(沈阳理工大学 辽宁 沈阳 110159)

智能视频监控系统中运动行人跟踪技术研究

刘钊

(沈阳理工大学 辽宁 沈阳 110159)

运动目标的跟踪算法Camshift是在跟踪问题时会被利用到的方法。不但在部分遮挡的情况下跟踪目标，而且还能达到在原有基础算法上智能的追踪移动的目标，并且提高原算法的适用范围和准确率。

行人跟踪；MeanShift；目标检测

一、引言

针对时间跟踪算法复杂的动态场景虽然有很多算法，但是目前对于跟踪算法中很多算法的应用在复杂的动态场景中时并不是特别理想，很多时候会收到影响，比如会受到光线、天气或杂乱背景等影响，这些算法只能在固定不变的背景或者是在特定的环境下才能够使用。研究人员不得不提高算法的通用性能用来克服一些困难，尤其是大多算法应用在复杂的动态场景中的时候。因此运动目标智能检测跟踪算法仍然是现在研究人员的研究重点。

二、MeanShift原理

MeanShift算法属于直方图方法，它的计算过程是：将图像中所有点的像素值作为统计数据，并将其分为相等的若干区间，然后从(0，0)坐标处开始统计，将所有的像素值分布到各自适合的区间，作出直方图，以待观察。假如图像的像素值由256，256，256个数值组成，则计算维数过大，不适宜使用直方图方法，所以可以采用抽样算法把数值范围减小到16，16，16即可满足直方图计算条件。

(一)目标模型的选取和描述。在MeanShift算法中，通常是用某一个随机变量参数来表示目标区域中的像素点，然后确定一个中心点，这里可以参考核函数的原理。对于离中心点越远的像素值通常对整体特征的影响较小，所有给予较小的权重。给不同区域的像素点不同的权重可以是算法更加准确的描述特征。算法用一个物体的灰度或色彩分布来描述这个物体,假设物体中心位于 ,则该物体可以表示为：

(4-1)

(二)候选模型的描述。跟踪目标的根本原理就是需找不同帧中相同的特征部分，所有对于候选模型的描述应该采取与目标模型完全相同的描述方法。

(4-2)

(三)目标相似性度量

(4-3)

式(4-3)在目标点泰勒展开可得：

(4-4)

化简后得到

(4-5)

即为Meanshift算法的迭代表达式，利用此式就可以在当前帧找到目标最匹配的区域。

(四)经典MeanShift跟踪算法的优缺点。其中对目标区域以及后续候选区域的概率密度采用直方图表示法，此方法简单直接，且易于对比，所以基于此本算法有以下优点：算法计算量小、复杂度低、具有较高的鲁棒性。

但与此同时，算法的使用范围受到了较大的限制，主要原因如下：(1)缺乏更新机制，跟踪全程都采用的是初始帧作为目标模型，对环境和突发状况，如光照变化或者遮挡的处理欠佳，易导致跟踪失败。(2)统计数据单一，虽然算法简单，可以大大提高跟踪的速度，但是对背景的特定要求较高，一旦遇到背景颜色与目标颜色过于接近，算法设定的相似性参数很容易达到阈值范围，对目标的跟踪造成误判，导致跟踪失败。(3)每帧图像之间的关联过大，在任意一次计算过程中，相邻两帧都存在很大的关联性，当前帧搜素的开始位置即为前一帧目标图像的质心。如果遇到跟踪目标突然加速的情况，导致两帧之间没有重叠的部分，甚至出现较大的距离，此时对于当前帧开始的位置如果继续采用前一帧的中心位置，必然会造成较大的误差。(4)跟踪窗口大小固定。

三、基于CamShift的运动行人跟踪算法的改进

本文提出用高斯函数对无遮挡物的运动行人目标区域建立背景模型，通过分析监控视频流的前几帧建立运动行人目标区域的标准模型；在随后的视频流中，利用帧差法检测出运动行人目标区域，分析该区域与标准模型的差异，可以确定有无遮挡物以及遮挡物的位置。发现区域中有遮挡物时，CamShift算法通过将遮挡物区域的H分量置0的方法消除了跟踪偏移问题，从而较为准确地跟踪了运动行人。算法的详细过程如下：

(1)圈定初始目标区域，建立标准模型。在监控视频流的前几帧，使用手动方式圈定运动行人目标区域。根据不同图像序列，对目标区域进行适当的扩展，以方便准确地感知遮挡物的存在。本文中向圈定的目标区域四周扩展了20个像素值。利用高斯模型对前几帧目标区域进行背景建模，得到背景模型的二值化图像。

(2)计算遮挡物区域。利用帧差法获取当前帧的运动行人目标区域，将该区域的大小调整为背景模型的大小，假设该区域二值化图像为cur。同样，已取得的背景模型与每帧图像中检测到的运动行人区域也常常有重叠的部分。因此，将背景模型base与当前帧的目标区域图像cur进行与运算，即base&cur，得到二者的公共部分，再将当前帧减去公共部分，即cur-(base&cur)，得到当前帧目标区域与公共部分有差异的部分，并将此结果重新赋给背景模型base。

对当前帧的目标区域图像cur进行颜色空间转换，提取HSV空间的H分量，并重新赋给cur；利用目标区域H分量灰度图cur和背景模型base再次计算cur-(cur&base)，如果cur-(cur&base)中没有明显目标，则认为目标区域cur中没有出现遮挡物，则CamShift算法不用做任何调整，继续对运动目标进行跟踪。

如果cur-(cur&base)中出现明显目标，则认为目标区域中出现了遮挡物，cur-(cur&base)中的目标区域就是遮挡物的位置。根据遮挡物的位置，将当前帧H分量灰度图中对应位置的值清零，得到当前帧的新的H分量灰度图

四、实验结果及分析

在本小节中，利用运动物体和运动行人遇到遮挡物的视频作为实验对象。本文对原始的CamShift算法进行了改进，利用高斯模型对运动目标区域进行建模得到标准模型，跟踪过程中每一帧图像中运动目标区域对比标准模型可以有效地找到遮挡物的位置，忽略相应位置上的H分量灰度值，从而避免了遮挡物对CamShift算法跟踪的干扰，得到了准确的运动目标位置。将改进的CamShift算法应用于小杯子(运动目标)逐渐接近大杯子(遮挡物)的视频流，

五、结语

重点部分介绍了MeanShift算法和CamShift算法的基本原理。CamShift算法的运行速度快，算法复杂度低，但是当运动目标目标的颜色与监控背景颜色一样或者接近时，跟踪的区域就会出现偏移。文中提出了一种改进的CamShift算法，它能够解决运动行人目标路过遮挡物时，特别是运动行人目标的颜色跟遮挡物的颜色相似时，跟踪出现明显偏移的问题。接着通过两组实验比较分析了原始CamShift算法和改进的CamShift算法的有效性，证实了改进的CamShift算法能够排除遮挡物的干扰，使跟踪效果更好。

[1]宋路.基于模板匹配与线性预测的目标跟踪算法[J].吉林大学学报(信息科学版).2015

刘钊，男，沈阳理工大学信息科学与工程学院，计算机技术专业硕士研究生，研究方向计算机技术。