优先出版 计 算 机 应 用 研 究 第32卷
--------------------------------
基金项目：国家自然科学基金项目(61271341)；四川省自然科学基金项目(2013JY0136)；
作者简介：何涛(1988-)，男，河南信阳人，硕士研究生，主要研究方向为视频图像处理；张家树(1966-)，男，四川成都人，教授，博导，主要研究方向为非线性与自适应信号处理及应用、非线性动力学密码理论及应用、数字视频图像技术及其应用、生物特征识别与身份认证、智能车辆系统及其关键技术、抗干扰通信与处理技术；华见(1986-)，男，湖北随州人，硕士研究生，主要研究方向为视频图像处理；龚小彪(1986-)，男，湖北随州人，硕士研究生，主要研究方向为视频图像处理．
基于单固定摄像头的多目标跟踪框架
何 涛，张家树，华 见，龚小彪
(西南交通大学 信息科学学院，成都 610031)
摘 要：针对单固定摄像头的视频监控系统对合并遮挡目标跟踪效果不好导致跟踪失败的问题，提出了一个稀疏多目标跟踪框架。
该框架对系统的目标的合并遮挡和跟踪滤波这两个部分作了改进。
系统由运动目标检测、关联矩阵建立、目标交互处理和滤波四部分组成。
首先提取前景区域并建立关联矩阵；然后用关联矩阵判断各目标运动状态并进行相应处理；接着当目标发生交互时，用TLD 算法跟踪，为了提高TLD 的跟踪效率和减少TLD 的初始化异常情况，用双三次插值对目标和跟踪窗口进行同比例缩放；最后，用分数阶卡尔曼滤波对跟踪结果进行滤波。
实验结果证明，该框架有效提高单固定摄像头对目标交互遮挡情况的处理能力。
关键词：视频监控；多目标跟踪；关联矩阵；合并遮挡；TLD ；双三次插值算法；分数阶卡尔曼滤波 中图分类号：TP391.41 文献标志码：A
Multi-target tracking framework for fixed camera
HE Tao, ZHANG Jia-shu, HUA Jian, GONG Xiao-biao
(School of Information Science & Technology Southwest Jiaotong University, Chengdu 610031, China)
Abstract: For the failure of the single fixed camera video surveillance system tracking the merged occlusion targets, this paper presented a sparse multi-target tracking framework. It improved the targets merge occlusion part and tracking filter part of the system by proposed framework. System consists of four parts: moving target detection, building correlation matrix, processing target interaction and filtering. First of all, extracted foreground area and built a correlation matrix. Secondly, determined the status of each target and gave the corresponding treatment with correlation matrix. Then, when target interaction occurred, began to track using TLD. To reduce the computational complexity of TLD and reduce initialize anomalies, it zoomed in and out the target and the tracing window in the same proportion with bi-cubic interpolation. Finally, filtering against tracking results with fractional kalman filter is to improve tracking performance. Experiment results show the framework effectively improves the capabilities of processing target's interaction-occlusion for the single fixed camera.
Key Words: video surveillance; multi-target tracking; correlation matrix; consolidation and occlusion; TLD; bi-cubic interpola-tion; fractional kalman filter
0 引言
随着智能视频监控技术的发展，视频多目标跟踪技术成为该领域的一个研究热点。
同时，多目标跟踪也是视频分析和理解的基础，它已经在安全监控、虚拟现实、人机交互等很多方面得到应用。
但是，多目标跟踪技术还不能广泛应用，还存在很多问题没有解决，主要难点是数据关联问题，分为背景的复杂性（变化、凌乱和不可控）、多目标尺寸变化、目标颜色与背景颜色的相似程度、背景的稳定程度、多目标的交互等几个方面。
多目标跟踪分为两大类:多摄像头[1, 2]和单摄像头[3];其中，单摄像头根据应用场景的不同又有移动和固定之分。
文献[4]
将很多文献的跟踪方法从图像表示、外观模型和运动模型三个方面进行总结，指出模型法既可用于单目标跟踪也可用于多目标跟踪，其中on-line boosting tracking-by-detection 是两类性能非常好的方法，特别是OnlineBoost [5]，SemiBoost [6]， MIL-Track [7]，TLD(Tracking- Learning-Detection) [8, 9]，其中TLD 是2010年Kalal 提出的一种新的单目标长时间在线跟踪算法，利用在线学习机制解决了被跟踪目标在跟踪过程中发生的形变、部分遮挡等问题。
但是这些算法都不能自动初始化目标且只能跟踪单目标。
很多多目标跟踪算法[10, 11]对尺寸较小、图像质量差和遮挡严重的目标跟踪效果差。
文献[12, 13,
14]对街上不断交互遮挡的行人跟踪效果非常好，但是跟踪之
前需要训练目标检测器，只能对特定目标进行检测。
文章预览已结束
获取全文请访问
/article/02-2015-05-064.html。
