基于视频监控的运动目标跟踪算法
- 格式：pdf
- 大小：1.04 MB
- 文档页数：8
第36卷第12期
2010年12月北京工业大学学报
JOURNALOFBEIJINGUNIVERSITYOFTECHNOLOGYVo.l36No.12
Dec.2010
基于视频监控的运动目标跟踪算法
胡宏宇1,2,王殿海1,3,李志慧1,杨希锐1,4,王庆年2
(1吉林大学交通学院,长春130022;2吉林大学汽车工程学院,长春130022;
3浙江大学建筑工程学院,杭州310058;4解放军汽车管理学院,安徽蚌埠233011)
摘要:利用Kalman滤波思想对运动目标的前时刻状态信息进行预测,获取重心位置与形态紧密度估计值;将
估计值与当前时刻观测值进行匹配,根据匹配误差修正运动目标的速度与紧密度变化值,通过递归算法实现常
态下运动目标的准确、快速跟踪.针对复杂场景下由于运动遮挡造成无法准确估计目标运动轨迹,采用灰色模
型GM(1,1)保证了跟踪过程的连续、稳定.最后,通过不同交通场景的视频序列对本文算法进行了验证,结果表
明本文方法具有较好的适应性、鲁棒性,可实现复杂遮挡情况下连续、稳定、实时的目标运动跟踪.
关键词:智能交通;视频监控;运动跟踪;特征匹配;Kalman滤波;灰色模型
中图分类号:TP391;U121文献标志码:A文章编号:0254-0037(2010)12-1683-08
收稿日期:20081103.
基金项目:国家863 计划项目资助(2009AA11Z210),国家自然科学基金青年科学基金项目(50808092),吉林省科技发
展计划项目(20080432).作者简介:胡宏宇(1982!),男,长春人,讲师.交通流中运动物体的运动行为是研究交通流特性与交通流管制的基础.视频监控技术为研究混合交
通运动物体的运动特性与交通行为提供了有力工具,运动目标跟踪技术是其重要组成部分.而目标的特
征匹配与遮挡处理决定了目标跟踪的性能.
目前,运动目标跟踪算法是国内外研究的热点与重点内容之一.Koller[1]利用3D模型跟踪运动车辆,
但该方法依赖物体三维几何模型,计算复杂度较高,难以满足实时要求;Coifman[2]提取车辆的角点,根据
运动约束对物体进行跟踪,但是角点易受光照强度的变化及噪声等因素的干扰;Paragios[3]采用自动更新
的封闭主动轮廓曲线实现车辆的跟踪,但轮廓曲线初始化较为复杂且容易受到运动状态变化的影响;
Kato[4]利用马尔科夫随机场模型提出了运动目标跟踪算法,而模型参数难以确定是其面临的主要问题;
Rad[5]利用重心、速度对物体进行跟踪,但该方法仅考虑了物体的运动特性,匹配精度难以保证.另外,文
献[69]对运动目标跟踪算法进行了一定研究,但跟踪过程中遮挡处理的局限性和实验场景的单一性限
制了其应用的普适性.由于物体运动状态、周围环境的复杂多变以及可能发生的运动遮挡对跟踪造成严
重影响,因此建立复杂交通场景下连续、快速、稳定的运动目标跟踪算法尤为重要.
作者结合运动物体的运动特征与形态特征,基于Kalman滤波(KF)思想实现跟踪目标的运动特征与
形态特征的快速匹配.针对跟踪过程中可能发生的运动遮挡现象,提出了基于灰色预测模型的遮挡处理
方法,保证了跟踪算法的连续、稳定,同时对于运动目标进出检测区域边界时特征匹配的不稳定性给出了
解决办法.跟踪实验表明,本文方法具有实时性好、鲁棒性强的特点,可实现复杂环境下的运动目标跟踪.
1运动检测
运动目标的检测与分割是实现运动跟踪的前提.本文采用文献[10]中基于聚类识别的背景初始化方
法获取背景.该方法首先利用滑动可变窗口检测每个像素的时间训练序列所有不重叠平滑子序列,获取
可能背景;然后选择每个平滑子序列的中值样本点构建分类序列集,根据未知类别的无监督聚类识别思
想,获取背景子集实现背景初始化.该方法具有良好的鲁棒性,可满足车流较大条件下背景初始化的要北京工业大学学报2010年
求.利用当前图像与背景图像相减,提取出前景图像,采用种子填充算法[11]实现前景运动目标的分割.由
于与车辆具有相同的运动特性,车辆的阴影与车体本身往往同时作为前景被提取出来.运动阴影会直接
导致车辆真实形状、轮廓信息的缺失,容易影响跟踪过程中匹配的稳定性.因此,作者利用文献[12]中基
于RGB颜色变化度的自适应对象级方法实现阴影检测.按照假设检验的思想,根据不同运动物体的特
点,利用其阴影变化度,将阴影区域表达为混合高斯分布过程.该算法可以克服颜色特性阴影检测方法中
固定阈值的缺陷,并根据当前目标的特点自适应地进行阴影检测.图1是运动目标检测与分割的效果图.
图1运动目标检测及分割效果
Fig.1Movingtargetsdetectionandsegmentation
2目标匹配
21特征表达
令M∀N为分割后的二值图像,任意1个前景目标R中像素点的f(i,j)均为1,则R第(p,q)阶矩可以
表示为[13]
m
pq=#M
i,j∃R#N
ipjq(1)
R的重心C坐标(x
c,y
c)可定义为
x
c=m
10
m
00=#n
1x
in,y
c=m
01
m
00=#n
1y
in(2)
式中,m
00表示R的点数,m
10,m
01表示中心矩;n为R内像素点个数.为简化问题起见,采用运动目标的重
心点表征目标整体以实现图像坐标系运动跟踪.同时,为了提高目标匹配的精确性,利用目标的面积、周
长构成紧密度特征,对其形状特性加以约束.R的紧密度定义为
S=A
L2(3)
式中,A为R的面积,即R内像素点个数n;L为R的周长,即R区域的边界点.利用运动目标的重心C、速
度V、紧密度S及紧密度变化值 S对物体的状态进行描述,目标k时刻的状态特征向量X
k可表达为
X
k=(C
k,V
k,S
k, S
k)(4)
22参数初始化
运动跟踪过程的稳定性直接依赖于运动参数的初始化,因此,各参数初始值的选取质量具有重要的作
用.分割目标的重心、紧密度,可以通过计算直接得到,而速度、紧密度变化值则需要初始定义.通常情况
下,物体会以一定范围的速度在跟踪区域内运行,其加速度的有限性决定了物体在相邻2个观测时刻内运
动位置的变化范围.因此,在物体稳定出现于检测区域内后,可以利用前2个观测时刻的重心位置确定运
动目标的速度,即1684第12期胡宏宇,等:基于视频监控的运动目标跟踪算法
V
x,0=x
c,1-x
c,0
V
y,0=y
c,1-y
c,0(5)
其中,V
x,0,V
y,0分别为x,y方向的初始速度,物体的前2个观测时刻坐标分别为C
0=(x
c,0,y
c,0),C
1=(x
c,1,
y
c,1).同时,由于运动的相对稳定性,连续2个观测时刻内物体的紧密度不会发生较大的改变,因此初始
紧密度变化值可以假定为
S
0=0(6)
23状态估计
实现连续视频图像序列内目标的运动跟踪,使得连续观测时间内的目标状态特征连续匹配.对于当
前观测时刻中的每个分割前景目标要与被跟踪目标(已标记)进行匹配,可以利用当前目标的状态特征观
测值与所有受跟踪目标的前一个观测时刻状态特征的估计值按照匹配最小距离准则选择最佳匹配,找到
使匹配距离最小的目标即为被跟踪的目标.受跟踪目标的前一个观测时刻特征估计值可以利用前一个观
测时刻状态的预测得到.通过状态预测可以缩小目标的匹配搜索范围,一定程度提高了处理速度.受跟
踪目标状态估计方程为
xL
c,t=xL
c,t-1+VL
x,t-1∀t+(7)
yL
c,t=yL
c,t-1+VL
y,t-1∀t+(8)
SL
t=SL
t-1+ SL
t-1+ (9)
式中,t为相邻观测时间间隔;xL
c,t、yL
c,t为第L个已跟踪目标第t时刻重心坐标估计值;xL
c,t-1、yL
c,t-1为第L
个已跟踪目标第t-1时刻重心坐标;VL
x,t-1、VL
y,t-1为t-1时刻匹配建立后对下一时刻的x、y方向预测速
度;SL
t为已跟踪目标第t时刻的紧密度估计值;SL
t-1为已跟踪目标第t-1时刻的紧密度; SL
t-1为第t-1
观测时刻对下一时刻预测的紧密度变化值;, 为估计误差.
24特征匹配与更新
为增强目标区域跟踪过程中的匹配精度,作者采用了物体的运动特征与形态特征相结合的匹配策略.
即针对当前观测时刻目标区域与受跟踪的每个目标的前一个观测时刻特征估计,将重心位置、紧密度状态
特征分量分别匹配.按照最小距离匹配原则,得出t-1时刻的已跟踪目标的状态特征分量估计值与t时
刻的所有分割未匹配的前景目标的状态特征值的匹配程度,如果计算得到的某特征分量匹配程度最小,且
小于某一设定阈值,则表明t-1时刻的标记目标的对应特征匹配成功.当2个特征均匹配成功时,则认为
该目标被正确跟踪;否则,有可能是发生遮挡所导致,需进行遮挡处理分析.
对于匹配成功的目标,计算估计值与观测值的匹配误差,在t时刻对目标t+1时刻的速度Vi
x,t,Vi
y,t,以
及紧密度变化 St
L进行更新
VL
x,t=!Vi
x,t+(1-!)(Vi
x,t-VL
x,t-1)(10)
VL
y,t=!Vi
y,t+(1-!)(Vi
y,t-VL
y,t-1)(11)
SL
t=∀ SL
t-1+(1-∀)(Si
t-SL
t-1)(12)
式中,Vi
x,t、Vi
y,t为当前观测时刻与第L个已跟踪目标匹配成功的物体的x、y方向速度值;Si
t为当前观测时
刻与第L个已跟踪目标匹配成功的物体的紧密度;!、∀分别为0~1的常数.通过参数更新,算法可以在
接下来的连续帧中自回归地执行下去,利用迭代实现对运动目标的跟踪.图2是采用作者提出的基于KF
模型思想的跟踪算法获取的车辆运动轨迹.
3遮挡处理
在复杂的交通环境下,物体在运动过程中可能会发生遮挡现象,会降低特征匹配的精确性甚至导致匹配失败.因此,有必要对遮挡情况下的跟踪进行特殊处理以提高算法的鲁棒性.1685
