陸星家，郭 璘，陳志榮，林 勇，2

(1.寧波工程學(xué)院a.理學(xué)院;b.交通與物流學(xué)院，浙江 寧波 315211;2.美國德州大學(xué)阿靈頓分校計(jì)算機(jī)學(xué)院，美國 阿靈頓76019)

1 概述

近年來，隨著目標(biāo)檢測(cè)和追蹤技術(shù)的快速發(fā)展，目標(biāo)檢測(cè)和追蹤研究逐漸由單目標(biāo)檢測(cè)和追蹤轉(zhuǎn)為多目標(biāo)的檢測(cè)和追蹤。多目標(biāo)檢測(cè)和追蹤在軍事和民用領(lǐng)域都有廣泛的應(yīng)用［1］，如無人機(jī)對(duì)于可以移動(dòng)目標(biāo)的檢測(cè)和追蹤;智慧交通中的機(jī)動(dòng)車檢測(cè)和追蹤以及可疑人員的檢測(cè)和追蹤。在多目標(biāo)追蹤的檢測(cè)和追蹤研究中，由于目標(biāo)之間的遮擋，追蹤目標(biāo)在特征上的相似性以及目標(biāo)群體的空間拓?fù)涞淖兓蔀樽璧K多目標(biāo)檢測(cè)和追蹤技術(shù)應(yīng)用的主要挑戰(zhàn)。除此之外，追蹤場(chǎng)景的復(fù)雜性和多樣性也是制約多目標(biāo)檢測(cè)和追蹤技術(shù)發(fā)展的瓶頸。

傳統(tǒng)的多目標(biāo)追蹤算法普遍利用相似度函數(shù)或距離函數(shù)對(duì)不同幀的檢測(cè)目標(biāo)進(jìn)行關(guān)聯(lián)，選擇關(guān)聯(lián)度最大的幀間目標(biāo)進(jìn)行匹配。如MHT(Mulittarget Hypothesis Tracking)算法通過建立假設(shè)檢驗(yàn)?zāi)繕?biāo)，完成多目標(biāo)追蹤［2］，由于MHT 算法是通過聯(lián)合概率來計(jì)算不同幀間目標(biāo)的關(guān)聯(lián)關(guān)系，為了減少在目標(biāo)追蹤過程中采樣方差對(duì)數(shù)據(jù)關(guān)聯(lián)的影響，MHT 算法利用馬氏距離進(jìn)行目標(biāo)間的度量，由于馬氏距離可以有效減少采樣數(shù)據(jù)整體方差對(duì)數(shù)據(jù)關(guān)聯(lián)的影響，可以有效地改善多目標(biāo)追蹤效果。而JPDA(Joint Probabilistic Data-Association)算法利用聯(lián)合概率對(duì)目標(biāo)追蹤進(jìn)行關(guān)聯(lián)［3］，通過計(jì)算幀間目標(biāo)的聯(lián)合概率完成追蹤，在追蹤目標(biāo)較多時(shí)，JPDA容易引起計(jì)算復(fù)雜度的急劇攀升。聯(lián)合概率的計(jì)算是該算法的主要問題。近年來在目標(biāo)追蹤研究中，粒子濾波器算法由于利用馬爾可夫過程和重采樣技術(shù)，有效地克服了JPDA 算法中計(jì)算復(fù)雜度急劇攀升的問題，同時(shí)對(duì)于多模目標(biāo)分布，也保持較高的估計(jì)準(zhǔn)確率，該算法受到了廣大學(xué)者的關(guān)注［4］。

本文利用可變部分模板模型進(jìn)行機(jī)動(dòng)車檢測(cè)，結(jié)合MCMC 算法和MHDA 算法對(duì)檢測(cè)的車輛進(jìn)行追蹤。為了保持追蹤的準(zhǔn)確率同時(shí)降低計(jì)算復(fù)雜度攀升的問題，結(jié)合MHDA 算法建立全局追蹤的假設(shè)檢驗(yàn)，減少多機(jī)動(dòng)車追蹤過程中因?yàn)槟繕?biāo)間遮擋、以及目標(biāo)相似造成追蹤錯(cuò)誤和追蹤丟失，提高多機(jī)動(dòng)車檢測(cè)和追蹤的精準(zhǔn)度。

2 機(jī)動(dòng)車目標(biāo)檢測(cè)

復(fù)雜的檢測(cè)場(chǎng)景、機(jī)動(dòng)車之間遮擋以及背景的變化是機(jī)動(dòng)車檢測(cè)面臨的主要問題。其中遮擋又可以分為長時(shí)遮擋和短時(shí)遮擋;或部分遮擋和完全遮擋。傳統(tǒng)的多機(jī)動(dòng)車目標(biāo)檢測(cè)算法針對(duì)以上2 種類型的遮擋問題解決較差，檢測(cè)的準(zhǔn)確率不高，主要原因在于檢測(cè)器從圖像中提取的特征不具有良好的統(tǒng)計(jì)特征，容易受到光照、仿射以及遮擋的影響，同時(shí)單一的檢測(cè)器在目標(biāo)尺寸急劇變化時(shí)，檢測(cè)效果也較差。因此國內(nèi)外學(xué)者普遍采用復(fù)合檢測(cè)器提高目標(biāo)檢測(cè)的精準(zhǔn)度。在不同的分辨率下構(gòu)造不同的檢測(cè)器，構(gòu)成復(fù)合檢測(cè)器。為了減少特征對(duì)于檢測(cè)的影響，目前主要采用具有統(tǒng)計(jì)不變的特征作為目標(biāo)檢測(cè)的特征，如梯度方向直方圖(Histogram of Oriented Gradient，HOG)特征對(duì)目標(biāo)的旋轉(zhuǎn)、放大及縮小具有很好的不變性，被廣大研究者采用［5-6］。Felzenszwalb利用HOG 對(duì)不同的目標(biāo)進(jìn)行檢測(cè)，獲得了較好的檢測(cè)效果。Andriluka 和Leibe 在研究行人檢測(cè)時(shí)，也采用層次檢測(cè)器，在不同的分辨率下對(duì)行人進(jìn)行檢測(cè)，并取得較好的檢測(cè)效果［7-8］。本文擬采用HOG 特征作為機(jī)動(dòng)車檢測(cè)特征，通過訓(xùn)練樣本獲取機(jī)動(dòng)車的HOG 特征模板，為了提高機(jī)動(dòng)車目標(biāo)檢測(cè)的準(zhǔn)確性，本文采用復(fù)合模板，獲取不同圖像分辨率下的特征模板。在完成機(jī)動(dòng)車模板的構(gòu)建之后，對(duì)機(jī)動(dòng)車目標(biāo)進(jìn)行檢測(cè)，并在此基礎(chǔ)上進(jìn)行機(jī)動(dòng)車追蹤。

2.1 基于層次-部分模型的機(jī)動(dòng)車檢測(cè)

機(jī)動(dòng)車是剛體對(duì)象，在機(jī)動(dòng)車的運(yùn)動(dòng)過程，由于受到道路的約束，機(jī)動(dòng)車在一定時(shí)間內(nèi)，機(jī)動(dòng)車的位置和外觀變化較小，采用可變模板對(duì)剛體對(duì)象檢測(cè)的準(zhǔn)確率和精確率都較高，同時(shí)可變模板的訓(xùn)練也可以離線完成。可變模板是一個(gè)檢測(cè)模板的集合，最高層的是根模板，根模板是最低分辨率的特征模板，根模板連接一系列的子模板，子模板是較高分辨率下的特征模板，根模板和子模板之間采用HOG 特征作為目標(biāo)檢測(cè)特征，各個(gè)子模板和根模板都被賦值為不同的權(quán)重，通常模板包括一個(gè)根F0檢測(cè)器和一個(gè)部分檢測(cè)器集合(P1，P2，…，Pn)，Pi包括檢測(cè)器的層次信息、位置信息、窗口的尺寸以及每個(gè)檢測(cè)的權(quán)重得分信息。目標(biāo)的檢測(cè)過程就是將目標(biāo)對(duì)象的HOG 特征與可變模板進(jìn)行比較，通過計(jì)算得分差異進(jìn)行目標(biāo)檢測(cè)。對(duì)于機(jī)動(dòng)車檢測(cè)而言，HOG 特征具有很好的統(tǒng)計(jì)不變性，有利于從復(fù)雜的背景中提取機(jī)動(dòng)車的輪廓模板。

2.2 機(jī)動(dòng)車檢測(cè)模板的學(xué)習(xí)

為了完成對(duì)不同機(jī)動(dòng)車的檢測(cè)，首先需要建立機(jī)動(dòng)車的檢測(cè)模板，主要針對(duì)小轎車、大客車、摩托車、電動(dòng)車等不同類型的車輛進(jìn)行學(xué)習(xí)，學(xué)習(xí)過程采用離線方式，將樣本圖像在6 個(gè)尺度上計(jì)算HOG 特征，訓(xùn)練圖像為256 ×256 的圖像，采用的樣本圖像是INRIA 的測(cè)試數(shù)據(jù)，通過計(jì)算每個(gè)像素的HOG 特征，在每一個(gè)像素點(diǎn)上計(jì)算梯度角度式(1)，為了保證特征提取的準(zhǔn)確性，每20°度的角度變化構(gòu)建一個(gè)bin(圖1)，并將直方圖均勻化。角度θ 的計(jì)算公式如式(1)所示，sy和sx表示在垂直方向和水平方向的灰度變化量。

圖1 梯度方向直方圖和Bin

完成以上4 類檢測(cè)對(duì)象的學(xué)習(xí)之后，構(gòu)建的HOG 特征模板如圖2 所示，完成4 類檢測(cè)器的構(gòu)建。

圖2 HOG 特征模板

3 多機(jī)動(dòng)車目標(biāo)追蹤

在機(jī)動(dòng)車目標(biāo)檢測(cè)之后，需要對(duì)機(jī)動(dòng)車進(jìn)行追蹤，在追蹤過程中，目標(biāo)的丟失和遮擋也是目標(biāo)追蹤的主要難題。近年來，增量學(xué)習(xí)方法稱為目標(biāo)追蹤的研究重點(diǎn)，如Ozuysal 和Lim 利用增量的Online Boosting 算法對(duì)目標(biāo)追蹤進(jìn)行增量學(xué)習(xí)［9-10］，但是由于增量學(xué)習(xí)的時(shí)間復(fù)雜度較高，目前只能完成單目標(biāo)的在線學(xué)習(xí)追蹤，而對(duì)于多目標(biāo)的追蹤，無法滿足追蹤的實(shí)時(shí)要求，本文擬采用MCMC 算法和MHDA算法進(jìn)行多機(jī)動(dòng)車的追蹤，其中MCMC 算法通過馬爾可夫過程在前一時(shí)刻上進(jìn)行后驗(yàn)概率估計(jì)，通過蒙特卡洛模擬，利用重序列采樣獲取前一時(shí)刻的狀態(tài)分布。

3.1 MCMC 算法

MCMC 通過對(duì)上一幀檢測(cè)的對(duì)象進(jìn)行重要序列重采樣，在下一幀中利用馬爾可夫過程計(jì)算下一幀對(duì)象的條件概率，通過滑動(dòng)窗方法選擇具有最大概率的窗口作為下一幀的目標(biāo)的追蹤結(jié)果。

在完成對(duì)機(jī)動(dòng)車的檢測(cè)之后，為了提高目標(biāo)追蹤的精準(zhǔn)度，結(jié)合機(jī)動(dòng)車的動(dòng)力學(xué)模型對(duì)機(jī)動(dòng)車運(yùn)行的狀態(tài)進(jìn)行估計(jì)，設(shè)在t 時(shí)刻被追蹤的機(jī)動(dòng)車在圖像的坐標(biāo)為(x(k)，y(k))，t 時(shí)刻機(jī)動(dòng)車在圖像橫坐標(biāo)和縱坐標(biāo)上的速度分別為vx(k)和vy(k)，橫坐標(biāo)和縱坐標(biāo)上的加速度為ax(k)和ay(k)，Z(k)表示在t 時(shí)刻的機(jī)動(dòng)車運(yùn)動(dòng)狀態(tài)的測(cè)量值，取以上6 個(gè)變量描述運(yùn)動(dòng)狀態(tài)，可以得到運(yùn)動(dòng)目標(biāo)的狀態(tài)轉(zhuǎn)移方程為:

X(k)=(x(k)，y(k)，vx(x)，vy(k)，ax(k)，ay(k))T)，Γω(k)表示隨機(jī)擾動(dòng)，機(jī)動(dòng)車的觀測(cè)模型是 Z (k)=HX (k)+V (k)，Z (k)=(Zx(k)，Zy(k))T。

MCMC 需要對(duì)目標(biāo)的運(yùn)動(dòng)進(jìn)行預(yù)估，在MCMC算法中，令Xt(k+1|k)為Xt直到k 時(shí)刻的測(cè)量數(shù)據(jù)來預(yù)測(cè)的k+1 時(shí)刻的目標(biāo)t 的狀態(tài)。在k +1 時(shí)刻的追蹤算法過程為:

(1)利用k 時(shí)刻的測(cè)量數(shù)據(jù)通過狀態(tài)轉(zhuǎn)移，來預(yù)測(cè)k+1 時(shí)刻的目標(biāo)t 的運(yùn)動(dòng)狀態(tài)Xt(k +1|k)=FXt(k|k)，F(xiàn)Xt(k|k)=Bw(k)即粒子的空間傳播。MCMC 算法根據(jù)機(jī)動(dòng)車當(dāng)前的狀態(tài)對(duì)目標(biāo)的分布函數(shù)進(jìn)行采樣，設(shè)置采樣粒子的權(quán)重，擬合分布函數(shù)，在分布函數(shù)的分布期望區(qū)間，粒子的權(quán)重較大，在分布的邊緣，權(quán)重較小。

(2)在k+1 時(shí)刻，根據(jù)粒子的分散程度結(jié)合跟蹤窗(機(jī)動(dòng)車可能的運(yùn)動(dòng)區(qū)域)，然后在窗內(nèi)進(jìn)行檢測(cè)，得到可能的測(cè)量值。

(3)對(duì)于測(cè)量j=1，2…，mk+1，目標(biāo)t=1，2…，計(jì)算測(cè)量與目標(biāo)的聯(lián)合關(guān)聯(lián)概率。如果追蹤目標(biāo)準(zhǔn)確，則測(cè)量值和運(yùn)動(dòng)估計(jì)值得聯(lián)合概率最大。

(5)計(jì)算k+1 時(shí)刻的條件分布權(quán)重和k +1 時(shí)刻的速度

(6)根據(jù)條件概率對(duì)重采樣加權(quán)和計(jì)算目標(biāo)t的采樣粒子支撐點(diǎn)集的權(quán)值得到支撐點(diǎn)集

(9)追蹤系統(tǒng)接受下一幀圖像，返回到第(1)步。重復(fù)上述過程，直至所有圖像中的機(jī)動(dòng)車目標(biāo)都被追蹤完為止。

3.2 MHDA 算法

在目標(biāo)追蹤過程中，由于光照，遮擋等原因會(huì)造成追蹤目標(biāo)的丟失，其中，遮擋問題可以根據(jù)遮擋時(shí)間的長度分為短時(shí)遮擋和長時(shí)遮擋，在機(jī)動(dòng)車追蹤中，由于交通信號(hào)燈以及車輛擁堵的原因，容易出現(xiàn)長時(shí)間的遮擋，也就是會(huì)造成長時(shí)間的追蹤目標(biāo)的丟失，因此在機(jī)動(dòng)車追蹤過程中，需要構(gòu)建全局的追蹤信息，MHDA 算法通過建立全局的目標(biāo)追蹤軌跡，克服短時(shí)的遮擋。MHDA 算法的核心思想是建立多個(gè)追蹤結(jié)果的假設(shè)檢驗(yàn)，MHDA 算法中的其中表示t 時(shí)刻目標(biāo)的位置，表示t時(shí)刻目標(biāo)的速度表示t 時(shí)刻目標(biāo)外觀特征表示t 時(shí)刻目標(biāo)的尺寸。，其中K 表示在t 時(shí)刻目標(biāo)的數(shù)量，Xt表示目標(biāo)的狀態(tài)，為了保證追蹤的連續(xù)性，MHDA 算法利用聯(lián)合概率

考慮到P(Z，X)的概率的計(jì)算，如對(duì)(t -1，…，0)時(shí)刻的概率進(jìn)行計(jì)算，雖然可以提高追蹤的準(zhǔn)確率，但是對(duì)于追蹤過程的計(jì)算量過大，利用馬爾可夫性質(zhì)，對(duì)于P(Xt|Xt-1…X0)≈P(Xt|Xt-1)，只計(jì)算前一時(shí)刻的狀態(tài)概率P(Xt|Xt-1)，并通過前一時(shí)刻的狀態(tài)校正測(cè)量值P(Zt|X，Zt-1…Z0)≈P(Zt|Xt)。通過MHDA 通過全局目標(biāo)假設(shè)檢驗(yàn)，搜索具有最大概率的追蹤軌跡。多假設(shè)檢驗(yàn)的置信區(qū)間為95%。

4 實(shí)驗(yàn)結(jié)果與分析

4.1 機(jī)動(dòng)車檢測(cè)率分析

本文進(jìn)行機(jī)動(dòng)車檢測(cè)和追蹤采用實(shí)際的交通監(jiān)控?cái)?shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)，這些視頻數(shù)據(jù)集是用靜態(tài)相機(jī)進(jìn)行拍攝的，該數(shù)據(jù)集主要的挑戰(zhàn)是，不同時(shí)間段的交叉路口的光照變化，機(jī)動(dòng)車之間的遮擋，天氣的影響以及行人的干擾。為了正確反映出多機(jī)動(dòng)車檢測(cè)算法的準(zhǔn)確率，本文主要從3 個(gè)指標(biāo)上對(duì)該算法進(jìn)行度量:(1)真陽性(TPR True Positive Rate)，即靈敏度;(2)假陽性(FPR False Positive Rate);(3)假陰性(FNR False Negative Rate)指標(biāo)，其中TPR 主要檢測(cè)算法對(duì)于多機(jī)動(dòng)車檢測(cè)的準(zhǔn)確性，是反映該算法檢測(cè)準(zhǔn)確率最重要的指標(biāo)。FPR主要是度量算法的誤檢率，F(xiàn)NR 主要是度量算法的漏檢率。由于交通監(jiān)控的實(shí)際需要，F(xiàn)PR 需要盡量的低，要達(dá)到零誤檢率，因?yàn)檎`檢會(huì)推高交通執(zhí)法成本，如一個(gè)未違規(guī)的駕駛者被判定為違規(guī)，交通管理者面臨著執(zhí)法錯(cuò)誤的風(fēng)險(xiǎn)。而漏檢率在一定程度下是可以忍受的。TP 是真陽性，TP 是假陰性，TPR 為正確的檢測(cè)率。

誤檢率對(duì)于多目標(biāo)追蹤算法而言，當(dāng)算法的誤檢率較高時(shí)，該算法的可用性就較差，由于追蹤過程中錯(cuò)誤較多，不能滿足多目標(biāo)追蹤算法的要求。

漏檢率同樣是多目標(biāo)追蹤算法一個(gè)重要指標(biāo)，由于漏檢是指在追蹤過程中，一些目標(biāo)的隨著追蹤過程被遺漏了，如何該算法的漏檢率較低時(shí)，算法可用性較好。

為了驗(yàn)證算法的精密度(Precision)和準(zhǔn)確度(Accuracy)，機(jī)動(dòng)車檢測(cè)的結(jié)果表1 所示，數(shù)據(jù)集1 表示早晨7:00 -8:00 的交通視頻，數(shù)據(jù)集2 表示下午16:00 -18:00 的交通視頻，數(shù)據(jù)集3 表示夜晚18:30-19:30的交通視頻，以上3 個(gè)時(shí)間段的交通數(shù)據(jù)是城市最能反映一個(gè)城市的交通狀況。針對(duì)不同路段的交通視頻進(jìn)行測(cè)試，測(cè)試結(jié)果如表1 所示，對(duì)于交通監(jiān)控管理者而言，錯(cuò)檢率的執(zhí)法風(fēng)險(xiǎn)過高，本文將降低錯(cuò)檢率作為該算法的首要目標(biāo)，漏檢率需要保持在85%以上，由于機(jī)動(dòng)車的遮擋以及光照的影響，機(jī)動(dòng)車的漏檢率較高，根據(jù)檢測(cè)模型檢測(cè)到的機(jī)動(dòng)車的數(shù)量在不同圖像分辨率上的分布，重新設(shè)置部分模板和根模板之間的鏈接權(quán)重，從而有效地降低漏檢率的發(fā)生。從表1 中可知，在清晨和下午2 個(gè)時(shí)段，機(jī)動(dòng)車檢測(cè)的準(zhǔn)確率能夠達(dá)到要求，在夜晚時(shí)段，檢測(cè)的準(zhǔn)確率急劇下降，漏檢率達(dá)到43%左右。

表1 測(cè)試數(shù)據(jù)集的檢測(cè)精度和準(zhǔn)確度 %

4.2 機(jī)動(dòng)車追蹤率分析

在完成機(jī)動(dòng)車的檢測(cè)之后，先對(duì)單個(gè)機(jī)動(dòng)車進(jìn)行追蹤測(cè)試，測(cè)試的結(jié)果如圖3 所示，機(jī)動(dòng)車的檢測(cè)和追蹤在正常的光照條件下準(zhǔn)確率和精確度較高。追蹤器能夠較好地對(duì)機(jī)動(dòng)車進(jìn)行追蹤，在黑夜條件下，追蹤器的準(zhǔn)確率不高。在單一機(jī)動(dòng)車的追蹤過程中，基于MCMC 算法的追蹤器能夠較好地適應(yīng)目標(biāo)追蹤的要求。

圖3 不同光照條件下單機(jī)動(dòng)車測(cè)試結(jié)果

在多機(jī)動(dòng)車追蹤情況下，本文選取不同光照條件下的多機(jī)動(dòng)車追蹤，追蹤的結(jié)果如圖4 所示，追蹤器能夠較高地對(duì)大客車、小轎車以及電動(dòng)車進(jìn)行追蹤，在多目標(biāo)追蹤過程中，本文的平均正確檢測(cè)率達(dá)到75%左右，由于實(shí)際情況中的不定因素有很多，如光照的急劇變化、目標(biāo)之間的遮擋、人流和車流的密度較高等等。因此也會(huì)影響機(jī)動(dòng)車檢測(cè)和追蹤的準(zhǔn)確率和精確率。在目標(biāo)追蹤的過程中也發(fā)現(xiàn)到追蹤的準(zhǔn)確率和精確度最容易受到光照強(qiáng)度的影響，如光線過亮或過暗時(shí)拍攝的機(jī)動(dòng)車檢測(cè)和追蹤都會(huì)出現(xiàn)誤檢測(cè)和誤追蹤，因此獲取的視頻質(zhì)量十分重要，可加入自動(dòng)光線補(bǔ)償過程使得過亮或過暗的光線能得到調(diào)整，從而不影響機(jī)動(dòng)車運(yùn)動(dòng)區(qū)域的視頻質(zhì)量。另外，在實(shí)驗(yàn)過程中發(fā)現(xiàn)到對(duì)于從視頻序列中如何選擇拍攝角度與效果較好的一幀也是需要改進(jìn)的地方，因此前期幀質(zhì)量的選擇會(huì)影響到后續(xù)的特征提取與檢測(cè)。

為了正確反映出多機(jī)動(dòng)車追蹤算法的準(zhǔn)確率，主要從2 個(gè)指標(biāo)上對(duì)算法進(jìn)行度量:(1)序列幀檢測(cè)精度(SFDA)，SFDA 主要度量在追蹤過程中車輛被檢測(cè)到的數(shù)量、誤檢和錯(cuò)檢的數(shù)量，其中SFDA 中的FDA 是每一幀的目標(biāo)檢測(cè)率;(2)平均追蹤精度(STDA)指標(biāo)，主要檢測(cè)算法對(duì)于目標(biāo)追蹤的精度，是反映該算法追蹤準(zhǔn)確率最重要的指標(biāo)［11-13］。

圖4 不同光照條件下多機(jī)動(dòng)車追蹤結(jié)果

多機(jī)動(dòng)車追蹤的結(jié)果如表2 所示，在機(jī)動(dòng)車的單目標(biāo)追蹤中，追蹤的準(zhǔn)確率較高，由于在機(jī)動(dòng)車追蹤問題中，機(jī)動(dòng)車的運(yùn)行軌跡相對(duì)連續(xù)，因此在機(jī)動(dòng)車的軌跡追蹤中，可以縮小MCMC 算法的滑動(dòng)窗的搜索范圍，而對(duì)于運(yùn)動(dòng)變化較大的目標(biāo)追蹤中，為了提高追蹤算法的準(zhǔn)確率，有時(shí)必須擴(kuò)大滑動(dòng)窗的搜索范圍，在目標(biāo)追蹤中，問題域的先驗(yàn)知識(shí)對(duì)于提高追蹤算法的準(zhǔn)確率是十分重要。在多目標(biāo)追蹤中，由于多個(gè)目標(biāo)之間的拓?fù)潢P(guān)系會(huì)隨著機(jī)動(dòng)車的運(yùn)動(dòng)而發(fā)生改變，MHDA 算法通過保持多個(gè)目標(biāo)在追蹤過程中的聯(lián)合概率進(jìn)行關(guān)聯(lián)，由于計(jì)算聯(lián)合概率隨著追蹤時(shí)間的增長呈指數(shù)級(jí)別增長，因此設(shè)置計(jì)算聯(lián)合概率的時(shí)間長度可以有效地降低算法的收斂速度，由于在交通路口的多目標(biāo)追蹤，機(jī)動(dòng)車之間的拓?fù)潢P(guān)系相對(duì)固定，也減少了多目標(biāo)追蹤算法的追蹤丟失率和錯(cuò)追蹤率。從表2 中可知，在清晨和下午2 個(gè)時(shí)段，多機(jī)動(dòng)車追蹤的準(zhǔn)確率能夠達(dá)到要求，在夜晚時(shí)段，追蹤的準(zhǔn)確率急劇下降，追蹤丟失率達(dá)到45%左右。

表2 測(cè)試數(shù)據(jù)集的追蹤精度和準(zhǔn)確度 %

4.3 算法的實(shí)時(shí)性追蹤分析

針對(duì)算法的實(shí)時(shí)性，針對(duì)測(cè)試視頻分別MCMC和MDHA 算法，Online Boosting 算法進(jìn)行對(duì)比，追蹤算法的實(shí)時(shí)性主要通過每分鐘追蹤的幀數(shù)(f/s)進(jìn)行對(duì)比，實(shí)時(shí)性要達(dá)到20 f/s 左右才能滿足實(shí)時(shí)性，在測(cè)試過程中，數(shù)據(jù)集1～3 的時(shí)間長度為10 min 的實(shí)時(shí)視頻，每分鐘追蹤的幀數(shù)測(cè)試結(jié)果如表3 所示，從表3 可知，MCMC 和MDHA 算法相對(duì)與Online Boosting 算法而言，在正常光照條件下，每分鐘可以追蹤20 f/s，而在黑夜條件下，每分鐘可以追蹤15 f/s，相對(duì)Online Boosting 算法而言，可以較好地滿足實(shí)時(shí)性的要求。

表3 測(cè)試數(shù)據(jù)集的實(shí)時(shí)性能對(duì)比 (f·s -1)

5 結(jié)束語

本文針對(duì)多機(jī)動(dòng)車檢測(cè)和追蹤過程中的問題，提出了一種基于MCMC 和MHDA 算法的多機(jī)動(dòng)車檢測(cè)和追蹤算法，通過在不同分辨率尺度上利用全局和部分模板提取機(jī)動(dòng)車目標(biāo)，并利用MCMC 和MHDA 完成目標(biāo)的全局追蹤。實(shí)驗(yàn)結(jié)果利用數(shù)據(jù)關(guān)聯(lián)可以降低機(jī)動(dòng)車追蹤過程中的追蹤丟失率和機(jī)動(dòng)車的錯(cuò)追蹤率，能夠完成機(jī)動(dòng)車的普通場(chǎng)景下的機(jī)動(dòng)車檢測(cè)和追蹤，有效地對(duì)小轎車、大客車、電動(dòng)車和自行車等4 種不同類型的車輛進(jìn)行檢測(cè)和追蹤，為以后機(jī)動(dòng)車的在線識(shí)別和跨相機(jī)的追蹤研究提供了理論和實(shí)踐基礎(chǔ)。

［1］Yilmaz A，Javed O，Shah M.Object Tracking:A Survey［J］.Acm Computing Surveys，2006，38(4):1-45.

［2］Reid D B.An Algorithm for Tracking Multiple Targets［J］.IEEE Trans.on Automatic Control，1979，24(6):843-854.

［3］Fortmann T E，Bar-Shalom Y，Scheffe M.Sonar Tracking of Multiple Targets Using Joint Probabilistic Data Association ［J］.IEEE Journal Oceanic Engineering，1983，8(3):173-184.

［4］楊小軍，潘 泉，王 睿，等.粒子濾波進(jìn)展與展望［J］.控制理論與應(yīng)用，2006，23(2):261-267.

［5］Shu Guang.Part-based Multiple-person Tracking with Partial Occlusion Handling ［C］//Proc.of IEEE Conference on Computer Vision and Pattern Recognition.［S.1.］:IEEE Press，2012.

［6］Felzenszwalb P，Girshick R，McAllester D，et al.Object Detection with Discriminatively Trained Part Based Models ［J］.IEEE Trans.on Pattern Analysis and Machine Intelligence，2010，32(9):110-121.

［7］Andriluka M，Roth S，Schiele B.People Tracking by Detection and People Detection by Tracking ［C］//Proc.of IEEE Conference on Computer Vision and Pattern Recognition.［S.1.］:IEEE Press，2008:321-329.

［8］Leibe B，Schindler K，Gool L V.Coupled Detection and Trajectory Estimation for Multi-object Tracking［C］//Proc.of IEEE International Conference on Computer Vision.［S.1.］:IEEE Press，2007.

［9］Rangachar K.Framework for Performance Evaluation of Face，Text，and Vehicle Detection and Tracking in Video:Data，Metrics，and Protocol ［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2009，31(2):319-336.

［10］Xu Jia，Lu Huchuan，Yang Minghuan.Visual Tracking via Adaptive Structural Local Sparse Appearance Model［C］//Proc.of IEEE Conference on Computer Vision and Pattern Recognition.［S.1.］:IEEE Press，2012:356-347.

［11］Felzenszwalb P，McAllester D，Ramaman D.A Discriminatively Trained，Multiscale，Deformable Part Model ［C］//Proc.of Computer Vision and Pattern Recognition Conference.［S.1.］:IEEE Press，2008:1-8.

［12］Ali S，Shah M.Human Action Recognition in Videos Using Kinematic Features and Multiple Instance Learning［J］.IEEE Trans.on Pattern Analysis and Machine Intelligence，2009，32(2):288-303.

［13］Xiao Jiangjian，Cheng Hui，Sawhney H S，et al.Vehicle Detection and Tracking in Wide Field-of-View Aerial Video［C］//Proc.of Computer Vision and Pattern Recognition Conference.［S.1.］:IEEE Press，2010:679-684.

［14］Ge J，Luo Y，Tei G.Real-time Pedestrian Detection and Tracking at Nighttime for Driver-assistance Systems［J］.IEEE Trans.on Intelligent Transportation Systems，2009，10(2):283-298.