周　明，涂宏斌（.上海申通軌道交通研究咨詢有限公司，上海003；.華東交通大學軌道交通學院，江西南昌33003）

?

一種基于改進粒子濾波的多目標檢測與跟蹤方法

周明1，涂宏斌2
（1.上海申通軌道交通研究咨詢有限公司，上海201103；2.華東交通大學軌道交通學院，江西南昌330013）

摘要：針對復雜監(jiān)控環(huán)境下由于目標間相互遮擋導致多行人目標檢測與跟蹤準確率低的問題，利用一種基于改進運動目標的檢測方法和改進粒子濾波的多目標跟蹤算法。首先，采用改進動態(tài)高斯模型在監(jiān)控環(huán)境下對人體運動目標進行檢測，然后利用改進粒子濾波算法對場景中多人體運動目標進行識別。該算法可以在發(fā)生行人目標發(fā)生遮擋時，消除或降低由于遮擋等原因造成的目標檢測和跟蹤精度下降問題。實驗證明該算法在滿足實時性的要求下，可以在遮擋和非遮擋情況下對人體目標進行準確檢測和跟蹤。

關鍵詞：多目標跟蹤；運動檢測；粒子濾波；實時跟蹤

智能視頻監(jiān)控技術是計算機視覺領域近年來新興的一個研究方向，它融合了圖像處理模式識別人工智能以及自動控制等不同領域的先進技術，將計算機視覺同網(wǎng)絡化的視頻監(jiān)控結合起來，實現(xiàn)視頻中運動目標的檢測識別跟蹤和行為分析等功能［1］。目前，多行人目標跟蹤技術廣泛應用于智能視頻監(jiān)控等領域，然而該項跟蹤技術用于許多應用于公共場所（例如：地鐵站、火車站和銀行等場合）［2］，具有很多不可控的干擾因素：①復雜場景；②人體目標之間的遮擋和自遮擋；③場景內(nèi)光照不均勻等因素。在實際監(jiān)控場景下，由于遮擋情況常常會由于在跟蹤過程中人體目標丟失而導致降低實時監(jiān)控的效率［3］，這給跟蹤的準確性以及算法的計算復雜度帶來了諸多問題。行人檢測與跟蹤是行為分析的基礎，近些年受到了廣泛的關注。

常用的運動目標檢測的方法有光流法［4］，背景消減法［5］，幀間差分法［6］。光流法不需要預先獲取圖像背景，計算結果僅僅依靠圖像中的相對運動就可以很精確地計算出運動目標的速度等參數(shù)，但其算法復雜運算量較大，實時性和實用性較差。幀間差分法的原理和算法比較簡單，易于實現(xiàn)且實時性好，但一般不能完全提取所有相關的特征像素點在運動，實體內(nèi)部容易產(chǎn)生空洞現(xiàn)象，檢測位置不夠精確。背景消減法操作簡單，檢測位置準確且速度快，但背景獲取受環(huán)境影響大，很難獲取準確的背景。黃曉生等提出利用一種基于PCP的塊稀疏RPCA運動目標檢測算法［7］。郭厚焜等提出一種基于稀疏表示和字典學習的背景差分法，該方法可以有效克服使用背景差分法時，背景存在突變和漸變、圖像數(shù)據(jù)的冗余和偽前景對目標檢測的干擾等問題［8］。張璐波等提出了一種基于Lucas-Kanade（LK）光流及運動目標預檢機制的視頻幀內(nèi)運動目標復制-粘貼篡改檢測算法［9］。徐久強等提出了結合幀間差分技術的ViBe改進算法，通過使用幀間差分方法判斷鬼影像素，提高消除鬼影的速度，從而有效提高跟蹤精度［10］。熊春紅等利于粒子濾波算法對多傳感器信息進行融合，對磁懸浮列車進行跟蹤定位［11］。但是上述方法在復雜場景下光照變化、運動目標跟蹤過程中發(fā)生的遮擋或自遮擋和攝像機發(fā)生運動等情況下，目標檢測效果依然不理想。

運動目標跟蹤是一個復雜的問題，現(xiàn)有的目標跟蹤方法主要有：基于區(qū)域的跟蹤、基于模型的跟蹤和基于活動輪廓的跟蹤等方法［11-12］。

綜上所述，現(xiàn)有的目標檢測方法大多采用背景提取模型、統(tǒng)計模型、時空差異模型和光流等模型，但是諸如上述模型受到動態(tài)場景變化、對噪聲和遮擋等因素影響導致檢測精度不穩(wěn)定；而現(xiàn)有的多目標跟蹤算法大多基于區(qū)域跟蹤、基于輪廓跟蹤、基于特征和混合模型進行跟蹤，這些模型大多只關注生成所有目標的區(qū)分性運動和外觀模型；但是由于在實際監(jiān)控環(huán)境下不同程度存在光照變化不均勻、圖像噪聲、目標之間遮擋或自遮擋等情況，使得這些方法在上述情況下跟蹤精度不高。

本文在文獻［12-14］基礎上，先采用改進動態(tài)高斯模型在監(jiān)控環(huán)境下對人體運動目標進行檢測，然后利用改進粒子濾波算法對場景中多人體運動目標進行識別。該跟蹤算法可以在遮擋和非遮擋情況下多人體目標進行準確跟蹤。

1　運動目標檢測

運動目標檢測就是從圖像序列中將前影變化區(qū)域從背景圖像中提取出來，最常用的方法有背景差分法、幀間差分法和光流法等。差分圖像算法就是將視頻不同幀的圖像進行灰度化處理再將處理好的兩幀圖像相減得到二值圖像來進行目標檢測的算法。實現(xiàn)差分圖像算法通常有二種方法：一種是對當前圖像與背景圖像之間進行差分；另一種是在一段時間內(nèi)的兩幀圖像之間進行差分。這兩種方法之間各有優(yōu)劣，靜態(tài)背景法計算量小響應速度快但它不適應灰度變化較大的檢測環(huán)境也就是光照條件變化明顯的環(huán)境?；谖墨I［12-14］，本文采用高斯分布混合模型（GMM）檢測人體運動目標。文中利用選定的顏色空間描述每個像素，當前像素觀測值的后驗概率P（Xt）為

式中：Xt表示在t時刻像素密度；M表示圖像幀中背景模型；表示圖像幀中選中的正向子集；ψt2表示圖像幀中選中的反向子集；在公式（2）中wit為t時刻第i個高斯分布的權值；通過初始化均值μ以及利用EM算法（期望最大值算法）估計出協(xié)方差矩陣Σ。一旦高斯變量K確定，則滿足以下條件可以確定出高斯背景分布B

式中：T1為閥值；b為i＝1到總數(shù)為b的高斯分布序列。

本文定義另一個高斯概率分布表示找到的目標，利用Mahalanobis距離作為判據(jù)對目標和背景進行識別，并對權值進行更新

式中：a和ρ為學習率為δ適應學習參數(shù)；ρ為收斂系數(shù)；δ2iπ+1為定義的高斯分布。因此，根據(jù)GMM理論可以得到

式中：Pf（Xt）和Pb（Xt）表示GMM模型中后驗概率值；Met-1和Met+1分別為后驗概率中前一時刻和后一時刻的概率值。并定義一個相似度參數(shù)x，該參數(shù)表示前景和目標相似性判斷

式中：?為相似度參數(shù)；v為權值；ζn為相似性時間分布最大值。

2　利用改進粒子濾波算法對運動目標進行預測跟蹤

粒子濾波作為一種普通應用的近似方法，本身能實現(xiàn)多模式搜索，并能在全局空間中找到最優(yōu)結果。但粒子濾波在光照變化、遮擋和攝像頭運動等情況下跟蹤精度不高；尤其是粒子退化問題，若增加采樣粒子數(shù)則增加計算量，而重采樣會降低粒子的多樣性；因此，針對上述問題，本文利用文獻［12-13］提出改進的粒子濾波算法對遮擋情況下多人體目標進行跟蹤。

首先定義一個根變量R表示運動信息

其中：τ表示轉(zhuǎn)移矩陣，η表示隨機噪聲。

尺度參數(shù)L估計值計算如下

其中：φ為L和R之間的相關性。

本文定義一個運動模型，該模型利用貝葉斯估計算法對目標運動狀態(tài)建模

此處利用卡爾曼濾波算法估計出L值

然后，再建立一個用于估計每個粒子的觀測模型

其中：ρ［sri，r］表示各個粒子間的相似度。粒子的顏色直方圖為

其中：σ*為克羅里克函數(shù)，h（θi）為二值函數(shù)。

最后基于粒子的低權值定義一個重采樣模型，并采用以下更新策略

其中：Kti為卡爾曼增益，該參數(shù)用于最小化后驗誤差協(xié)方差。

3　試驗驗證及結果分析

為了驗證本文提出算法的有效性，本文利用現(xiàn)有公共監(jiān)控數(shù)據(jù)庫進行實驗，分別采用CAVIAR數(shù)據(jù)庫［14-15］和BEHAVE數(shù)據(jù)庫［15-16］和UT-interaction數(shù)據(jù)庫［16-17］，實驗環(huán)境采用Intel 2.4 GHz、8 G內(nèi)存，Windows XP操作系統(tǒng)，編程語言采用Matlab。

在CAVIAR數(shù)據(jù)庫中，如圖1所示，靠近柜臺處行為人被固定場景遮擋，空白大廳處不存在遮擋情況，從圖1的結果可以看到在空閑大廳處由于不存在遮擋情況，所以跟蹤效果很好。其中在圖1（a）和圖1（b）場景中，雖然人與人之間存在遮擋，但是本文提出的算法可以很好的跟蹤人體目標；圖1（c）和圖1（d）場景下前臺處，行為人被場景中的設施遮擋，但是仍然可以準確跟蹤行為人目標。

在BEHAVE數(shù)據(jù)庫中，沒有遮擋情況下，人體目標可以很好的檢測出來并準確跟蹤；當出現(xiàn)多人之間遮擋及自遮擋時，跟蹤算法也能很好的對行人目標進行準確跟蹤，不會出現(xiàn)跟蹤過程中丟失目標的情況。

在UT-interaction數(shù)據(jù)庫中，在沒有遮擋和遮擋情況兩種情況下，人體目標可以很好的檢測出來并準確跟蹤，該算法在整個跟蹤過程中沒有出現(xiàn)丟失目標的情況。

針對CAVIAR數(shù)據(jù)庫、BEHAVE數(shù)據(jù)庫和UT-interaction數(shù)據(jù)庫，文中方法與現(xiàn)有方法比較結果見表1～表3。

圖1　CAVIAR室內(nèi)監(jiān)控數(shù)據(jù)庫實驗結果圖Fig.1 The result of objects tracking in the CAVIAR dataset

表1　針對CAVIAR數(shù)據(jù)庫本文方法與現(xiàn)有文獻方法對比結果Tab.1 Comparison between the suggested approach and other approaches on CAVIAR dataset

表2　針對BEHAVE數(shù)據(jù)庫本文方法與現(xiàn)有文獻方法對比結果Tab.2 Comparison between the suggested approach and other approaches on BEHAVE dataset

表3　針對UT-interaction數(shù)據(jù)庫本文方法與現(xiàn)有文獻方法對比結果Tab.3 Comparison between the suggested approach and other approaches on BEHAVE dataset

從表1～表3可以看出，本文方法在遮擋和非遮擋情況下跟蹤精度比其他3種方法高。本文方法在上述3個數(shù)據(jù)庫中的平均運行時間與現(xiàn)有方法對比，結果如表4所示。

表4　平均運行時間結果Tab.4 Result of average running time

從表4可以看出，本文的方法平均運行時間短于現(xiàn)有文獻中提出的方法。

4　結論

本文利用改進運動目標檢測方法和改進粒子濾波多目標跟蹤算法對公共監(jiān)控場合的行為人進行目標檢測和跟蹤，針對監(jiān)控場合遮擋情況下跟蹤目標通常容易丟失的問題，提出了一種基于改進運動目標的檢測方法和改進粒子濾波的多目標跟蹤算法。實驗結果論證了該算法具有較好的精度和運行速度，可以應用于實時圖像跟蹤和視頻處理。而在現(xiàn)實生活中，大量的有意義的視覺信息包含在運動中，機器人行走定位、交通流量的檢測、重要場所的保安、航空和軍用飛機的制導、汽車的自動駕駛或輔助駕駛等；因此，該實時運動跟蹤方法具有廣泛的應用前景。

參考文獻：

［1］鄒薇，趙勛杰，李權，等.一種基于運動檢測的行人多目標跟蹤算法［J］.計算機應用與軟件，2014，31（8）：132-135.

［2］李一波，丁裕林.基于智能監(jiān)控的獨居老人室內(nèi)異常行為檢測［J］.計算機應用與軟件，2014，31（2）：188-190.

［3］劉宏志，吳中海，張興.一種基于特征選取的傳感器選擇方法［J］.計算機應用與軟件，2013，30（9）：100-102.

［4］NAOYA O，KENICHI K，KAZUHIRO K. Moving object detection from optical flow without empirical thresholds［J］. Ieice Transactions on Information & Systems，1998（2）：243-245.

［5］張蓉，陳興無，卓紅艷，等.空中紅外運動點目標檢測算法［J］.紅外與激光工程，2003，32（5）：472-475.

［6］邸男，朱明.一種復雜背景下的實時目標跟蹤算法［J］.中國圖象圖形學報，2008，13（9）：1758-1765.

［7］黃曉生，黃萍，曹義親，等.一種基于PCP的塊稀疏RPCA運動目標檢測算法［J］.華東交通大學學報，2013，30（5）：30-36.

［8］郭厚焜，吳峰，黃萍.基于壓縮感知和字典學習的背景差分法［J］.華東交通大學學報，2012，29（1）：43-47.

［9］張璐波，孫錟鋒，蔣興浩.視頻幀內(nèi)運動目標復制－粘貼篡改檢測算法［J］.上海交通大學學報，2015，49（2）：196-208.

［10］徐久強，江萍萍，朱宏博，等.面向運動目標檢測的ViBe算法改進［J］.東北大學學報：自然科學版，2015，36（9）：1227-1231.

［11］熊春紅，李曉龍，韓靜茹.基于粒子濾波算法信息融合的磁懸浮列車定位研究［J］.華東交通大學學報，2015，32（3）：12-15.

［12］SARVESH V，ANUPAM A. A survey on activity recognition and behavior understanding in video surveillance［J］. Vision Computer，2013，29（10）：983-1008.

［13］HARISH K D. Autonomous detection and tracking under illumination changes occlusions and moving camera［J］. Signal Processing，2015，117：343－354.

［14］FUKUNAGA T，KUBOTA S，ODA S，et al. GroupTracker：Video tracking system for multiple animals under severe occlusion［J］. Computational Biology & Chemistry，2015，57：39－45.

［15］FISHER R B. CAWIAR：context aware vision using image-based active recognition［EB/OL］.［2011-11-01］. http://homepages.inf. ed.ac.uk/rbf/CAVIAR/caviar.htm.

［16］FISHER R B：Computer-assisted prescreen of video streams for unusual activities［EB/OL］.［2011-11-01］. http://homepages.inf.ed. ac.uk/rbf/BEHACE/.

［17］RYOO M S，AGGARWAL J K. ut-interaction dataset，ICPR contest on semantic description of human activities（SDHA）［EB/ OL］.［2012-02-01］. http://cvrc.ece.utexas.edu/SDHA2010/HumanInteraction.html.

［18］IBARGUREN A，MAURTUA I，PEREZ M A，et al. Multiple target tracking based on particle filtering for safety in industrial robotic cells［J］. Robotics and Autonomous Systems，2015，72:105-113.

［19］KOWAL M C，POLLARD N S，SRINIVASA S S. Pose estimation for planar contact manipulation with manifold particle filters ［J］. International Journal of Robotics Research，2015，34（7）：922-945.

［20］MUTHUSWAMY K，RAJAN D. Particle filter framework for salient object detection in videos［J］. Iet Computer Vision，2015，9 （3）：428-438.

［21］SANMIGUEL J C，CAVALLARO A. Temporal validation of Particle Filters for video tracking［J］. Computer Vision & Image Understanding，2015，131：42-55.

（責任編輯姜紅貴）

Multi-target Detecting and Tracking Method Based on Improved Particle Filter

Zhou Ming1，Tu Hongbin2
（1. Shanghai Shentong Rail Transit Research and Consulting Co.，Ltd.，Shanghai 201103，China；2. School of Railway Tracks and Transportation，East China Jiaotong University，Nanchang 330013，China）

Abstract：To solve the occlusion problem in multiple pedestrians detection and tracking with complex surveillance environment，the improved Gaussian detection model and improved particle filter were presented. The improved Gaussian detection model was firstly used to detect multiple moving targets under surveillance environment. Then，the improved particle filter was employed for multiple pedestrian targets tracking while the targets were occluded. This method could eliminate or reduce filter instability and improve the tracking accuracy. Experiments proved that when the algorithm satisfied the real-time requirements，it could track human target accurately under conditions of both occlusion and non-occlusion.

Key words：multi-target tracking；motion detection；particle filter；real－time tracking

中圖分類號：TP391

文獻標志碼：A

文章編號：1005-0523（2016）02-0121-06

收稿日期：2015－10-09

作者簡介：周明（1987—），工程師，碩士，研究方向為技術防范，視頻監(jiān)控，通信工程。