一种改进的LK光流算法应用研究

房正华 杨新艳 李 蒙

（青岛工学院信息工程学院 山东 266300）

0 引言

运动物体实时识别跟踪技术的研究一直是电子信息领域的一大热点，并在各种工程应用领域发挥了及其重要的作用，涉及图像识别、模式匹配、实时跟踪算法等多种技术领域。目前，该技术在识别精度、跟踪效率、复杂环境适应性等多方面都有了长足的进步，这也为其在各个领域的行业应用打下了良好的基础，包括区域智能监控，日常生活中基于身份识别的个性化服务，视频图像处理中的视频去模糊、视频去抖等。

1 常见的运动物体识别跟踪技术

当前的运动物体识别跟踪技术主要有以下几种类型。

（1）基于对目标物体特征识别，诸如人脸识别中人脸的对称性，双目的对称性，外围轮廓等都是人脸这个物体的特征，以这些特征作为在视频、图像中抓取人员图像的基础。人员监控、基于视频的公交车人数统计等应用主要就是采用这种方式。其可以实现对一类物体（比如人员，车牌）的识别，而并不关注与其特定的身份。

（2）基于模型匹配，对于被识别或被监控人员或物体，预先在系统之上生成对应的模型，形成模型库。在该人员（物体）进入监控区域后，系统通过将图像实时与模型库中的模型对照，从而实现对某一个人员准确识别。

以上两种传统的物体识别算法，面对实际应用中的复杂情景，会面临诸多挑战。

①目标特性描述存在局限性，在物体特征复杂或处于复杂背景情况下，对其识别率造成影响。

②目标特性静态描述，无法对运动中或产生形变的物体持续跟踪。当同一物体展现不同的观测角度或产生形变时，造成目标特性描述无效。

③传统模型通常采用“离线训练物体模型”，其被识别物体的最新特征不能自动反馈至模型，造成物体及人员的静态模型应对物体形变，角度变化时存在局限性。

2 传统的运动物体跟踪算法及本文提出的新算法

运动物体跟踪算法主要有“减背景法”、“帧差法”、“光流法”等。其中LK光流算法为目前能较准确地检测运动目标的算法。而在实际应用中，该算法在视频图像不稳定、模糊的情况下存在错误预测点群，造成跟踪效果不稳定。

运动物体识别跟踪技术所存在的这些问题，使其在实际应用中所面对适应性不好、鲁棒性差、环境要求苛刻等诸多问题，影响其产品转化能力及行业应用效果。该文针对目前运动物体识别跟踪技术所存在的问题，提出了以具有实时在线更新特性的“物体多维度模型”为基础，以四相位交叉约束的“无监督自学习分类器”作为物体模型自更新的驱动，并结合“基于位置正负置信区域约束的跟踪定位算法”，最终实现一个新颖的多运动物体实时识别跟踪技术体系。相对于传统算法，该系统最大的优势是其可以精准地实现对生活中普遍存在的可形变物体（如笔记本电脑的开合状态、人脸的正侧面等）的识别与跟踪。在LK光流算法的基础上创新性的添加了物体位置正负置信区（前景，背景）。

3 新算法的应用

本文提出的是一种面向视频中物体特征复杂、背景情况复杂、可形变物体的物体实时识别跟踪技术，并基于此算法在嵌入式平台上实现身份识别与网络电视重点个性化推荐系统。算法研究方面包括“无监督自学习分类器”、“实时更新的物体多维模型”、“基于位置正负置信区域约束的跟踪定位算法”构成，图1描述了整个系统组成。

图1 系统组成

其运作方式如下：

（1）通过给定被监控物体的初始形态，“跟踪定位算法”对视频中的物体识别跟踪。

（2）同时“自学习分类器”对当前最新的物体形态进行分类学习。

（3）基于分类器最新的分类及识别结果更新物体多维模型，该多维模型包括时间轴、特征点群描述、出现位置、正置信区、运动描述等内容。

（4）更新的物体多维模型用于进一步的识别与跟踪。

系统中的三个模块互相作用与约束，构成一个交互式自校验更新子系统，并对上述三个模块之间进行交互校验，互为添加的迭代约束条件，进而提高模型优化水平与定位精度。

4 系统主要模块构成

基于该算法，实现实时身份验证，并构建网络电视终端的个性化智能推荐系统。该基于身份认证的智能推荐系统是上述算法的验证与实现，系统主要模块如下：

（1）视频采集：通过微型摄像头捕捉用户的影像，传输给跟踪识别子系统。

（2）人脸跟踪：实现“基于位置正负置信区域约束的光流特征点群跟踪算法”。

（3）物体模型：用于存储和描述物体多维模型，并作为物体识别的依据。

（4）无监督机器学习：实现“四相位交叉约束自学习训练算法”，并实时更新物体模型。

（5）物体识别：基于实时更新的物体多维模型，完成对视频中物体的识别。

（6）信息推送：根据识别的结果，推送合适的节目及信息。

（7）通信：同网络电视终端后台通信，获得针对不同人群的节目与消息信息。

5 结束语

本文提出的运动物体识别跟踪算法是对LK光流算法的改进，首次将物体位置正负置信区域约束应用到传统的LK光流算法，大幅降低了原算法中错误预测点群前后帧匹配相似值，提高了算法在视频模糊、前后帧匹配较差等问题上的适应性与鲁棒性。

[1]杨国亮.一种改进的光流算法[J].计算机工程，2006，32（15）：187-189.

[2]储珺.基于光流的动态背景运动目标检测算法[J].南昌航空大学学报自然科学版.2011，25（3）：1-6.

[3]施家.动态场景中运动目标检测与跟踪[J].北京理工大学学报自然科学版，2009，29（10）：858-860.

[4]张娟.运动目标跟踪算法研究综述[J].计算机应用研究，2009，26（12）：4407-4410.