一種改進(jìn)的LK光流算法應(yīng)用研究

房正華 楊新艷 李 蒙

（青島工學(xué)院信息工程學(xué)院 山東 266300）

0 引言

運動物體實時識別跟蹤技術(shù)的研究一直是電子信息領(lǐng)域的一大熱點，并在各種工程應(yīng)用領(lǐng)域發(fā)揮了及其重要的作用，涉及圖像識別、模式匹配、實時跟蹤算法等多種技術(shù)領(lǐng)域。目前，該技術(shù)在識別精度、跟蹤效率、復(fù)雜環(huán)境適應(yīng)性等多方面都有了長足的進(jìn)步，這也為其在各個領(lǐng)域的行業(yè)應(yīng)用打下了良好的基礎(chǔ)，包括區(qū)域智能監(jiān)控，日常生活中基于身份識別的個性化服務(wù)，視頻圖像處理中的視頻去模糊、視頻去抖等。

1 常見的運動物體識別跟蹤技術(shù)

當(dāng)前的運動物體識別跟蹤技術(shù)主要有以下幾種類型。

（1）基于對目標(biāo)物體特征識別，諸如人臉識別中人臉的對稱性，雙目的對稱性，外圍輪廓等都是人臉這個物體的特征，以這些特征作為在視頻、圖像中抓取人員圖像的基礎(chǔ)。人員監(jiān)控、基于視頻的公交車人數(shù)統(tǒng)計等應(yīng)用主要就是采用這種方式。其可以實現(xiàn)對一類物體（比如人員，車牌）的識別，而并不關(guān)注與其特定的身份。

（2）基于模型匹配，對于被識別或被監(jiān)控人員或物體，預(yù)先在系統(tǒng)之上生成對應(yīng)的模型，形成模型庫。在該人員（物體）進(jìn)入監(jiān)控區(qū)域后，系統(tǒng)通過將圖像實時與模型庫中的模型對照，從而實現(xiàn)對某一個人員準(zhǔn)確識別。

以上兩種傳統(tǒng)的物體識別算法，面對實際應(yīng)用中的復(fù)雜情景，會面臨諸多挑戰(zhàn)。

①目標(biāo)特性描述存在局限性，在物體特征復(fù)雜或處于復(fù)雜背景情況下，對其識別率造成影響。

②目標(biāo)特性靜態(tài)描述，無法對運動中或產(chǎn)生形變的物體持續(xù)跟蹤。當(dāng)同一物體展現(xiàn)不同的觀測角度或產(chǎn)生形變時，造成目標(biāo)特性描述無效。

③傳統(tǒng)模型通常采用“離線訓(xùn)練物體模型”，其被識別物體的最新特征不能自動反饋至模型，造成物體及人員的靜態(tài)模型應(yīng)對物體形變，角度變化時存在局限性。

2 傳統(tǒng)的運動物體跟蹤算法及本文提出的新算法

運動物體跟蹤算法主要有“減背景法”、“幀差法”、“光流法”等。其中LK光流算法為目前能較準(zhǔn)確地檢測運動目標(biāo)的算法。而在實際應(yīng)用中，該算法在視頻圖像不穩(wěn)定、模糊的情況下存在錯誤預(yù)測點群，造成跟蹤效果不穩(wěn)定。

運動物體識別跟蹤技術(shù)所存在的這些問題，使其在實際應(yīng)用中所面對適應(yīng)性不好、魯棒性差、環(huán)境要求苛刻等諸多問題，影響其產(chǎn)品轉(zhuǎn)化能力及行業(yè)應(yīng)用效果。該文針對目前運動物體識別跟蹤技術(shù)所存在的問題，提出了以具有實時在線更新特性的“物體多維度模型”為基礎(chǔ)，以四相位交叉約束的“無監(jiān)督自學(xué)習(xí)分類器”作為物體模型自更新的驅(qū)動，并結(jié)合“基于位置正負(fù)置信區(qū)域約束的跟蹤定位算法”，最終實現(xiàn)一個新穎的多運動物體實時識別跟蹤技術(shù)體系。相對于傳統(tǒng)算法，該系統(tǒng)最大的優(yōu)勢是其可以精準(zhǔn)地實現(xiàn)對生活中普遍存在的可形變物體（如筆記本電腦的開合狀態(tài)、人臉的正側(cè)面等）的識別與跟蹤。在LK光流算法的基礎(chǔ)上創(chuàng)新性的添加了物體位置正負(fù)置信區(qū)（前景，背景）。

3 新算法的應(yīng)用

本文提出的是一種面向視頻中物體特征復(fù)雜、背景情況復(fù)雜、可形變物體的物體實時識別跟蹤技術(shù)，并基于此算法在嵌入式平臺上實現(xiàn)身份識別與網(wǎng)絡(luò)電視重點個性化推薦系統(tǒng)。算法研究方面包括“無監(jiān)督自學(xué)習(xí)分類器”、“實時更新的物體多維模型”、“基于位置正負(fù)置信區(qū)域約束的跟蹤定位算法”構(gòu)成，圖1描述了整個系統(tǒng)組成。

圖1 系統(tǒng)組成

其運作方式如下：

（1）通過給定被監(jiān)控物體的初始形態(tài)，“跟蹤定位算法”對視頻中的物體識別跟蹤。

（2）同時“自學(xué)習(xí)分類器”對當(dāng)前最新的物體形態(tài)進(jìn)行分類學(xué)習(xí)。

（3）基于分類器最新的分類及識別結(jié)果更新物體多維模型，該多維模型包括時間軸、特征點群描述、出現(xiàn)位置、正置信區(qū)、運動描述等內(nèi)容。

（4）更新的物體多維模型用于進(jìn)一步的識別與跟蹤。

系統(tǒng)中的三個模塊互相作用與約束，構(gòu)成一個交互式自校驗更新子系統(tǒng)，并對上述三個模塊之間進(jìn)行交互校驗，互為添加的迭代約束條件，進(jìn)而提高模型優(yōu)化水平與定位精度。

4 系統(tǒng)主要模塊構(gòu)成

基于該算法，實現(xiàn)實時身份驗證，并構(gòu)建網(wǎng)絡(luò)電視終端的個性化智能推薦系統(tǒng)。該基于身份認(rèn)證的智能推薦系統(tǒng)是上述算法的驗證與實現(xiàn)，系統(tǒng)主要模塊如下：

（1）視頻采集：通過微型攝像頭捕捉用戶的影像，傳輸給跟蹤識別子系統(tǒng)。

（2）人臉跟蹤：實現(xiàn)“基于位置正負(fù)置信區(qū)域約束的光流特征點群跟蹤算法”。

（3）物體模型：用于存儲和描述物體多維模型，并作為物體識別的依據(jù)。

（4）無監(jiān)督機器學(xué)習(xí)：實現(xiàn)“四相位交叉約束自學(xué)習(xí)訓(xùn)練算法”，并實時更新物體模型。

（5）物體識別：基于實時更新的物體多維模型，完成對視頻中物體的識別。

（6）信息推送：根據(jù)識別的結(jié)果，推送合適的節(jié)目及信息。

（7）通信：同網(wǎng)絡(luò)電視終端后臺通信，獲得針對不同人群的節(jié)目與消息信息。

5 結(jié)束語

本文提出的運動物體識別跟蹤算法是對LK光流算法的改進(jìn)，首次將物體位置正負(fù)置信區(qū)域約束應(yīng)用到傳統(tǒng)的LK光流算法，大幅降低了原算法中錯誤預(yù)測點群前后幀匹配相似值，提高了算法在視頻模糊、前后幀匹配較差等問題上的適應(yīng)性與魯棒性。

[1]楊國亮.一種改進(jìn)的光流算法[J].計算機工程，2006，32（15）：187-189.

[2]儲珺.基于光流的動態(tài)背景運動目標(biāo)檢測算法[J].南昌航空大學(xué)學(xué)報自然科學(xué)版.2011，25（3）：1-6.

[3]施家.動態(tài)場景中運動目標(biāo)檢測與跟蹤[J].北京理工大學(xué)學(xué)報自然科學(xué)版，2009，29（10）：858-860.

[4]張娟.運動目標(biāo)跟蹤算法研究綜述[J].計算機應(yīng)用研究，2009，26（12）：4407-4410.