使得模型參數(shù)實(shí)現(xiàn)自適應(yīng)并具有較高的抗噪聲和抗像素抖動(dòng)功能；在人體跟蹤中采用實(shí)時(shí)性更高的卡爾曼濾波算法，提出基于前一時(shí)刻差值法的自適應(yīng)方式，從而不斷更新卡爾曼濾波算法中的協(xié)方差誤差參數(shù)，提高實(shí)時(shí)跟蹤、提取人體目標(biāo)的精度。由仿真結(jié)果可知，兩個(gè)算法的結(jié)合可以準(zhǔn)確并實(shí)時(shí)檢測(cè)跟蹤運(yùn)動(dòng)目標(biāo)，提高智能視頻系統(tǒng)性能，從而廣泛應(yīng)用于公安實(shí)踐當(dāng)中，具有自適應(yīng)性。