基于改進蟻群算法的行人運動特征跟蹤提取方法

潘 云 磊

(蕪湖職業(yè)技術(shù)學(xué)院體育教學(xué)部，安徽 蕪湖 241000)

道路上的車輛數(shù)量呈現(xiàn)直線上升趨勢，加大了交通管制的難度，對行人安全也產(chǎn)生了極大的威脅。視覺圖像系統(tǒng)主要構(gòu)成部分為行人運動特征提取與跟蹤，能夠在圖像序列中提取行人運動特征，以此為基礎(chǔ)，可以確定行人的位置、大小等信息，幫助車輛規(guī)避行人，幫助指揮人員精準調(diào)度交通流，保障行人的安全。

國外對視頻圖像處理的研究較早，主要通過背景減除法提取行人運動特征，與對應(yīng)的背景圖像進行匹配，從而發(fā)現(xiàn)行人目標，并利用行人運動特征提取、分析與理解過程，更好地保護行人安全。目前，國內(nèi)視頻圖像相關(guān)研究水平不高，缺少可靠、先進的行人運動特征跟蹤提取方法，文獻[1]利用基于高斯混合模型的背景消減法提取運動目標前景，實現(xiàn)復(fù)雜場景中多行人運動目標的檢測和跟蹤，對畫面中的人數(shù)進行實時統(tǒng)計和更新，準確地檢測和追蹤多行人運動目標。文獻[2]改進相似性分數(shù)計算方法，提取基于多信息融合的多目標跟蹤方法，更好地處理目標遮擋、目標誤檢及目標丟失等情況。

本文提出了一種基于改進蟻群算法的行人運動特征跟蹤提取方法，計算運動特征數(shù)據(jù)關(guān)聯(lián)矩陣，確定正確的行人觀測數(shù)據(jù)，針對多目標行人運動特征跟蹤的數(shù)據(jù)關(guān)聯(lián)問題，改進蟻群算法，提高行人運動特征跟蹤提取的精度，為行人安全提供更有效的保障。

1 行人運動特征跟蹤提取方法研究

1.1 行人運動目標檢測

以道路監(jiān)控視頻作為研究對象，提取視頻圖像序列中的目標區(qū)域，檢測行人運動目標，以此提升行人運動特征提取精度[3]。

首先，構(gòu)建視頻圖像背景模型。設(shè)置行人運動視頻圖像序列為n幀，在圖像相同位置(x,y)處采集灰度值，構(gòu)成灰度值序列為{Pi(x,y),i=1,2,…，n}。 對應(yīng)于該位置的圖像背景模型，由n幀灰度值序列的中間值表示，其表達式為

B(x,y)=Median(Pi(x,y))

(1)

式(1)中，B(x,y)表示圖像背景像素點(x,y)的灰度值，Median(·)表示中間值提取函數(shù)。

然后，檢測行人運動目標，其原理為對視頻圖像幀進行差分運算，結(jié)果為前景圖像(不含背景)。差分運算公式為

dc(x,y)=|fc(x,y)-B(x,y)|

(2)

式(2)中，dc(x,y)表示前景圖像，fc(x,y)表示當前視頻圖像幀。

最后，對公式(2)結(jié)果dc(x,y)進行二值化分割處理，獲取行人運動目標。選取適當?shù)姆指铋撝礣，則處理結(jié)果為

(3)

通過上述過程即可獲得行人運動目標的檢測結(jié)果，如圖1所示。

圖1 行人運動目標檢測結(jié)果示例

1.2 行人運動特征提取

行人運動特征提取是目標跟蹤的核心環(huán)節(jié)，包含靜態(tài)特征與動態(tài)特征，分別對應(yīng)的是行人輪廓特征與肢體關(guān)節(jié)角度特征，具體提取過程如下：

行人輪廓特征具備唯一性與整體性，能夠在整體上描述行人的運動狀態(tài)，表征特定的行人身份。視頻圖像中，行人輪廓線是二維的，因此，此研究利用7個Hu不變矩表示行人輪廓特征[4]。不變矩具備尺度、平移、旋轉(zhuǎn)等不變性，計算公式逐漸復(fù)雜，其表達式為

(4)

式(4)中，φ1、φ2、φ3、φ4、φ5、φ6與φ7表示7個不變矩，ηpq表示視頻圖像(p+q)階的中心距。

在視頻圖像中，行人的肢體形狀會隨著時間發(fā)生變化[5]。

行人運動時關(guān)節(jié)點的角度能夠表征行人特有的行走姿態(tài)，故選取肢體關(guān)節(jié)角度特征作為行人運動特征之一，表征行人運動的動態(tài)信息[6]。設(shè)行人直立時兩腳站立位置為水平基線，行人身高記為H，基于生物解剖學(xué)原理對人類肢體比例關(guān)系進行確定(圖2)。

圖2 人類肢體比例關(guān)系示意

如圖2所示，依據(jù)肢體比例關(guān)系，結(jié)合人體行走運動的幾何特征，定位12個肢體關(guān)節(jié)點位置，分別為踝關(guān)節(jié)(左/右)、膝關(guān)節(jié)(左/右)、髖關(guān)節(jié)、腕關(guān)節(jié)(左/右)、肘關(guān)節(jié)(左/右)、肩關(guān)節(jié)(左/右)與頸關(guān)節(jié)[7]。對肢體關(guān)節(jié)角度進行統(tǒng)一計算，計算公式為

(5)

式(5)中，θ表示角度；(x1,y1)與(x2,y2)表示任意2個關(guān)節(jié)點的位置坐標。

通過公式(5)計算每個肢體關(guān)節(jié)角度(共9個)，將其進行整合獲得肢體關(guān)節(jié)角度特征矢量為[θ1,θ2,θ3,θ4,θ5,θ6,θ7,θ8,θ9]′[8]。

1.3 多行人運動目標特征數(shù)據(jù)關(guān)聯(lián)

一般情況下，一幅道路監(jiān)控視頻圖像可能包含多個行人運動目標，提取的運動特征也是多個行人運動目標特征，容易出現(xiàn)特征與運動目標之間的偽相關(guān)現(xiàn)象，這給行人運動特征的跟蹤和提取帶來了很大的困難[9]。為了解決上述問題，引入了改進的蟻群算法解決多人運動目標特征數(shù)據(jù)關(guān)聯(lián)問題。

基于改進蟻群算法的原理，假設(shè)行人運動目標在某一時刻最多生成一組特征數(shù)據(jù)。同時，一組特征數(shù)據(jù)最多只能與一個運動對象相關(guān)聯(lián)。當行人運動目標進入觀察區(qū)域時，蟻群算法開始執(zhí)行第一個循環(huán)，通過搜索和迭代找到最短路徑，直到行人運動目標離開觀察區(qū)域[10]。

通過上述描述確定多行人運動目標特征數(shù)據(jù)關(guān)聯(lián)步驟如下：

步驟1：當獲得行人運動特征數(shù)據(jù)后，將k只螞蟻放置在行人運動軌跡上，軌跡數(shù)量記為M，同時開啟軌跡-運動特征關(guān)聯(lián)對；

步驟2：螞蟻r以轉(zhuǎn)移概率p對行人運動特征進行選擇。與此同時，設(shè)置禁忌表tabuk與臨時池temppool(k)， 采用tabuk記錄螞蟻k已經(jīng)選好的軌跡-運動特征關(guān)聯(lián)對， 應(yīng)用temppool(k)保存螞蟻k選好的概率值[11]。其中，轉(zhuǎn)移概率計算公式為

(6)

式(6)中，α表示信息素量τij的權(quán)重參數(shù)；β表示能見度參數(shù)ηij的權(quán)重參數(shù)，由1/dij計算獲得，其中，dij表示多個行人中某一個軌跡-運動特征關(guān)聯(lián)對(i,j)的距離。

步驟3：在路徑尋優(yōu)過程中，種群螞蟻會實時留下信息素量τij，為了防止某條路徑(關(guān)聯(lián)對(i,j))信息素量極速增加，導(dǎo)致算法陷入局部最優(yōu)情況，設(shè)置初始最大和最小信息素量分別為τmax，τmin，τij取值范圍為[τmin,τmax]；

步驟4：在選擇路徑過程中[12]，基于局部更新規(guī)則對信息素量進行更新。路徑選擇結(jié)束后[13]，信息素量更新規(guī)則改為全局更新規(guī)則。全局更新規(guī)則表達式為

(7)

式(7)中，ρ表示信息素量更新系數(shù)，(1-ρ)表示信息素量殘留系數(shù)，Δτij表示根據(jù)σ-1只優(yōu)秀螞蟻路徑長短排序信息對(i,j)路徑信息素量進行更新，其計算公式為

(8)

步驟5：當確定關(guān)聯(lián)矩陣后，對全部軌跡-運動特征關(guān)聯(lián)對信息進行記錄，獲得正確的多行人運動目標特征數(shù)據(jù)關(guān)聯(lián)結(jié)果。

1.4 行人運動目標跟蹤

根據(jù)上述獲得的多行人運行目標特征數(shù)據(jù)關(guān)聯(lián)結(jié)果，選取Mean Shift算法跟蹤行人運動目標，并依據(jù)1.2節(jié)，提取運動特征，最終完成行人運動特征的跟蹤提取[15]。

行人運動目標跟蹤主要通過每幀圖像目標模型的相似度實現(xiàn)，其由Bhattacharyya函數(shù)計算所得。首先，將目標模型記為p，將候選模型記為q，以其之間距離作為相似度的判斷依據(jù)，距離計算公式為

(9)

式(9)中，d(y)表示目標模型與候選模型之間的距離，ρ(y)表示目標模型與候選模型采樣點的Bhattacharyya系數(shù)估計數(shù)值，取值范圍為[0，1]。

為了簡化Bhattacharyya系數(shù)的估計過程[16]，采用單位向量之間的夾角余弦值表示Bhattacharyya系數(shù)，估算公式為

(10)

由公式(10)可以看出，2個單位向量夾角余弦值越小，表明ρ(y)越大，距離d(y)越小，p與q相似度越高，兩者為同一行人運動目標的可能性越大。

行人運動目標跟蹤完成后，需要在不同幀圖像中準確定位行人運動目標的位置，以便有效地提取行人運動特征。行人運動目標定位的原理：以當前幀圖像中目標的中心為起始位置y0，在其鄰域內(nèi)搜索目標，搜索停止條件是Bhattacharyya系數(shù)達到最大，此時可以得到行人運動目標的最佳位置[17]。

由上述分析可知，要想對行人運動目標位置定位，首先獲得當前幀y0處候選模型的運動特征分布概率，記為pu(y)， 再對公式(10)進行Taylor展開，以此為基礎(chǔ)，結(jié)合以y0為中心的均值漂移向量mh,G(y0)， 通過遞歸迭代得到行人運動目標的位置，其表達式為

(11)

式(11)中，wi表示權(quán)值，h表示搜索步長。

在行人運動目標位置定位后，提取行人運動特征，實現(xiàn)了行人運動特征的跟蹤提取，為路上行人安全提供更加有效的保證。

2 實例分析與結(jié)果分析

2.1 實例分析準備

在道路監(jiān)控視頻中隨機截選一段視頻作為實例分析對象，對行人運動特征進行跟蹤提取。在每次實例分析過程中，采用VC++6.0平臺，圖像尺寸為320×240(pixels)，頻率為每秒15幀。

實例分析對象——視頻圖像序列共為120幀，如圖3所示。

圖3 實例分析對象示例

2.2 實例分析結(jié)果分析

以上述選取的實例分析對象為基礎(chǔ)，構(gòu)建行人運動目標狀態(tài)方程，表達式為

xi,t=Ai,t-1xi,t-1+Γωt

(12)

式(12)中，Ai,t-1表示行人運動目標狀態(tài)轉(zhuǎn)移矩陣，xi,t-1表示行人運動目標i在t-1時刻的狀態(tài)，Γ表示過程噪聲矩陣；ωt表示系統(tǒng)噪聲。

公式(12)中，參數(shù)Ai,t-1與Γ計算公式為

(13)

式(13)中，T表示采樣間隔，設(shè)置為1。

則行人運動目標觀測方程表達式為

yi,t=Hi,txi,t+vt

(14)

式(14)中，Hi,t表示行人運動目標量測矩陣，vt表示量測噪聲。

為了加快改進蟻群算法的收斂速度(如果蟻群種群數(shù)量過大，搜索時間會隨之增加；蟻群種群數(shù)量過小，則無法獲得最優(yōu)路徑)，設(shè)定蟻群種群數(shù)量為k=30。在實例分析過程中，對實例分析對象進行10次采樣，采用改進蟻群算法關(guān)聯(lián)xi,t與yi,t獲取的行人運動特征數(shù)據(jù)，其關(guān)聯(lián)過程如1.3節(jié)所示，不對其進行再次的贅述，記錄行人運動特征關(guān)聯(lián)執(zhí)行時間，見表1。

表1 行人運動特征關(guān)聯(lián)執(zhí)行時間表

如表1數(shù)據(jù)顯示，應(yīng)用提出方法后，行人運動特征關(guān)聯(lián)執(zhí)行時間范圍為0.78～2.00 min，證明改進蟻群算法收斂速度較快，滿足行人運動特征跟蹤提取需求。

對獲得的軌跡-運動特征關(guān)聯(lián)對正確率進行判定，判定規(guī)則為

(15)

式(15)中，Qi(i,j)表示軌跡-運動特征關(guān)聯(lián)對轉(zhuǎn)換數(shù)值,ζ表示關(guān)聯(lián)對正確率判定閾值。

依據(jù)公式(15)對軌跡-運動特征關(guān)聯(lián)對正確率進行判定，判定結(jié)果如圖4所示。

圖4 關(guān)聯(lián)對正確率判定結(jié)果示意

圖4中，虛線表示的是行人運動特征關(guān)聯(lián)對正確率的最低標準。應(yīng)用提出方法后，關(guān)聯(lián)對正確率范圍為60%～96%，均大于最低標準限值，表明提出方法具備可行性與有效性。

3 結(jié) 論

應(yīng)用改進蟻群算法對行人運動特征進行關(guān)聯(lián)，以此降低行人運動特征的關(guān)聯(lián)時間，提升關(guān)聯(lián)對的正確率，獲得更加精準的行人運動特征跟蹤提取結(jié)果，為行人安全提供保障，也為交通指揮提供精準的數(shù)據(jù)支撐。