◆張海霞 朱泰全 鄧宇航 蘭汶鑫 許燕

基于跟蹤算法的圖像識別方法研究

◆張海霞 朱泰全 鄧宇航 蘭汶鑫 許燕指導(dǎo)老師

（西北民族大學(xué)數(shù)學(xué)與計算機(jī)科學(xué)學(xué)院 甘肅 730124）

當(dāng)今社會處于信息技術(shù)高速發(fā)展的階段，隨著人工智能的興起，計算機(jī)技術(shù)被應(yīng)用于各個行業(yè)的各個方面，其中圖像識別技術(shù)的運(yùn)用得到了很大程度的普及，很多個領(lǐng)域都在使用圖像識別技術(shù)，圖像識別技術(shù)也越來越成熟，變得越來越多元化，本文旨在深入研究跟蹤算法，并結(jié)合現(xiàn)在的圖像識別技術(shù)，探討并研究基于跟蹤算法的圖像識別方法的實(shí)現(xiàn)以及優(yōu)化，以及將其應(yīng)用于智能化教學(xué)視頻錄播系統(tǒng)。

跟蹤算法；圖像識別；目標(biāo)檢測

1 引言

對于運(yùn)動目標(biāo)的跟蹤屬于視頻分析的知識，也需要對圖像序列進(jìn)行處理，從而研究運(yùn)動目標(biāo)的規(guī)律，或者為系統(tǒng)的決策報警提供語義和非語義的信息支持，包括運(yùn)動檢測、目標(biāo)分類、目標(biāo)跟蹤、行為理解、事件檢測等。由于線上教育的快速發(fā)展，現(xiàn)在越來越多的人通過線上的錄播課、直播課等進(jìn)行學(xué)習(xí)，而往往這種線上課堂相對于線下課堂的教學(xué)來說會有一定的限制，為了從各個方面提高線上教育的效率以及縮小其劣勢，研究基于跟蹤技術(shù)的圖像識別技術(shù)有著重大的實(shí)用價值。

2 系統(tǒng)設(shè)計

本項目研究的主要問題以及難點(diǎn)的概要解決方案如下。

2.1 基于視頻的目標(biāo)檢測

在視頻中目標(biāo)往往具有運(yùn)動特性，這些特性來源有目標(biāo)本身的形變，目標(biāo)本身的運(yùn)動，以及相機(jī)的運(yùn)動。所以需要引入多幀，這樣我們不僅可以獲得好多幀目標(biāo)的外觀信息，還能獲得目標(biāo)在幀間的運(yùn)動信息。

具體可采用以下三種方式：

第一種：側(cè)重于目標(biāo)的運(yùn)動信息。

先基于motion segmentation或是background extraction （光流法和高斯分布等）實(shí)現(xiàn)對前景和背景的分離，也就是說，我們借助運(yùn)動信息挑出了很有可能是目標(biāo)的區(qū)域；再考慮連續(xù)幀里目標(biāo)的持續(xù)性（大小、顏色、軌跡的一致性），可以幫助刪去一部分不合格的候選的目標(biāo)區(qū)域；然后對挑出的區(qū)域打分做判斷。

第二種：動靜結(jié)合。

即在第一種的基礎(chǔ)上，加入目標(biāo)的外觀形變。有些目標(biāo)在視頻中會呈現(xiàn)幅度較大的，有一定規(guī)律的形變。這時我們可以通過學(xué)習(xí)形變規(guī)律，總結(jié)出目標(biāo)特殊的運(yùn)動特征和行為范式，然后看待檢測的目標(biāo)是否滿足這樣的行為變化。常見的行為特征表示有3D descriptors，Markov-based shape dynamics，pose/primtive action-based histogram等等。這種通過綜合目標(biāo)靜態(tài)和動態(tài)信息來判斷是否是特定目標(biāo)的方法，有些偏向action classification。

第三種：頻域特征的利用。

在基于視頻的目標(biāo)檢測中，除了可以對目標(biāo)空間和時間信息進(jìn)行分析外，目標(biāo)的頻域信息在檢測過程中也能發(fā)揮巨大的作用。比如，在鳥種檢測中，我們可以通過分析翅膀扇動頻率實(shí)現(xiàn)鳥種的判別。值得注意的是，這里基于視頻的目標(biāo)檢測（video-based detection）存在兩種情況，一種是你只想知道這個場景中有沒有這種目標(biāo)，如果有，它對應(yīng)的場景位置是哪；另一種是這個場景有沒有這種目標(biāo)，它在每一幀中的位置是哪。我們這里介紹的方法側(cè)重的是后一種更復(fù)雜的。

2.2 邊界跟蹤算法的基本實(shí)現(xiàn)原理

基于邊緣的分割常用方法之一，用于區(qū)域已分出（二值或已標(biāo)注），但邊界未知的情況。

首先在圖像中找到一個邊界點(diǎn)，然后從這個邊界點(diǎn)出發(fā)，按照某種策略尋找下一個邊界點(diǎn)，以此跟蹤出目標(biāo)邊界。對于邊界跟蹤法，重要的是三個部分，邊界的起始點(diǎn)、搜索規(guī)則（邊界判別準(zhǔn)則），搜索終止條件。

起始點(diǎn)：確定邊界的起始搜索點(diǎn)，起始點(diǎn)的選擇很關(guān)鍵，對某些圖像，選擇不同的起始點(diǎn)會導(dǎo)致不同的結(jié)果。

搜索規(guī)則（邊界判別準(zhǔn)則）：確定合適的邊界判別準(zhǔn)則和搜索準(zhǔn)則，判別準(zhǔn)則用于判斷一個點(diǎn)是不是邊界點(diǎn)，搜索準(zhǔn)則則指導(dǎo)如何搜索下個邊緣點(diǎn)。

搜索終止條件：確定搜索的終止條件。

這里搜索終止條件對于封閉輪廓和非封閉輪廓有不同的處理（本項目主要討論非封閉輪廓），對于封閉輪廓：直至跟蹤的后續(xù)點(diǎn)回到起始點(diǎn)。

圖1 原圖像與邊界提取后的圖像

我們這里對封閉輪廓的跟蹤算法進(jìn)行討論，具體算法如下：

（1）找到起始點(diǎn)，記錄該點(diǎn)。

（2）初始跟蹤方向為左上方0方向。

（3）判斷該點(diǎn)是否為目標(biāo)點(diǎn)，是則把該置為新的跟蹤的起始點(diǎn)。

（4）將找到該點(diǎn)目標(biāo)點(diǎn)的方向逆時針旋轉(zhuǎn)90度，作為新的跟蹤方向，繼續(xù)檢測新的跟蹤方向上的點(diǎn)。

（5）若不是目標(biāo)點(diǎn)，則沿順時針旋轉(zhuǎn)45度，一直找到目標(biāo)點(diǎn)。

（6）找到目標(biāo)點(diǎn)后，在當(dāng)前跟蹤方向的基礎(chǔ)上，逆時針旋轉(zhuǎn)90度作為新的跟蹤方向，用同樣的方法跟蹤下一個邊界點(diǎn)。

（7）直到回到起始點(diǎn)。

2.3 算法實(shí)現(xiàn)

利用python以及OpenCv對該基于追蹤算法的圖像識別技術(shù)進(jìn)行實(shí)現(xiàn)。

（1）運(yùn)動檢測

首先，目標(biāo)跟蹤是對攝像頭視頻中的移動目標(biāo)進(jìn)行定位的過程。實(shí)時目標(biāo)跟蹤是許多計算機(jī)視覺應(yīng)用的重要任務(wù)，如監(jiān)控、基于感知的用戶界面、增強(qiáng)現(xiàn)實(shí)、基于對象的視頻壓縮以及輔助駕駛等。實(shí)現(xiàn)一般的運(yùn)動物體檢測，關(guān)于實(shí)現(xiàn)視頻目標(biāo)跟蹤的方法有很多，當(dāng)跟蹤所有移動目標(biāo)時，幀之間的差異會變得有用；當(dāng)跟蹤視頻中移動的手時，基于皮膚顏色的均值漂移方法是最好的解決方案；當(dāng)知道跟蹤對象的一方面時，模板匹配是不錯的技術(shù)。

常用的目標(biāo)跟蹤方法有：

①背景法（本次用的方法）：是將一幅圖作為背景，然后和每一幀對比；缺點(diǎn)是一開始存入的背景可能隨光照變法而造成錯誤，但是可以用在光照環(huán)境穩(wěn)定的地方，優(yōu)點(diǎn)是可以檢測之前背景沒有的景象。

②差幀法：是將前一幀和后一幀進(jìn)行對比；缺點(diǎn)是無法對運(yùn)動后突然又靜止的景象進(jìn)行識別，優(yōu)點(diǎn)是光照不影響。

（2）運(yùn)動方向預(yù)測

可利用光流法，光流是進(jìn)行視頻中運(yùn)動對象軌跡標(biāo)記的一種很常用的方法，在OpenCV中實(shí)現(xiàn)光流也很容易?？衫胏v2.calcOpticalFlowPyrLK函數(shù)計算一個稀疏特征集的光流，使用金字塔中的迭代Lucas-Kanade方法。

首先選取第一幀，在第一幀圖像中檢測Shi-Tomasi角點(diǎn)，然后使用LK算法來迭代地跟蹤這些特征點(diǎn)。迭代的方式就是不斷向cv2.calcOpticalFlowPyrLK（）中傳入上一幀圖片的特征點(diǎn)以及當(dāng)前幀的圖片。函數(shù)會返回當(dāng)前幀的點(diǎn)，這些點(diǎn)帶有狀態(tài)1或者0，如果在當(dāng)前幀找到了上一幀中的點(diǎn)，那么這個點(diǎn)的狀態(tài)就是1，否則就是0。

3 結(jié)束語

本文討論了跟蹤算法以及圖像識別技術(shù)以及二者的結(jié)合使用，論述了實(shí)現(xiàn)對目標(biāo)進(jìn)行識別、動態(tài)跟蹤、視頻移動識別等的技術(shù)算法，分析各種技術(shù)以及跟蹤算法的優(yōu)劣性以及圖像識別技術(shù)的實(shí)現(xiàn)，并討論該算法技術(shù)在智能化教學(xué)視頻錄播系統(tǒng)方面的應(yīng)用前景。

[1]https://www.cnblogs.com/-wenli/p/11719012.html.

[2]方青，梅曉春，張育平.用于機(jī)動目標(biāo)跟蹤的Kalman濾波器的設(shè)計[J].雷達(dá)科學(xué)與技術(shù)，2006，1（4）：50-553.

[3]嵇成新，許江湖，陳康.跟蹤機(jī)動目標(biāo)的多模型算法進(jìn)展[J].系統(tǒng)工程與電子技術(shù)，2003，25（7）：882-888.

[4]Reid D B.An algorithm for tracking multiple targets.IEEE Trans. Automatic Control.1978，24（6）：843-854.

[5]Singer R A，Stein J J.An optimal tracking filter for processing sensor data imprecisely.

[6]determined origin in surveillance systems[A].Proceedings of the 1971 IEEE Conferenceon Decision and Control. Miami Beach：1971，171-175.

西北民族大學(xué)中央高?；究蒲袠I(yè)務(wù)費(fèi)資助資助本科生科研能力項目訓(xùn)練項目（項目編號：XBMU21192）