范嘉豪++肖彦君

摘 要：在复杂行车环境下，如果视频中只有目标和背景时，C-V模型可以取得很好的分割效果，然而需要从复杂背景中提取目标信息时，该模型往往无法得到正确的结果。针对这一问题，C-V模型与均值平移算法能很好的解决。并且该文结合图形处理算法，根据车辆轮胎的数目，得出车辆相应的情况。

关键词：目标跟踪 视频 复杂行车环境

中图分类号：TP391.41 文献标识码：A 文章编号：1674-098X（2014）06（c）-0047-02

Abstract：In complex traffic environment，if only the target and the background in video，the C-V model can obtain good segmentation results.Howeverwhen we need to extract target information from complex background，the model is often unable to get the correct results.To solve this problem，the C-V model and Mean-Shift technique can well solve.And combining with the image processing algorithm，according to the number of vehicle tires，we can get the corresponding information of cars.

Key Words：target tracking video complex traffic environment

视频中的多运动目标检测和跟踪是近年来比较热门的研究方向之一，它是一种把图像处理、数据关联和滤波等技术有机结合起来，从图像序列中实时地检测出目标并自动进行跟踪的技术。它在工业、交通、医学、军事、航空航天等领域均具有重要作用[1]。

对在复杂场景下对多目标的动态跟踪的研究不仅在国防，民生，社会发展都具有巨大的经济利益，其背后的科学价值也是不可估量的。

其实，本项目不仅具有巨大的潜在经济效益，研究成果的社会效益也十分显著。视觉跟踪技术也具有广阔的应用前景，例如机器人技术、智能武器系统、虚拟现实技术等。近几十年来，在计算机技术和数学理论方面取得了巨大的进步，使计算机视觉领域在发展过程中可以很好的利用这些工具处理视觉跟踪问题。视觉跟踪技术所具有的强大的生命力必将使得该技术在不远的将来得到充分的发展，并对人们未来的生活产生深远的影响。

所以，有关于复杂行车环境下的目标跟踪、安全的研究对国家发展、社会和谐、家庭和睦都具有重大的社会效益。

1 研究目的

针对传统Mean Shift跟踪窗口固定不变，在目标尺寸不断变化的目标跟踪场景中算法效果不佳的问题，提出一种基于Mean Shift和C-V模型的目标跟踪算法，通过利用改进的C-V方法得到的目标的形状信息，修正Mean Shift跟踪窗口的大小和位置，在跟踪过程中，综合利用目标的形状信息，克服传统Mean Shift颜色直方图对目标特征描述较弱的缺点，提高了跟踪精度。同时为了达到实时性要求，对传统C-V方法的初始化水平集函数表达方法进行改进，确保有效降低算法复杂度和迭代次数。在保证实时性的同时期望车辆跟踪精度和多目标的跟踪[2]。

现在的跟踪算法是针对单目标来解决实际问题的，Mean Shift也有许多不足：

①搜索窗的核函数带宽保持不变；

②缺乏必要的模板更新算法；

③目标的运动不能过快。在此我们考虑更加全面，例如在交叉，遮挡，尺度变化，多目标情况下，使得无人车辆在行驶途中考虑更加周全，尽可能实现人眼跟踪。

2 C-V模型

在图像分割技术中，活动轮廓模型是进行边缘提取的一种重要手段，在活动轮廓模型的发展历程中，Chan等在Mumford-Shah模型基础上提出的C-V模型，首次把区域信息用作驱动活动轮廓演化的外力，对活动轮廓模型的发展起到了重要的推动作用，并得到广泛应用然而，它也有不足之处，当图像中目标所处背景比较复杂时，C-V模型常常无法得到正确的结果。Chen等将测地线活动轮廓模型中的边缘吸引因子引入到C-V模型中，提出了辅以C-V方法的测地线活动轮廓模型，在一定程度上提高了C-V模型适应复杂背景的能力。

实际上，C-V模型的目的就是要寻找一个分界线光滑的二值函数来最佳地拟合图像I的灰度特征空间，而这个二值函数的分界线即是图像分割区域的边界。

3 Mean-Shift算法

Mean Shift这个概念最早是由Fukunaga等人[3]于1975年在一篇关于概率密度梯度函数的估计中提出来的，其最初含义正如其名，就是偏移的均值向量，在这里Mean Shift是一个名词，它指代的是一个向量，但随着Mean Shift理论的发展，Mean Shift的含义也发生了变化，如果我们说Mean Shift算法，一般是指一个迭代的步骤，即先算出当前点的偏移均值，移动该点到其偏移均值，然后以此为新的起始点，继续移动，直到满足一定的条件结束。

然而在以后的很长一段时间内Mean Shift并没有引起人们的注意，直到20年以后，也就是1995年，另外一篇关于Mean Shift的重要文献[4]才发表。在这篇重要的文献中，Yizong Cheng对基本的Mean Shift算法在以下两个方面做了推广，首先Yizong Cheng定义了一族核函数，使得随着样本与被偏移点的距离不同，其偏移量对均值偏移向量的贡献也不同，其次Yizong Cheng还设定了一个权重系数，使得不同的样本点重要性不一样，这大大扩大了Mean Shift的适用范围。另外Yizong Cheng指出了Mean Shift可能应用的领域，并给出了具体的例子。Comaniciu等人[5][6]把Mean Shift成功的运用的特征空间的分析，在图像平滑和图像分割中Mean Shift都得到了很好的应用。Comaniciu等在文章中证明了，Mean Shift算法在满足一定条件下，一定可以收敛到最近的一个概率密度函数的稳态点，因此Mean Shift算法可以用来检测概率密度函数中存在的模态。Comaniciu等人[7]还把非刚体的跟踪问题近似为一个Mean Shift最优化问题，使得跟踪可以实时的进行。endprint

4 创新性及解决方案

在C-V模型和均值平移技术的基础上提出了适应复杂背景的C-V模型以处理以下问题：

（1）复杂行车环境下锁定目标在移动过程中的尺度变化，遭受遮挡，多目标锁定以及多目标交叉重叠的问题。

（2）结合基于匹配有特征匹配和贝叶斯跟踪、核方法及其他方法的优点，使算法更加完善。

首先，我们创建了一个动态链表，用于动态保存出现在视频中的车辆。

接着，我们用C-V模型可以分割出复杂行车环境下的车辆，进而可以分割得到车辆的局部信息，我们根据单个车辆轮胎的个数判断车辆处于以下哪种状态：

（1）在车辆前方；

（2）即将消失；

（3）即将完整出现在车辆视频监控里。

针对第一种情况，我们采用一直跟踪的办法；若检测到车辆的轮胎数不是为3，那么将有情况2和3。根据Mean-Shift算法得到的跟踪窗口，若窗口面积不断减少，并且离焦点的距离越来越近，则表明该车辆处于情况2；若窗口面积逐渐变大，则表示车辆将要进入监控实现，处于情况3。当车辆处于情况2开始，一直到车辆消失之后2 min，我们将该车辆的状态挂起。其挂起的含义是指需要特别注意的。因为该消失可能是因为遮挡，交叉重叠引起的，需要特别注意，并且根据车辆消失前的运动速度估计车辆的位置。直到2 min以后或者我们的车的速度降为30 km/s时，即确保消除车辆信息后行车安全时，将挂起的车辆信息删除。根据实际情况，在红绿灯下最长不可能等待超过2 min，并且若是因为遮挡而消失超过2 min，说明目标车辆与本车辆的相对行驶速度几乎为0，是处于安全的状态。

5 实验结果

为评价车辆跟踪算法的性能，用传统的Mean-Shift算法和文中算法针对城市道路上的前方车辆进行了跟踪测试。

从图1（a）可以看出，传统的Mean-Shift和C-V结合的算法不能针对复杂的行车环境下锁定目标在移动过程中的尺度变化，遭受遮挡，多目标锁定以及多目标交叉重叠的问题。而文中算法根据车辆处于不同的状态，在整个跟踪过程中，窗口都锁定了视频中出现的所有有“威胁”的车辆，跟踪精度明显优于传统算法。（如图1）

6 结语

针对传统Mean-Shift与C-V模型结合的算法，在目标数量不断变化的问题，该文提出了一种根据车辆轮胎数量，以此来判断跟踪车辆处于哪种状态。虽然在该文中体现不出状态的优势，但是在之后的复杂行车环境下无人车辆行驶判断中能有很大的用处，在那种情况下就需要很精准的判断无人车辆周围出现的“危机”。该文算法不仅能够在复杂行车环境下跟踪多个目标，还能确定目标车辆所处的状态。该文算法针对以往算法中不能处理多目标的问题，结合基于匹配有特征匹配和贝叶斯跟踪、核方法及其他方法的优点，使算法更加完善。进一步解决了复杂行车环境下锁定目标在移动过程中的尺度变化，遭受遮挡，多目标锁定以及多目标交叉重叠的问题。

参考文献

[1] 王芳.视频图像中运动目标检测与跟踪的算法研究[D].中国海洋大学，2011.

[2] 解文华，肖进胜，易本顺，等.一种基于MeanShift和C-V模型的车辆跟踪算法[J].湖南大学学报（自然科学版），2012（7）.

[3] The Estimation of the Gradient of a Density Function，with Applications in Pattern Recognition[J].IEEE Information Theory society，1975（1）.

[4] Mean shift，mode seeking，and clustering，1995.

[5] Mean Shift：a robust approach toward feature space anal ysis，2002.

[6] Real-time tracking of non-rigid objects using mean shift，2000.

[7] Mean-shift Blob Tracking through Scale Space，2003.endprint

4 创新性及解决方案

在C-V模型和均值平移技术的基础上提出了适应复杂背景的C-V模型以处理以下问题：

（1）复杂行车环境下锁定目标在移动过程中的尺度变化，遭受遮挡，多目标锁定以及多目标交叉重叠的问题。

（2）结合基于匹配有特征匹配和贝叶斯跟踪、核方法及其他方法的优点，使算法更加完善。

首先，我们创建了一个动态链表，用于动态保存出现在视频中的车辆。

接着，我们用C-V模型可以分割出复杂行车环境下的车辆，进而可以分割得到车辆的局部信息，我们根据单个车辆轮胎的个数判断车辆处于以下哪种状态：

（1）在车辆前方；

（2）即将消失；

（3）即将完整出现在车辆视频监控里。

针对第一种情况，我们采用一直跟踪的办法；若检测到车辆的轮胎数不是为3，那么将有情况2和3。根据Mean-Shift算法得到的跟踪窗口，若窗口面积不断减少，并且离焦点的距离越来越近，则表明该车辆处于情况2；若窗口面积逐渐变大，则表示车辆将要进入监控实现，处于情况3。当车辆处于情况2开始，一直到车辆消失之后2 min，我们将该车辆的状态挂起。其挂起的含义是指需要特别注意的。因为该消失可能是因为遮挡，交叉重叠引起的，需要特别注意，并且根据车辆消失前的运动速度估计车辆的位置。直到2 min以后或者我们的车的速度降为30 km/s时，即确保消除车辆信息后行车安全时，将挂起的车辆信息删除。根据实际情况，在红绿灯下最长不可能等待超过2 min，并且若是因为遮挡而消失超过2 min，说明目标车辆与本车辆的相对行驶速度几乎为0，是处于安全的状态。

5 实验结果

为评价车辆跟踪算法的性能，用传统的Mean-Shift算法和文中算法针对城市道路上的前方车辆进行了跟踪测试。

从图1（a）可以看出，传统的Mean-Shift和C-V结合的算法不能针对复杂的行车环境下锁定目标在移动过程中的尺度变化，遭受遮挡，多目标锁定以及多目标交叉重叠的问题。而文中算法根据车辆处于不同的状态，在整个跟踪过程中，窗口都锁定了视频中出现的所有有“威胁”的车辆，跟踪精度明显优于传统算法。（如图1）

6 结语

针对传统Mean-Shift与C-V模型结合的算法，在目标数量不断变化的问题，该文提出了一种根据车辆轮胎数量，以此来判断跟踪车辆处于哪种状态。虽然在该文中体现不出状态的优势，但是在之后的复杂行车环境下无人车辆行驶判断中能有很大的用处，在那种情况下就需要很精准的判断无人车辆周围出现的“危机”。该文算法不仅能够在复杂行车环境下跟踪多个目标，还能确定目标车辆所处的状态。该文算法针对以往算法中不能处理多目标的问题，结合基于匹配有特征匹配和贝叶斯跟踪、核方法及其他方法的优点，使算法更加完善。进一步解决了复杂行车环境下锁定目标在移动过程中的尺度变化，遭受遮挡，多目标锁定以及多目标交叉重叠的问题。

参考文献

[1] 王芳.视频图像中运动目标检测与跟踪的算法研究[D].中国海洋大学，2011.

[2] 解文华，肖进胜，易本顺，等.一种基于MeanShift和C-V模型的车辆跟踪算法[J].湖南大学学报（自然科学版），2012（7）.

[3] The Estimation of the Gradient of a Density Function，with Applications in Pattern Recognition[J].IEEE Information Theory society，1975（1）.

[4] Mean shift，mode seeking，and clustering，1995.

[5] Mean Shift：a robust approach toward feature space anal ysis，2002.

[6] Real-time tracking of non-rigid objects using mean shift，2000.

[7] Mean-shift Blob Tracking through Scale Space，2003.endprint

4 创新性及解决方案

在C-V模型和均值平移技术的基础上提出了适应复杂背景的C-V模型以处理以下问题：

（1）复杂行车环境下锁定目标在移动过程中的尺度变化，遭受遮挡，多目标锁定以及多目标交叉重叠的问题。

（2）结合基于匹配有特征匹配和贝叶斯跟踪、核方法及其他方法的优点，使算法更加完善。

首先，我们创建了一个动态链表，用于动态保存出现在视频中的车辆。

接着，我们用C-V模型可以分割出复杂行车环境下的车辆，进而可以分割得到车辆的局部信息，我们根据单个车辆轮胎的个数判断车辆处于以下哪种状态：

（1）在车辆前方；

（2）即将消失；

（3）即将完整出现在车辆视频监控里。

针对第一种情况，我们采用一直跟踪的办法；若检测到车辆的轮胎数不是为3，那么将有情况2和3。根据Mean-Shift算法得到的跟踪窗口，若窗口面积不断减少，并且离焦点的距离越来越近，则表明该车辆处于情况2；若窗口面积逐渐变大，则表示车辆将要进入监控实现，处于情况3。当车辆处于情况2开始，一直到车辆消失之后2 min，我们将该车辆的状态挂起。其挂起的含义是指需要特别注意的。因为该消失可能是因为遮挡，交叉重叠引起的，需要特别注意，并且根据车辆消失前的运动速度估计车辆的位置。直到2 min以后或者我们的车的速度降为30 km/s时，即确保消除车辆信息后行车安全时，将挂起的车辆信息删除。根据实际情况，在红绿灯下最长不可能等待超过2 min，并且若是因为遮挡而消失超过2 min，说明目标车辆与本车辆的相对行驶速度几乎为0，是处于安全的状态。

5 实验结果

为评价车辆跟踪算法的性能，用传统的Mean-Shift算法和文中算法针对城市道路上的前方车辆进行了跟踪测试。

从图1（a）可以看出，传统的Mean-Shift和C-V结合的算法不能针对复杂的行车环境下锁定目标在移动过程中的尺度变化，遭受遮挡，多目标锁定以及多目标交叉重叠的问题。而文中算法根据车辆处于不同的状态，在整个跟踪过程中，窗口都锁定了视频中出现的所有有“威胁”的车辆，跟踪精度明显优于传统算法。（如图1）

6 结语

针对传统Mean-Shift与C-V模型结合的算法，在目标数量不断变化的问题，该文提出了一种根据车辆轮胎数量，以此来判断跟踪车辆处于哪种状态。虽然在该文中体现不出状态的优势，但是在之后的复杂行车环境下无人车辆行驶判断中能有很大的用处，在那种情况下就需要很精准的判断无人车辆周围出现的“危机”。该文算法不仅能够在复杂行车环境下跟踪多个目标，还能确定目标车辆所处的状态。该文算法针对以往算法中不能处理多目标的问题，结合基于匹配有特征匹配和贝叶斯跟踪、核方法及其他方法的优点，使算法更加完善。进一步解决了复杂行车环境下锁定目标在移动过程中的尺度变化，遭受遮挡，多目标锁定以及多目标交叉重叠的问题。

参考文献

[1] 王芳.视频图像中运动目标检测与跟踪的算法研究[D].中国海洋大学，2011.

[2] 解文华，肖进胜，易本顺，等.一种基于MeanShift和C-V模型的车辆跟踪算法[J].湖南大学学报（自然科学版），2012（7）.

[3] The Estimation of the Gradient of a Density Function，with Applications in Pattern Recognition[J].IEEE Information Theory society，1975（1）.

[4] Mean shift，mode seeking，and clustering，1995.

[5] Mean Shift：a robust approach toward feature space anal ysis，2002.

[6] Real-time tracking of non-rigid objects using mean shift，2000.

[7] Mean-shift Blob Tracking through Scale Space，2003.endprint