晏細(xì)蘭 石坤泉

摘? 要：目前在人流統(tǒng)計(jì)領(lǐng)域，一般采用計(jì)算終端前置化，導(dǎo)致計(jì)算終端的計(jì)算能力較弱，只能采用距離和幾何特征匹配的方法進(jìn)行跟蹤和計(jì)數(shù)，所以準(zhǔn)確率不高。為了克服這個問題，本文提出一種用于人流統(tǒng)計(jì)的目標(biāo)跟蹤方法，在得到采用距離和幾何特征匹配的運(yùn)動軌跡后，引入人類的行為匹配模型對運(yùn)動軌跡進(jìn)行優(yōu)化，提高追蹤軌跡的準(zhǔn)確率。

關(guān)鍵詞：人流統(tǒng)計(jì);目標(biāo)跟蹤優(yōu);系統(tǒng)設(shè)計(jì)

中圖分類號：TP391.41? ? ? 文獻(xiàn)標(biāo)識碼：A 文章編號：2096-4706（2019）07-0020-02

Abstract：At present，in the field of human flow statistics，the computing terminal is usually pre-positioned，which results in the weak computing ability of the computing terminal. It can only be tracked and counted by the matching method of distance and geometric features，so the accuracy is not high. In order to overcome this problem，a target tracking method for human flow statistics is proposed in this paper. After obtaining the trajectory matched by distance and geometric features，human behavior matching model is introduced to optimize the trajectory and improve the accuracy of tracking trajectory.

Keywords：flow statistics;target tracking optimization;system design

1? 目標(biāo)跟蹤匹配方法研究現(xiàn)狀

目前視頻圖像處理中，目標(biāo)跟蹤方法主要有基于目標(biāo)靜態(tài)特征的匹配方法和基于目標(biāo)距離和幾何特征的匹配方法[1，2]。基于目標(biāo)靜態(tài)特征匹配的方法需要計(jì)算所有目標(biāo)在整個視頻序列里的特征信息并需要和所有特征數(shù)據(jù)進(jìn)行循環(huán)匹配，所以具有匹配性強(qiáng)的特點(diǎn)，不因局部時間目標(biāo)丟失而導(dǎo)致追蹤失敗，在多目標(biāo)跟蹤的情況下可有效區(qū)分各個目標(biāo)的特點(diǎn)。同時，這樣全局匹配的方法也存在一些問題。而基于距離和幾何特征的匹配方法具有匹配速度快的特點(diǎn)，但在多目標(biāo)跟蹤的情況下，由于缺乏不同目標(biāo)的特征信息，導(dǎo)致匹配準(zhǔn)確率低。而在人流統(tǒng)計(jì)領(lǐng)域，一般采用計(jì)算終端前置化，導(dǎo)致計(jì)算終端的計(jì)算能力較弱，所以只能采用距離和幾何特征的匹配方法進(jìn)行跟蹤和計(jì)數(shù)[3]，所以準(zhǔn)確率不高。

本文提出一種用于人流統(tǒng)計(jì)的目標(biāo)跟蹤方法，在得到采用距離和幾何特征匹配的運(yùn)動軌跡后，引入人類的行為匹配模型對運(yùn)動軌跡進(jìn)行優(yōu)化，提高追蹤軌跡的準(zhǔn)確率。

2? 用于人流統(tǒng)計(jì)的目標(biāo)跟蹤優(yōu)化系統(tǒng)設(shè)計(jì)

用于人流統(tǒng)計(jì)的目標(biāo)跟蹤優(yōu)化系統(tǒng)總體設(shè)計(jì)方法過程如圖1所示。由于移動軌跡可能存在瞬時抖動，在計(jì)算移動軌跡的速度和方向時，需要使用一定的計(jì)算時間窗口N來獲得比較穩(wěn)定的數(shù)據(jù)。

在1-Window calculator中，利用已知的相機(jī)視場角FOV和測量得到的相機(jī)到視野中心物體的物理距離WD，計(jì)算得出視野中橫向物理寬度，即橫向視場寬度FW。我們需要人工定義參數(shù)窗口占屏比SL，通常為0.05，進(jìn)而計(jì)算窗口的物理寬度，即SL和FW的乘積。另外，我們需要定義參數(shù)人類經(jīng)典步行速度VR，通常定義為4m/s。根據(jù)以上數(shù)據(jù)和視頻中實(shí)際追蹤的幀率FPS，可計(jì)算得到時間窗口N。

在2-Outlier recognizer中，能判斷Tr各條軌跡中是否具有拐點(diǎn)，拐點(diǎn)的判斷需要計(jì)算軌跡中各個點(diǎn)的移動速度vi和移動方向的變化率Δdi。移動速度vi的計(jì)算是通過目標(biāo)點(diǎn)i以窗口N找到前面的點(diǎn)和后面的點(diǎn)，可計(jì)算出窗口內(nèi)的移動距離，根據(jù)移動距離和時間窗口N即可得到軌跡在第i點(diǎn)的移動速度vi，再根據(jù)窗口前后點(diǎn)的坐標(biāo)，計(jì)算得到軌跡在第i點(diǎn)的移動方向di，進(jìn)而算出移動方向的變化率Δdi。其中由于軌跡的開始后點(diǎn)和結(jié)束前的無法滿足窗口計(jì)算的要求，故認(rèn)為這部分的移動速度和移動方向是不變的。拐點(diǎn)的判定需要判斷該點(diǎn)是否為非靜止點(diǎn)，因?yàn)楫?dāng)該點(diǎn)為靜止點(diǎn)的時候，由于數(shù)據(jù)本身的抖動，導(dǎo)致移動方向的變化率Δdi變化很大，影響判定效果。如果有移動速度vi大于非靜止速度VL時即為非靜止點(diǎn)，其中VL為可設(shè)參數(shù)，通常為1m/s;

由于人們移動方向是連續(xù)的，不可能在保持一定移動速度的情況下進(jìn)行大角度的拐彎，故認(rèn)為移動方向的變化率Δdi大于DL的非靜止點(diǎn)為異常拐點(diǎn)，通常拐點(diǎn)是由多個移動目標(biāo)因重合交替等造成的，故將軌跡以拐點(diǎn)為分界點(diǎn)，將移動軌跡分成多段軌跡并從新組合成個新的集合TB以進(jìn)行下一步的計(jì)算。

在3-Combiner中包含3個修復(fù)模塊，分別是斷連判斷模塊、重合判斷模塊和分離判斷模塊。根據(jù)運(yùn)動軌跡序列的移動速度和移動方向變化率，確定軌跡中的異常拐點(diǎn)。根據(jù)異常拐點(diǎn)將運(yùn)動軌跡序列切斷為多段運(yùn)動軌跡序列，并重新組合成新的運(yùn)動軌跡序列集合。新的運(yùn)動軌跡序列集合對運(yùn)動軌跡進(jìn)行斷線判斷、重合判斷和分離判斷，得到修復(fù)后的運(yùn)動軌跡序列集合。

3? 系統(tǒng)修復(fù)模塊設(shè)計(jì)

3-Combiner中包含3個修復(fù)模塊，斷連判斷模塊是為了解決運(yùn)動軌跡由遮擋或漏檢等因素引起的同軌跡斷裂并被判斷為兩條軌跡。

對比一條軌跡的結(jié)束點(diǎn)和另外一條軌跡的起始點(diǎn)，若另外一條軌跡大于這條軌跡長度且有兩條軌跡長度的差小于tL則認(rèn)為兩段軌跡有時間上的連續(xù)性。其中tL為目標(biāo)丟失的最大容忍時間，為可設(shè)參數(shù)，通常為2s。如果兩條軌跡長度的差值小于DL，認(rèn)為兩段軌跡具有方向一致性，其中DL為目標(biāo)的最大容忍拐彎限制，為可設(shè)參數(shù)，通常為。計(jì)算兩條軌跡的距離，如果距離小于第一條軌跡，按照第二條軌跡在tL時間移動的距離，則認(rèn)為兩段曲線具有空間的連續(xù)性。

如同時滿足以上條件，則認(rèn)為該兩條軌跡實(shí)際上是同一條軌跡。具體實(shí)例如圖2所示，兩段同時滿足時間、方向和空間一致性的軌跡則可合并修復(fù)。

另外特殊如圖3所示，由于兩個運(yùn)動相交，可能追蹤的時候造成圖5的錯誤，但通過拐點(diǎn)判斷，把軌跡拆分在斷連后，則能得到正確的兩條軌跡。重合判斷模塊是為了解決運(yùn)動軌跡由于開始目標(biāo)分開后來并行情況下軌跡斷裂的問題，具體如圖4首先有某段軌跡，計(jì)算其結(jié)束點(diǎn)的移動趨勢，其次對比另外一段軌跡中的所有點(diǎn)，若第一條軌跡的延長部分與第二條相交，則認(rèn)為兩條軌跡具有空間上的連續(xù)性。若第二條軌跡的交點(diǎn)時間差小于tL，則認(rèn)為兩條軌跡具有時間上的連續(xù)性。

分離判斷模塊是為了解決運(yùn)動軌跡由于開始目標(biāo)重合，后來分開后個別軌跡不完整的問題，具體如圖5所示，先有某段軌跡，根據(jù)其開始點(diǎn)的移動趨勢，反向計(jì)算其在tL前的位置。其次對比另外一段軌跡中的所有點(diǎn)，若第一條軌跡的反向延長部分與第二條軌跡相交，則認(rèn)為兩條軌跡具有空間上的連續(xù)性。若兩條軌跡的交點(diǎn)時間差小于tL，則認(rèn)為兩條軌跡具有時間上的連續(xù)性。若比兩條軌跡的交點(diǎn)方向角度差小于DL，則認(rèn)為兩條軌跡具有方向上的一致性。最后若滿足第二步中所有條件，測認(rèn)為第二條軌跡中交點(diǎn)前的部分也屬于第一條，合并后得到新的軌跡。通過以上三個修復(fù)模塊，可得到新的運(yùn)動軌跡序列集合。

4? 結(jié)? 論

本文提出的目標(biāo)跟蹤優(yōu)化方法，可以很好地解決計(jì)算終端的計(jì)算能力較弱所導(dǎo)致的追蹤準(zhǔn)確率不高的問題，引入的人類的行為匹配模型對運(yùn)動軌跡進(jìn)行優(yōu)化，大大提高了追蹤軌跡的準(zhǔn)確率。

參考文獻(xiàn)：

[1] 張微，康寶生.相關(guān)濾波目標(biāo)跟蹤進(jìn)展綜述 [J].中國圖象圖形學(xué)報(bào)，2017，22（8）：1017-1033.

[2] 張簡.全景視頻監(jiān)視系統(tǒng)在貴陽機(jī)場的應(yīng)用 [J].電腦知識與技術(shù)，2015，11（7）：228-229.

[3] 尹宏鵬，陳波，柴毅，等.基于視覺的目標(biāo)檢測與跟蹤綜述 [J].自動化學(xué)報(bào)，2016，42（10）：1466-1489.

作者簡介：晏細(xì)蘭（1985-），女，漢族，江西南昌人，教師，講師，碩士，主要研究方向：圖像處理，信號處理;石坤泉（1967-），男，漢族，廣東興寧人，副教授，主要研究方向：信息安全。