智能視頻監控中運動目標跟蹤技術論述

摘要：隨著科學技術的迅速發展，視頻監控技術也在不斷的進步。在智能視頻監控系統中最基本并且應用最廣泛的技術就是目標的檢測以及追蹤技術。本文從運動目標檢測的方法入手，針對智能視頻監控中運動目標的檢測以及跟蹤技術進行詳細的研究。

關鍵詞：運動目標檢測；運動目標跟蹤；背景差分

運動目標跟蹤與目標檢測技術是監控領域中最為重要的問題以及關鍵的技術。計算機技術的發展既是挑戰，也是一個機遇。在智能視頻監控中，對運動目標進行跟蹤已經應用在了工業生產、醫藥研究、交通監測，天文觀測等諸多方面，這項技術需要建立在目標有效檢測的基礎之上，是在行為描述以及理解之前的技術。下面本文就將對智能視頻監控中運動目標跟蹤技術進行詳細的介紹。

1.目標跟蹤技術基本介紹

目標跟蹤技術指的是對運動目標的位置以及形狀、輪廓、顏色等基本特征進行一定了解之后再經過一些特殊的算法，通過與幀圖像進行匹配之后，確定出觀測目標的運動軌跡，通過這種方式實現運動目標的實時監控。在實際運用的過程中目標的遮掩、環境變化、景物等都會大大的對跟蹤造成影響。而對目標跟蹤技術的策略進行分類的話，可以分成3D方法以及2D方法。3D指的是在世界坐標系中完成對目標的追蹤，而2D指的則是在圖像平面內完成追蹤。我們可以知道，在對目標進行追蹤的這個過程中，采取合理的算法十分重要，因為它直接關系到了跟蹤的準確性以及實時性等，雖然在經過人們的研究之后，發明了眾多的跟蹤算法。但是由于不同領域對運動目標跟蹤的要求不同，因此還是要不同的場景采用不同的算法。下面，本文將對這些跟蹤算法進行詳細的介紹。

2.基于均值偏移的跟蹤算法研究

均值偏移（Mean-Shift）是一個不斷進行迭代的循環，通過不停的進行迭代尋找到跟蹤目標的下一個位置。簡單來說就是首先對起始點的偏移的均值進行計算，得到的數值就是目標移動的距離，這樣就可以從起始點開始移動一定的距離到達某位置之后，將這個新位置作為新的起點，沿著密度函數的梯度方向移動，最后收斂于一個局部的最優點。

3.基于粒子濾波的跟蹤算法研究

粒子濾波器是基于貝葉斯估計、蒙特卡洛模擬提出的一種實時推理算法。這種方法是通過一組樣本點在任意的空間之中進行漂移、擴散、測量等循環。最終，這些樣本乘以概率密度完成這一過程。這種基于粒子濾波的跟蹤算法的好處就在于粒子濾波較為靈活，并且可以能夠并行化，這些優點就能夠使它很輕松的解決非線性、非高斯動態系統問題。粒子濾波的原理可以從貝葉斯估計以及蒙特卡洛采樣兩方面得到解釋。下面，本文就將從這兩方面對粒子濾波的原理進行分析。

首先從貝葉斯估計的方面來說，貝葉斯估計的根本在于利用系統模型預測狀態的已知信息然后得到系統狀態量的置信程度。應用到對運動目標跟蹤技術中就是說利用貝葉斯估計對研究目標進行跟蹤就是在系統測量數據已知的前提下，估算系統在某一時刻的狀態向量的后驗概率密度函數。

蒙特卡洛采樣則是我們平時說的隨機模擬法。顧名思義，蒙特卡洛采樣就是利用隨機抽樣的方式求解問題。也就是先找到一組隨機樣本，對其進行賦值之后再利用樣本、樣本權值以及對樣本的估算，利用這些數據來求得后驗概率的分布。通過對以上兩種角度的介紹，我們可以看到，當蒙特卡洛采樣法的樣本數據足夠大的時候，蒙特卡洛特性幾乎和后驗概率密度相等，這個時候蒙特卡洛粒子濾波器就與貝葉斯的最優估計幾乎等價。

4.融合Mean—Shift的粒子濾波跟蹤算法

在經過上文對基于均值偏移的跟蹤算法以及基于粒子濾波的跟蹤算法的研究之后，我們可以發現，兩種方法各有優點又各有缺點。一方面，基于均值偏移的跟蹤算法，這種方法較為簡單，效率較高，對目標的變形也有著一定的適應性。跟蹤的魯棒性依賴于分析結果的可靠程度，但是這種算法只是一種局部優化的方法，很有可能最終收斂在局部的極值點之上。也就是說在利用這種方法的時候追蹤目標移動的距離不能夠太遠，而且目標顏色最好能夠和背景顏色差距較大，否則目標可能在追蹤的過程中丟失。而另一方面利用粒子濾波器進行跟蹤的時候，具有更加突出的優勢，能夠很大程度的維持目標的假設狀態，同時也能夠很好的解決追蹤目標被遮擋的問題。但是由于粒子濾波的蒙特卡洛特性，就要求在追蹤的時候需要非常多的樣本粒子。但是這大大增加了算法的復雜程度，伴隨著復雜程度的提升實時性就會減弱。采用這種算法的時候必須要考慮好可靠性以及實時性兩者之間的關系。

由此可見，將兩種算法進行結合之后，就可以做到優勢互補。一方面，粒子濾波能夠很好的增強抗遮擋性能，而另一方面，Mean—Shift算法則能夠有效的提高可靠性與魯棒性，可以很好的利用在對實時性要求比較高的場合之中。融合兩種算法就是讓粒子在經過采樣以及動態模型的隨機傳播之后，再利用均值漂移算法。讓樣本粒子向著目標最大化的區域移動。這樣利用的粒子數量較少，但是描述的狀態卻并不少。距離目標區域較遠的粒子也能夠最大程度的向目標靠近，這樣算法的復雜程度就會降低。

本文對智能視頻監控中運動目標跟蹤技術中對運動目標的跟蹤進行了研究，在介紹了基于均值偏移的跟蹤算法以及基于粒子濾波的跟蹤算法同時提出了將兩種算法融合在一起的融合Mean—Shift的粒子濾波目標跟蹤算法。這種算法具有兩種算法的優點，不僅僅降低了計算量，提高了采樣率，能夠廣泛的應用在今后的智能監控之中。因為筆者的知識程度有限，所以觀點可能還有不成熟的地方，希望有更多的專家學者進行指導。同時也希望在計算機技術大發展的背景之下，從事于智能視頻監控中對運動目標進行跟蹤的專家學者能夠多加研究，設計出更好更精密的算法以便于提高對運動目標追蹤的魯棒性、準確性等。

參考文獻：

[1]武建. 智能視頻監控系統設計與實現[D].山東大學，2013.

[2]胡雄鴿. 智能視頻監控系統中的運動目標檢測方法研究[D].湖南大學，2012.

[3]顏卓. 基于雙目視覺的運動物體檢測系統研究[D].沈陽大學，2012.

作者簡介：

王剛，漢族，甘肅蘭州人，1975年11月出生，中共黨員，副教授，甘肅警察職業學院治安系交通管理科副科長。長期從事刑事偵查專業教學和視頻圖像偵查技術研究。