王 軼 方英武 劉振霞

（空軍工程大學信息與導航學院 西安 710077）

復雜場景下多運動目標遮擋跟蹤方法＊

王 軼 方英武 劉振霞

（空軍工程大學信息與導航學院 西安 710077）

基于Dezert－Smarandache theory（DSmT）提出一種自然場景下多運動目標遮擋的跟蹤方法。在DSmT和粒子濾波框架下，通過設計新的合并策略來融合運動目標的顏色和位置信息，建立起融合位置和顏色信息的多目標跟蹤仿真實驗平臺，最終實現(xiàn)自然場景下基于DSmT多運動目標遮擋的跟蹤算法。通過兩組不同場景下的跟蹤實驗測試，結(jié)果表明論文給出的證據(jù)合并策略和目標跟蹤模型快速、高效。特別是對于完全交叉、遮擋目標的跟蹤，最大粒子數(shù)達到40就能有效處理高沖突信息。進一步分析每個目標估計位置的RMS誤差，對于自然場景下多目標跟蹤過程中所涉及的證據(jù)間高沖突問題，采用文中方法顯示出良好的跟蹤能力和精度，其研究成果可為視覺跟蹤技術的應用提供新的研究方法和思路。

DSmT；合并策略；視覺跟蹤；遮擋目標

Class NumberTP391

1 引言

運動目標跟蹤是計算機視覺研究的核心內(nèi)容，由于被跟蹤目標本身特征的多樣性、所處環(huán)境的復雜性，使得目標跟蹤成為一個極富挑戰(zhàn)性的課題，特別是自然場景下出現(xiàn)的目標遮擋問題成為限制跟蹤算法魯棒性的關鍵因素［1～2］。復雜場景下運動目標遮擋涉及到大量的證據(jù)沖突問題，而實現(xiàn)這些沖突信息的有效融合是提升運動目標遮擋跟蹤算法魯棒性的關鍵。Dezert和Smarandache提出的DSmT（Dezert Smarandache Theory）理論［3］，在辨識框架的基礎上改進證據(jù)模型，既能夠處理多源信息的模糊性和不確定性也能處理高度沖突性，現(xiàn)已成為智能系統(tǒng)中處理不確定信息的一種常用的方法［4］。為了提高多目標跟蹤算法的魯棒性能，將DSmT理論引入視覺目標跟蹤研究，利用目標的多特征信息通過設計新的合并規(guī)則進行融合，以實現(xiàn)復雜場景下運動目標遮擋的魯棒視覺跟蹤算法，這對于推進視覺跟蹤技術的應用研究具有非常重要的意義和價值［5］。

近年來，各類跟蹤算法為解決跟蹤過程中運動目標的遮擋問題做出了許多努力。如Keck［6］等對目標間的遮擋過程進行建模，以解決運動目標的遮擋問題。由于上述算法無法同時解決靜態(tài)遮擋和動態(tài)遮擋，所以這類算法對各種遮擋情況的自適應處理能力有限。Pan［7］等將目標模板分為可見部分和被遮擋部分，但是當目標與遮擋物有相似的外觀時會造成目標模板中像素的誤分類，最終導致跟蹤算法的失敗。Lao［8］等提出的基于粒子濾波器的目標跟蹤算法對局部遮擋具有一定魯棒性，但無法處理完全遮擋問題。文獻［9］給出了一種基于多特征自適應融合的粒子濾波算法，取得了較好的跟蹤效果，不足之處是不能有效地處理全遮擋問題。文獻［10～11］針對視覺場景中存在光照變化、噪聲等影響因素，從顏色集和形狀紋理中選擇性能穩(wěn)定的多個特征相結(jié)合描述被跟蹤目標，取得了較傳統(tǒng)均值漂移方法更為穩(wěn)健的跟蹤結(jié)果，不足之處是不能處理發(fā)生遮擋時的目標狀態(tài)。此外，作者在粒子濾波的框架下給出了一種基于DSmT多信息融合的目標跟蹤方法［12］，可實現(xiàn)互遮擋過程中的多目標跟蹤，但研究發(fā)現(xiàn)因沖突焦元帶來的計算效率問題如何解決仍需要進一步研究。

綜上分析，自然場景下運動目標的遮擋是視覺跟蹤中常見卻極難解決的問題之一。由于利用目標的單一特征信息很難處理遮擋特別是完全遮擋問題，所以在相關研究工作的基礎上［12］，基于DSmT設計了一種新的證據(jù)合并策略，利用目標的顏色和位置特征信息建立目標遮擋的沖突證據(jù)組合模型，以此解決目標遮擋過程中的魯棒性跟蹤問題。

2 證據(jù)合并策略

DSmT提出將證據(jù)沖突的焦元選項看作有用信息一律保留來進行融合，這就從根本上解決了證據(jù)理論不能解決證據(jù)高沖突的問題。對于超冪集，設Θ＝｛θ1，…，θn｝是一個由n個完備假設組成的有限集稱為廣義辨識框架，超冪集是由以下幾個規(guī)則定義的集合［3］：

1）Φ，θ1，…，θn∈DΘ；2）如果A，B∈DΘ，那么A∩B∈DΘ且A∪B∈DΘ；3）除了用規(guī)則1）和2）得到的元素外，DΘ不包含其它的元素。令Θ為一個廣義辨識框架，如果函數(shù)m（·）：DΘ→［0，1］滿足如下條件：

則m（·）稱為廣義基本信度分配函數(shù)，而廣義信度函數(shù)和廣義似然函數(shù)可分別由如下定義給出：

式中：Bel（A）、Pls（A）分別表示辨識框架Θ上的置信函數(shù)和似然函數(shù)。

由于超冪集DΘ是通過對辨識框架Θ中的元素進行并和交的運算產(chǎn)生的集合，需要滿足三個條件；而在集合中包含交的運算使得辨識框架中保留了矛盾的焦元。因為DSmT保留沖突焦元增加了沖突焦元的賦值，所以在很多情況下主焦元的賦值函數(shù)難以快速收斂，這大大增加了目標跟蹤的難度。因此，本文借鑒文獻［13～14］的思路，給出描述證據(jù)間總體沖突程度的不一致性參數(shù)R，其表達式如式（3）：

式中：A表示識別框架的單個焦元，m1、m2分別表示兩個證據(jù)源的基本概率指派函數(shù)。

根據(jù)式（3），當證據(jù)間劇烈沖突時，即R→1，沖突大部分分配給涉及沖突的焦元的并集；當證據(jù)間沖突較弱時，即R→0，沖突大部分分配給涉及沖突的焦元。在此基礎上，給出一種將局部沖突在局部進行分配的改進的證據(jù)組合方法來實現(xiàn)，分配的依據(jù)是證據(jù)的基本信度指派值和證據(jù)的可信度［13］，下面給出相應的證據(jù)合并策略。

式中：r表示證據(jù)的絕對可信度，S表示基于D－S證據(jù)理論的支持度。

3 目標跟蹤模型

基于上述合并策略，下面以兩個跟蹤目標為例，采用位置和顏色信息來建立多目標跟蹤的合并模型。對于兩個目標，Θ可被定義為如下形式［15］：

式中：θ1表示第一個目標，θ2表示第二個目標，表示靜止場景，實際上，假定能夠代表背景信息，然而由于蹤跡變化可能會改變，所以作為一個假警告信息的參考。除此之外，由于可能的隱蔽遮擋問題，則θ1∩θ2≠φ以及θj∩

在時刻t－1，已知通過（xt－1，1，yt－1，1）和（xt－1，2，yt－1，2）給定目標位置，在時刻t，位于（xt（n，j），yt（n，j））一個粒子st（n，j）的概率，根據(jù)位置信息由下面的Gauss概率公式得到：

式中：σ表示帶寬參數(shù)，一個不屬于θ1和θ2的給定粒子概率在粒子和兩個目標之間總是與距離成反比。

由于Θ完整，不屬于θ1和θ2的粒子一定屬于則可以定義一個新的概率分布函數(shù)該函數(shù)能夠估計成員中一個粒子的虛警假設（n＝1，…，N），可表示為下面的形式：

式中：dmax表示圓心位置在目標1、2中點的最大半徑，該半徑包括所有時刻t－1粒子的蹤跡。

最終，通過本文給出的合并策略可定義出相應的mass函數(shù)，對于目標j，粒子s（n）t，j的權(quán)重在p（Xt｜Zt）的后驗分布區(qū)間通過信念函數(shù)也能夠得到：

基于上述分析，對于n個目標，可通過定義辨識框架Θ＝｛θ1，…，θn，θ1∪…∪θn｝來建立。

4 實例測試及分析

根據(jù)上述的合并策略建立起自然場景下相應的多目標跟蹤模型，在DSmT框架下設計實現(xiàn)多源信息融合的跟蹤算法。該算法主要基于粒子濾波合并位置和顏色信息，整個跟蹤過程主要包括視頻序列讀取模塊、視頻圖像預處理模塊、實時運動目標檢測模塊和實時運動目標跟蹤模塊等構(gòu)成。在此基礎上，基于Visual studio 2005C＋＋.net編譯環(huán)境和OPENCV 1.0開發(fā)出自然場景下的多目標跟蹤算法，在Pentium（R）D CPU 3.00GHz、內(nèi)存4GB的Window XP系統(tǒng)下實現(xiàn)，其操作界面如圖1所示。

圖1 跟蹤平臺的操作界面

對自然場景中的兩個運動目標進行實驗測試。跟蹤過程主要分為遮擋前、遮擋中和遮擋后三個階段，通過人工選定目標的初始位置，對每個目標平均使用20個粒子進行跟蹤，在跟蹤過程中的強沖突主要包括運動目標比例的變化、交叉與遮擋等。圖2給出了本文方法與文獻［12］方法在不同的跟蹤階段粒子數(shù)目變化情況的對比，其中虛線表示采用文獻［12］方法跟蹤過程中粒子數(shù)目的變化，實線表示采用本文方法跟蹤過程中粒子數(shù)目的變化。從圖2可以看出，采用文獻［12］方法需要52粒子才能有效處理目標遮擋過程中的高沖突問題，而本文的方法僅僅需要40個粒子來有效處理高沖突證據(jù)，在跟蹤效率上明顯得到提高。

圖2 不同跟蹤階段粒子數(shù)目的變化

進一步分析兩個目標跟蹤過程的關鍵幀及跟蹤結(jié)果，如圖3所示。

圖3 兩個目標的跟蹤關鍵幀及跟蹤結(jié)果

從圖3可以看出，第130幀到第175幀，兩個運動目標經(jīng)歷了交叉、部分遮擋和完全遮擋過程。粒子數(shù)隨證據(jù)間沖突水平也發(fā)生變化，當兩個運動目標完全遮擋時，最大粒子數(shù)達到40就能有效處理高沖突問題。與文獻［12］的方法相比，本文方法處理全遮擋目標跟蹤的精度具有明顯的優(yōu)勢，算法性能穩(wěn)定、高效。

在此基礎上，下面對自然場景中的三個運動目標進行跟蹤測試來驗證本方法的魯棒性。在這段視頻中，三個行人在廣場上沿不同的方向進行行走，在樹影的遮擋下光線由暗到明發(fā)生變化，三個目標運動過程中也相互遮擋。為了提高跟蹤算法的魯棒性能，采用了85個粒子來處理證據(jù)間的沖突，三個運動目標從左到右依次被標識為目標1、2、3，采用本文的方法最終實現(xiàn)了準確、高效地跟蹤，其跟蹤過程的關鍵幀和跟蹤結(jié)果如圖4所示。

圖4 三個目標跟蹤的關鍵幀及跟蹤結(jié)果

根據(jù)圖4，盡管場景中的光照有明顯的變化，目標3衣服的顏色與場景比較相似，且三個目標相互發(fā)生交叉和遮擋，但本方法克服了這些影響因素，實現(xiàn)了自然場景中三個運動目標的魯棒跟蹤。為了評估本方法處理高沖突證據(jù)的魯棒性能，采用基于文獻［16］的自適應尺度方法來跟蹤上面的視頻序列。同時，引入均方根誤差RMS（root－meansquare）來評價這兩種跟蹤方法的魯棒性，RMS誤差表達式可表示為

式中：m表示跟蹤目標的數(shù)目，（xj（t），yj（t））表示t時刻第j個實驗中的實際位置，（＾xj（t），＾yj（t））表示t時刻第j個實驗中的估計位置。

最終，采用兩種不同方法通過100次跟蹤實驗分析了三個運動目標估計位置的RMS誤差，圖5顯示了采用兩種不同方法的RMS誤差曲線。實驗結(jié)果表明對于復雜場景下尺度變化的運動目標，采用本方法可取得較好的跟蹤效果。由圖5可知，3個目標的測量誤差隨著場景的變化而增加，尤其是場景中的三個目標被多次完全遮擋時，RMS誤差增加明顯，采用文獻［16］的方法很難有效解決完全遮擋時的高沖突問題，而本文方法可提高復雜場景下的多目標跟蹤性能，跟蹤能力得到很大提升。

圖5 兩種不同方法估計位置的誤差曲線

5 結(jié)語

采用目標的單一特征信息很難實現(xiàn)復雜場景下魯棒的視覺跟蹤，而利用目標的多特征信息是提高跟蹤算法魯棒性的一種有效途徑。本文針對高沖突下的信息融合問題給出了一種基于DSmT新的合并策略，通過自然場景下的跟蹤仿真實驗，結(jié)果表明本文方法具有很好的魯棒性能。主要結(jié)論如下：

1）采用基于DSmT新的合并策略可有效處理復雜場景下的多目標遮擋跟蹤問題。實驗結(jié)果與傳統(tǒng)的粒子濾波相比，采用本文方法可取得魯棒的跟蹤效果，特別是對于完全交叉、遮擋目標的跟蹤，本文方法與文獻［12］方法相比，最大粒子數(shù)達到40就能有效處理高沖突問題，目標跟蹤的精度和效率明顯提高，跟蹤方法的魯棒性能得到有效改善。

2）采用本文的方法開發(fā)了融合位置和顏色信息的基于視覺多目標跟蹤仿真平臺。通過對復雜背景下3個運動目標的100次跟蹤測試表明，運動目標被多次完全交叉、遮擋時，RMS誤差增加明顯。但與文獻［16］的方法相比，采用本方法可取得較好的跟蹤效果，所以本文提出的方法具有較強的實用性。

3）由于存在跟蹤信息不完全或者圖像特征大畸變等情況，融合過程中常有強沖突信息而帶來較大的計算量問題，如何采用高效的合并規(guī)則建立多特征信息的沖突證據(jù)組合模型來提高復雜環(huán)境下視覺跟蹤算法的魯棒性，這些問題仍需展開深入探究。

綜上所述，深入開展復雜場景下多運動目標遮擋的視覺跟蹤方法研究，這不僅是推進視覺跟蹤技術的應用亟需解決的核心問題，而且也是實現(xiàn)快速魯棒的視覺跟蹤算法的關鍵，對于視覺跟蹤技術的應用具有非常重要的理論意義和實用價值。

［1］LEONID R，MICHAEL R，EHUD R.Dimensionality reduction using a Gaussian process annealed particle filter for tracking and classification of articulated body motions［J］.Computer Vision and Image Understanding，2011，115：503－519.

［2］李善青，唐亮，劉科研，等.一種快速的自適應目標跟蹤方法［J］.計算機研究與發(fā)展.2012，49（2）：383－391.

［3］DEZERT J，SMARANDACHE F.Advances and Applications of DSmT for Information Fusion［M］.Rehoboth：American Research Press，2009：10－55.

［4］LI X，DEZERT J，SMARANDACHE F，et al.Evidence supporting measure of similarity for reducing the complexity in information fusion［J］.Information Sciences，2011，181（10）：1818－1835.

［5］李谷全，陳忠澤.視覺跟蹤技術研究現(xiàn)狀及其展望［J］.計算機應用研究，2010，27（8）：2814－2821.

［6］KECK M.，DAVIS J W.3Docclusion recovery using few cameras［C］／／IEEE Conference on Computer Vision and pattern Recognition，2008：1－8.

［7］PAN J，HU B，ZHANG J Q.Robust and accurate object tracking under various types of occlusions［J］.IEEE Transactions on Circuits and Systems for Video Technology，2008，18（2）：223－236.

［8］LAO Y，ZHU J，ZHENG Y F.Sequential particle generation for visual tracking［J］.IEEE Transactions on Circuits and Systems for Video Technology，2009，19（9）：1365－1378.

［9］張濤，費樹岷.基于多特征信息自適應融合的視頻目標跟蹤算法［J］.系統(tǒng)科學與數(shù)學，2010，30（6）：761－767.

［10］WANG J Q，YAGI Y.Integrating color and shapetexture features for adaptive real－time object tracking［J］.IEEE Trans.Image Processing，2008，17（2）：235－240.

［11］劉亞雷，顧曉輝.改進的輔助粒子濾波當前統(tǒng)計模型跟蹤算法［J］.系統(tǒng)工程與電子技術，2010，32（6）：1206－1209.

［12］方英武，王軼，金偉，等.基于多信息融合的運動目標跟蹤方法研究［J］.光電工程，2011，38（8）：7－12.

［13］劉永闊，凌霜寒.DSmT與DST融合門限改進方法［J］.計算機應用，2012，32（4）：1037－1040.

［14］衣曉，孫曉明，關欣，等.有效處理沖突證據(jù)的融合方法［J］.清華大學學報：自然科學版，2009，49（1）：138－141.

［15］WANG Yi，F(xiàn)ANG Yingwu，DA Xinyu，et al.Research on dynamic targets tracking based on color cues under complicated scene［J］.Procedia Engineering，2011，16：59－64.

［16］王書朋，姬紅兵.自適應尺度目標跟蹤算法［J］.計算機輔助設計與圖形學學報，2008，20（11）：1466－1470.

TrackingMethod of Occluded MovingObjects Based on Cluttered Scene

WANG Yi FANG Yingwu LIU Zhenxia
（Information and Navigation College，Air Force Engineering University，Xi'an 710077）

The aim of this article is to present a tracking approach for occluded objects in natural environment based on Dezert－Smarandache theory（DSmT）.In the framework of DSmT and particle filters（PF），location and color cues of moving objects are combined by using new combination rules.As a result，targets tracking platform which embeds location and color cues into the PF and DSmT is developed，and the corresponding tracking algorithm in natural environment is realized based on DSmT.Two sets of experiments including many difficult tracking scenes with comparisons were carried out to validate the approach，and results shown that the combination evidence strategy and objects tracking model based on DSmT are fast and efficient.Especially，40particles are used to handle the high conflict information between evidences for the tracking targets of crosses and occlusions.Further，by analyzing the RMS errors of estimated position for every target，the introduced approach exhibits an excellent tracking ability and accuracy for dealing with high conflict information between evidences in natural environment.The achievement of this work will provide new methods and new ideas for the application of vision tracking technique.

DSmT，combination rule，vision tracking，occluded object

TP391DOI：10.3969／j.issn.1672－9730.2015.11.010

2015年5月8日，

2015年6月29日

陜西省自然科學基金項目（編號：2012JM8004）；陜西省科技計劃項目（編號：2013K07－17）資助。

王軼，女，碩士，講師，研究方向：信息融合處理、多目標跟蹤方法。方英武，男，博士后，研究方向：信息融合處理。劉振霞，女，碩士，副教授，研究方向：圖像處理。