陶冶 楊喜娟

摘 要：視頻追蹤技術(shù)可有效保障人民與社會(huì)的財(cái)產(chǎn)安全，并大大降低犯罪率，因此以C語言為基礎(chǔ)，利用Mean Shift算法設(shè)計(jì)了視頻中特定目標(biāo)追蹤系統(tǒng)。通過特征點(diǎn)的選取匹配到匹配度最高的模板并更新，可在一段運(yùn)動(dòng)視頻序列中跟蹤指定車輛、行人或其他移動(dòng)物品，并在目標(biāo)移動(dòng)過程中鎖定這一目標(biāo)，避免丟失跟蹤狀態(tài)，直至跟蹤目標(biāo)在此段運(yùn)動(dòng)視頻序列中消失。經(jīng)驗(yàn)證，系統(tǒng)具有較高的準(zhǔn)確度，推廣前景廣闊。

關(guān)鍵詞：視頻目標(biāo)追蹤;Mean Shift算法;特征點(diǎn)選取;模板匹配;C語言;概率密度

中圖分類號：TP39文獻(xiàn)標(biāo)識(shí)碼：A文章編號：2095-1302（2019）09-00-03

0 引 言

自21世紀(jì)以來，全球進(jìn)入信息時(shí)代，而信息安全以及人身財(cái)產(chǎn)一直是大多數(shù)人關(guān)注的對象，行車記錄儀、航拍無人機(jī)、手機(jī)等可以記錄視頻的科技產(chǎn)品已經(jīng)融入我們的生活。這些視頻信息主要用于安防和保障公民的人身財(cái)產(chǎn)安全。若單純依靠視頻信息無法快速、直接處理問題，但在一段監(jiān)控視頻中，追蹤信息能夠更加直觀地將視頻信息傳遞給人們。

視頻運(yùn)動(dòng)目標(biāo)的追蹤程序通過Mean Shift算法實(shí)現(xiàn)視頻中運(yùn)動(dòng)目標(biāo)的追蹤[1]，Mean Shift算法是迭代算法，每次迭代特征點(diǎn)的選取模板都會(huì)移動(dòng)到概率密度大的方向，因此在概率密度圖上使用Mean Shift算法。

1 Mean Shift算法原理

Mean Shift算法利用概率密度的梯度尋找局部最優(yōu)的模板圖像。Mean Shift算法輸入圖像范圍，然后迭代，直到達(dá)到追蹤目標(biāo)的要求為止。

運(yùn)動(dòng)目標(biāo)的追蹤就是觀察者想從視頻信息中追蹤的目標(biāo)，程序會(huì)鎖定運(yùn)動(dòng)目標(biāo)區(qū)域，實(shí)現(xiàn)目標(biāo)追蹤[2]。給定追蹤運(yùn)動(dòng)目標(biāo)的過程：在圖像區(qū)域中設(shè)置一個(gè)ROI，將得到的ROI傳送至程序，由程序在下一幀圖像中尋找移動(dòng)狀態(tài)下的ROI。在計(jì)算機(jī)視覺中采用如下解決方法。

（1）描述追蹤目標(biāo)區(qū)域轉(zhuǎn)換為顏色HSV空間（HSV為格式圖片的各通道取值范圍，H：0～360;S：0～1;V：0～1。H通道時(shí)保存的色調(diào)中每一個(gè)取值代表一個(gè)色調(diào)，但分布不均勻;S通道時(shí)，當(dāng)S小于0.1可以算為灰度圖像，大于0.65時(shí)亮度較高;V通道時(shí)，當(dāng)V小于0.15，則在視覺上算黑色，大于0.9時(shí)，在視覺上算白色）。

（2）得到H通道的分布直方圖，通過該相似函數(shù)的運(yùn)算發(fā)現(xiàn)，相似函數(shù)值越大，算法找到的運(yùn)動(dòng)目標(biāo)區(qū)域和追蹤目標(biāo)區(qū)域越相似，所以對應(yīng)最大相似值的區(qū)域就是我們要追蹤的運(yùn)動(dòng)目標(biāo)[3]。此時(shí)需要用Mean Shift算法通過迭代得到有最大相似值區(qū)域，向兩個(gè)模型相比顏色變化最大的方向不斷移動(dòng)搜索窗口，直到最后兩次的移動(dòng)距離小于閾值（在自動(dòng)控制系統(tǒng)中，能夠產(chǎn)生一個(gè)可以校正動(dòng)作的最小輸入值），即找到需要追蹤的運(yùn)動(dòng)目標(biāo)的當(dāng)前幀位置，并將這一幀的位置作為下一幀的起始搜索窗口中心，然后重復(fù)該過程就可以實(shí)現(xiàn)目標(biāo)追蹤。在這個(gè)重復(fù)的過程中，每兩幀的間隔都會(huì)產(chǎn)生一個(gè)Mean Shift向量，但在整個(gè)過程中，所有的Mean Shift向量連起來就是需要追蹤的目標(biāo)運(yùn)動(dòng)路徑[4]。

Mean Shift算法流程如圖1所示。

1.1 基于Mean Shift算法視頻中的運(yùn)動(dòng)目標(biāo)追蹤程序

1.1.1 系統(tǒng)簡介

在一段正在運(yùn)動(dòng)的視頻中，提取到處于運(yùn)動(dòng)狀態(tài)中的目標(biāo)輪廓，達(dá)到追蹤被選中運(yùn)動(dòng)目標(biāo)（車輛、行人、物品等）的要求，直到目標(biāo)消失在視頻中或者有較大的干擾導(dǎo)致追蹤失敗。

1.1.2 系統(tǒng)的基本技術(shù)要求

輸入視頻，對運(yùn)動(dòng)物體進(jìn)行跟蹤，步驟如下：

（1）使用運(yùn)動(dòng)檢測算法將處在運(yùn)動(dòng)狀態(tài)下的物體與物體所處背景拆分;

（2）提取出運(yùn)動(dòng)狀態(tài)下目標(biāo)物體的輪廓，并從視頻幀數(shù)中獲取運(yùn)動(dòng)圖像的數(shù)據(jù)信息;

（3）對運(yùn)動(dòng)目標(biāo)所處的圖像范圍進(jìn)行反向投影，獲取此目標(biāo)所處圖像的反向投影圖;

（4）根據(jù)目標(biāo)所處圖像的反向投影圖和運(yùn)動(dòng)目標(biāo)的輪廓進(jìn)行Mean Shift算法迭代，由于信息圖像向重心移動(dòng)，即向反向投影圖中概率密度大的地方移動(dòng)，所以會(huì)移動(dòng)至運(yùn)動(dòng)目標(biāo)的真實(shí)位置[5];

（5）在得到下一幀信息圖像時(shí)，用上一幀圖像信息輸出的窗口迭代即可。

1.2 Mean Shift算法跟蹤原理

Mean Shift算法從本質(zhì)上來說是一種核密度估計(jì)法，直方圖法可以從一組采樣數(shù)據(jù)中把信息數(shù)據(jù)的值域拆分成若干相等的區(qū)間，信息數(shù)據(jù)又可以按區(qū)間拆分成若干組，每組信息數(shù)據(jù)的個(gè)數(shù)與總信息數(shù)據(jù)的個(gè)數(shù)之比就是每個(gè)信息單元的概率值。核密度估計(jì)法的原理與直方圖法的原理相似，唯一的區(qū)別在于核密度估計(jì)法多了一個(gè)可以用來平滑數(shù)據(jù)信息的核函數(shù)。在應(yīng)用核函數(shù)估計(jì)法時(shí)，只要在采樣信息數(shù)據(jù)足夠充分的前提下，此方法就可以收斂于任一密度函數(shù)，即可對任意分布的信息數(shù)據(jù)進(jìn)行分析運(yùn)算，得到密度估計(jì)值[6]。

運(yùn)用Mean Shift算法對運(yùn)動(dòng)目標(biāo)進(jìn)行追蹤。首先要對被追蹤的運(yùn)動(dòng)目標(biāo)進(jìn)行初始化，這一過程可以通過鼠標(biāo)進(jìn)行手工選取，然后計(jì)算得出搜索窗口的直方圖，該搜索窗口為核函數(shù)加權(quán)下的搜索窗口，再用同樣的方法計(jì)算出每一幀對應(yīng)搜索窗口的直方圖分布[7]，需要注意的是：我們選擇相似值最大的兩個(gè)相鄰幀數(shù)的模板來提高追蹤目標(biāo)的精確度。搜索窗口沿著概率密度函數(shù)密度增加最大的方向移動(dòng)，最終得到下一幀運(yùn)動(dòng)目標(biāo)所處的真實(shí)位置。

Mean Shift算法的追蹤步驟如下：

（1）計(jì)算運(yùn)動(dòng)目標(biāo)所處模板的概率密度函數(shù);

（2）運(yùn)動(dòng)目標(biāo)通過估計(jì)方法得到核函數(shù)寬度窗口[8];

（3）初始化當(dāng)前幀運(yùn)動(dòng)目標(biāo)所處的真實(shí)位置，計(jì)算候選目標(biāo)所在模板;

（4）根據(jù)公式計(jì)算當(dāng)前窗口內(nèi)各點(diǎn)的權(quán)重值[9];

（5）計(jì)算目標(biāo)的新位置。

2 程序的實(shí)現(xiàn)

2.1 軟件的安裝與配置

下載安裝包VS 2015后，選擇安裝路徑并安裝，啟動(dòng)進(jìn)入其他配置界面，勾選C++開發(fā)設(shè)置，然后點(diǎn)擊“確定”啟動(dòng)。

下載好Open CV壓縮包解壓到自定義的安裝路徑下，安裝完成后為Open CV配置環(huán)境變量：PATH：D：＼File Program＼Open CV＼build＼x64＼vc11＼bin。系統(tǒng)在VS 2015中配置Open CV的環(huán)境。

（1）在文件選項(xiàng)中選擇并打開項(xiàng)目。

（2）在VS 2015的主界面點(diǎn)擊視圖與屬性管理器。

（3）選擇位于主界面左側(cè)的Debug|Win32文件，并右擊鼠標(biāo)右鍵選擇屬性進(jìn)行環(huán)境變量配置，如圖2所示。

（4）為程序添加包含目錄，在點(diǎn)擊進(jìn)入的屬性頁中，點(diǎn)擊“VC++目錄”，輸入Open CV build文件夾中的include文件路徑與include中兩個(gè)子文件夾的路徑，如圖3

所示。

（5）在頁面中的庫目錄中添加Open CV中build文件下x86中包含的vc11內(nèi)的lib文件路徑，如圖4所示。

（6）進(jìn)入鏈接庫，點(diǎn)擊“輸入”，在輸入中給附加依賴項(xiàng)添加環(huán)境變量。

2.2 程序的實(shí)現(xiàn)

從圖5中可以看出程序的運(yùn)行流程，通過手動(dòng)方式截取需要追蹤的目標(biāo)區(qū)域，利用圖像處理技術(shù)方便Mean Shift方法的計(jì)算，快速得到模板，之后重復(fù)計(jì)算方法，更新下一幀的模板位置。模板的更新隨著視頻幀數(shù)的走動(dòng)而變化，最終達(dá)到目標(biāo)追蹤的效果[10]。

3 系統(tǒng)使用說明及測試結(jié)果

3.1 系統(tǒng)使用說明

（1）將視頻暫停。

（2）采用手動(dòng)選取的方式使用鼠標(biāo)選定追蹤目標(biāo)區(qū)域。

（3）運(yùn)行視頻。

（4）觀察目標(biāo)區(qū)域的追蹤結(jié)果。

3.2 系統(tǒng)測試結(jié)果

系統(tǒng)針對跟蹤人和跟蹤車輛進(jìn)行測試，測試結(jié)果如圖6所示。

4 結(jié) 語

系統(tǒng)使用Mean Shift算法滿足追蹤需求。算法的本質(zhì)是迭代，因?yàn)樽粉櫟哪０逶谝曨l中一幀一幀走，所以需要重復(fù)計(jì)算，而為了更好地追蹤，則對圖片進(jìn)行反向投影圖和直方圖處理，更利于算法計(jì)算，利用VS.NET和OPEN CV搭建平臺(tái)運(yùn)行程序，在對特定人和車的跟蹤測試中實(shí)現(xiàn)目標(biāo)具有較高的準(zhǔn)確度，可研究推廣。

參 考 文 獻(xiàn)

[1]林杰.基于視頻監(jiān)控的實(shí)驗(yàn)室實(shí)時(shí)預(yù)警系統(tǒng)設(shè)計(jì)[J].自動(dòng)化與儀器儀表，2019（3）：70-74.

[2]王公儒.視頻監(jiān)控系統(tǒng)工程實(shí)用技術(shù)[M].北京：中國鐵道出版社，2018.

[3]蘇康友，陳家棟，王佳穎，等.基于S5P6818無線視頻監(jiān)控系統(tǒng)設(shè)計(jì)[J].物聯(lián)網(wǎng)技術(shù)，2019，9（3）：25-26.

[4]張若楊，賈克斌，劉鵬宇.視頻監(jiān)控中私自攬客違法行為檢測[J].計(jì)算機(jī)應(yīng)用與軟件，2019（3）：168-173.

[5]孫嫻.基于視頻監(jiān)控的異常行為檢測研究[D].南京：南京郵電大學(xué)，2018.

[6]王愛麗，董寶田，孫遠(yuǎn)運(yùn)，等.基于聯(lián)合多特征直方圖的Mean Shift行人跟蹤方法研究[J].鐵道學(xué)報(bào)，2016（12）：76-85.

[7]朱浩楠，許明敏，沈瑛.基于Mean Shift的多視頻車輛跟蹤研究

[J].計(jì)算機(jī)科學(xué)，2018，45（6A）：220-226.

[8] CL?MENT B，YANN B，BRUNO C，et al. Modelling camera viewing angle deviation to improve nearshore video monitoring? Coastal Engineering [Z]. 2019：99-106.

[9]余毅.一種基于物聯(lián)網(wǎng)的改進(jìn)型智能視頻監(jiān)控設(shè)備的設(shè)計(jì)[J].物聯(lián)網(wǎng)技術(shù)，2019，9（2）：60-61.

[10]李穎，鄭明杰.視頻監(jiān)控圖像高速運(yùn)動(dòng)物體穩(wěn)定特征識(shí)別仿真

[J].計(jì)算機(jī)仿真，2018（12）：342-345.