智能監控系統中自適應抗遮擋目標跟蹤

張穎 李孟歆 英宇

摘 要： 智能視頻監控系統中的目標跟蹤問題存在許多干擾因素，其中運動目標運動時的動態干擾及大面積遮擋問題是影響跟蹤失敗的最主要的原因。此外，光照和顏色近似干擾問題也是影響跟蹤準確度的主要因素。為了達到運動目標的抗干擾及準確跟蹤，在Meanshift算法完成目標準確跟蹤的基礎上，提出一種基于雙重判別的自適應跟蹤算法，將Meanshift算法與Kalman濾波算法相結合，在出現長時間大面積遮擋及動態背景干擾、光照，顏色近似干擾的情況下，完成目標的準確跟蹤。實驗結果表明，提出的方法有較好的穩定性和準確性。

關鍵詞： 目標跟蹤； Meanshift算法； Bhattacharrya系數； Kalman濾波； 雙重判別； 抗遮擋

中圖分類號： TN911.73?34； TP391 文獻標識碼： A 文章編號： 1004?373X（2018）17?0059?03

Abstract： The target tracking of intelligent video surveillance system is influenced by multiple interference factors， in which the dynamic interference and large area occlusion act as the main reasons influencing the tracking failure while the target is moving. In addition， the approximate interference of illumination and color is also the main factor affecting the tracking accuracy. An adaptive tracking algorithm based on double?discrimination is proposed to achieve the purposes of anti?interference and accurate tracking of moving target， in which the Meanshift algorithm and Kalman filtering algorithm are combined to accomplish the accurate target tracking under the conditions of longtime large area occlusion， dynamic background interference， and approximate interference of illumination and color. The experimental results show that the proposed method has high stability and accuracy.

Keywords： target tracking； Meanshift algorithm； Bhattacharrya coefficient； Kalman filtering； double?discrimination； anti?occlusion

運動目標跟蹤在智能監控、智能交通、安防以及軍事和工業生產上都有著廣泛的應用。跟蹤過程中經常受到多種因素的影響，如背景顏色相近、光照變化、目標尺度變化、復雜的環境等造成的干擾，導致跟蹤目標丟失[1?2]。常用的跟蹤方法有幀間差分法、背景差分法、邊緣檢測、光流法、TLD法以及Camshift算法等。但這些方法大都基于單一視覺線索，要么不考慮遮擋，要么以部分遮擋下的實驗結果驗證算法的魯棒性[3?7]。在非剛體的運動目標跟蹤過程中，常采用均值偏移算法，其運動區域采用核密度估計函數描述，然后對均值偏移矢量進行循環迭代，最后采用巴氏系數判斷相似度，尋找與模板區域相似度最高的區域，從而完成運動目標的跟蹤。然而，Meanshift算法是基于視頻圖像顏色特征進行目標跟蹤的，當目標顏色與背景顏色相近或出現遮擋時，算法將嚴重失效。Kalman濾波算法在運動目標的預測和跟蹤中具有優勢。因此，采用Meanshift算法和Kalman濾波相結合進行目標跟蹤得到了廣泛的應用。在跟蹤過程中，用Kalman濾波進行預測，采用Meanshift算法根據預測的結果找到進行迭代的初始點，以有效解決遮擋問題[8]。本文在此基礎上，對跟蹤過程中的Meanshift和Kalman濾波相結合的跟蹤策略進行改進，根據Meanshift算法中Bhattacharrya系數的變化情況，采用雙重判別方法，自適應地調整跟蹤算法，實現自適應抗遮擋跟蹤。

1 Meanshift算法

1.1 目標模型描述

顏色直方圖作為一種目標特征，能夠對目標的顏色信息進行有效提取。在彩色視頻圖像序列中，圖像像素的值域是RGB空間，把RGB顏色空間的每個子空間R，G，B根據直方圖的方式分別分成[m]個子區間，每個區間稱為一個bin，構成相應的特征空間，相應的特征個數為[k3]。在目標區域內，不同位置的像素對顏色直方圖的貢獻不同，距離區域中心較遠的像素被賦予較小的權值，距離區域中心較近的像素被賦予較大的權值，因此距離中心較遠的像素對顏色直方圖的建立幾乎不起作用，這樣避免了邊界像素易受遮擋等的影響。

式中[u]是區間索引。如果[y1-y0≤ε]，算法將停止均值局部優化迭代過程，將當前候選補丁作為當前幀的輸出位置。

Meanshift算法原理簡單、計算量較小，但是，當背景顏色存在干擾時，目標模型及候選模型會產生一定的誤差，無法準確跟蹤目標。此外，如果目標運動速度超出算法向量計算范圍或者遇到遮擋，Meanshift算法很難自適應地重新構建目標模型及候選模型，導致跟蹤失敗。運動目標在運動的過程中，在無障礙物遮擋的情況下，運用此方法能夠很好地完成整個跟蹤過程。如圖1所示，運動目標在遇到遮擋前的20幀，Meanshift算法跟蹤克服了光照和顏色相近造成的干擾，較好地完成了運動目標的跟蹤，而從第21幀開始，遇到了全部遮擋的情況，跟蹤矩形框不能跟蹤目標，跟蹤失敗。圖2為整個跟蹤過程中Bhattacharrya系數的變化情況。

3 采用雙重Bhattacharrya系數判別的改進Meanshift算法

由圖2所示的采用Meanshift算法進行目標跟蹤過程中Bhattacharrya系數的變化情況，對照圖1實際跟蹤結果發現，當出現遮擋時，運動目標丟失，Bhattacharrya系數變大；當遮擋結束，Bhattacharrya系數再次變小。采用雙重Bhattacharrya系數的方法進行自適應目標跟蹤。設初始目標模板顏色直方圖[qu]與候選模板顏色直方圖[pu]間的Bhattacharrya系數為：

改進算法步驟為：

Step1：輸入視頻，采用矩形框選取目標模板，用RGB顏色直方圖進行模板描述；

Step2：根據Meanshift算法，計算質心偏移，求出下一幀目標質心坐標，算法迭代，同時計算[ρ1]，實現目標跟蹤；

Step3：設定閾值[T1]，當出現目標遮擋時，[ρ1>T1]，將當前目標質心坐標作為Kalman濾波的初始值，預測遮擋時目標質心初始位置，更新目標模板，開始計算系數[ρ2]，同時繼續按原方法計算[ρ1]；

Step4：當[ρ2>ρ1]時，更新目標模板，采用Meanshift算法進行運動目標跟蹤。

圖3為采用本文所提方法進行的運動目標完全遮擋時的運動目標跟蹤實驗。由圖3可見，當無障礙物遮擋時，采用Meanshift算法可以克服背景顏色和光照的影響，實現目標的準確跟蹤，當出現遮擋時的第25幀圖像中算法自動切換到Kalman濾波運動目標質心預測模式，并標注出質心的位置變化，第31幀出現部分遮擋時，仍然采用Kalman濾波繼續運動目標質心的預測，第36幀，遮擋完全去除，之后重新切換到Meanshift算法繼續跟蹤。圖4為多運動目標出現遮擋時的運動目標跟蹤實驗。由圖4可見，所提方法仍然可以自適應調整跟蹤算法及預測算法，并根據預測到的運動目標質心，按照初始模板中計算的矩形框的大小，重新找到運動目標模板，并完成更新，重新采用Meanshift算法實現跟蹤。

4 結 語

本文針對運動目標出現大面積長時間遮擋時，跟蹤效果差的問題，提出一種基于雙重Bhattacharrya系數的改進Meanshift算法，采用雙重判別的方式完成運動目標的自適應跟蹤，根據跟蹤遮擋前后目標模板與候選模板的Bhattacharrya系數變化，自適應調整跟蹤和預測過程，并通過仿真實驗驗證算法在單一運動目標及多運動目標時的跟蹤可靠性，提高了跟蹤算法的抗干擾能力及抗遮擋能力。

參考文獻

[1] WALIA G S， KAPOOR R. Robust object tracking based upon adaptive multi?cue integration for video surveillance [J]. Multimedia tools & applications， 2016， 75（23）： 1?27.

[2] ALI A， JALIL A， AHMED J， et al. Correlation， Kalman filter and adaptive fast mean shift based heuristic approach for robust visual tracking [J]. Signal image and video processing， 2015， 9（7）： 1567?1585.

[3] ASGARIZADEH M， POURGHASSEM H. A robust object tra?cking synthetic structure using regional mutual information and edge correlation?based tracking algorithm in aerial surveillance application [J]. Signal image and video processing， 2015， 9（1）： 175?189.

[4] PREVITALI F， BLOISI D D， IOCCHI L. A distributed approach for real?time multi?camera multiple object tracking [J]. Machine vision and applications， 2017， 28（1）： 1?10.

[5] DUBUISSON S， GONZALES C. A survey of database for visual tracking [J]. Machine vision and applications， 2016（27）： 23?52.

[6] BADENAS J， SANCHIZ J M， PLA F. Motion?based segmentation and region tracking in image sequences [J]. Pattern recognition， 2001， 34（3）： 661?670.

[7] ROWGHANIAN V， ASL K A. Non iterated mean shift and particle filtering [C]// 2014 Iranian Conference on Electrical Engineering. Piscataway： IEEE， 2014： 226?231.

[8] HWANG J P， BAEK J， CHOI B， et al. A novel part?based approach to mean?shift algorithm for visual tracking [J]. International journal of control， automation and systems， 2015， 13（2）： 443?453.

[9] 朱鉀，李化.一種基于Meanshift算法的目標跟蹤改進[J].中北大學學報，2016，37（6）：633?637.

ZHU J， LI H. An improved Meanshift algorithm for target tracking [J]. Journal of North University of China， 2016， 37（6）： 633?637.

[10] ROWGHANIAN V， ANSARI?ASL K. Object tracking by mean shift and radial basis function neural networks [J]. Journal of real?time image processing， 2015（8）： 1?18.