基于目标跟踪的数据挖掘研究

蔡娟娟

(福建师范大学人民武装学院，福建 福州 350007)



基于目标跟踪的数据挖掘研究

蔡娟娟

(福建师范大学人民武装学院，福建 福州 350007)

摘要：针对具有相对固定背景的监控视频数据中运动目标特征的挖掘问题,提出了一种以背景差法检测和Meanshift+Kalman综合算法跟踪视频目标对象为基础,提取对象的运动轨迹, 并对其进行数据挖掘的系统模型，实现了对异常行为轨迹的有效识别.

关键词：背景差法；Meanshift；Kalman；聚类分析

随着计算机软硬件技术、网络技术的不断发展，视频以其囊括信息丰富、表现力强等优势逐渐成为多媒体中应用越来越广泛的一种重要媒体.面对涌现出来的大量视频数据，人们希望计算机能自动对视频中一幅或多幅画面进行处理，从中提取有效、新颖、有价值的知识，获取蕴含于其中的语义理解.它不但要求计算机能模拟人的视觉感官功能，感知视频图像中特定目标的外观、位置、形体姿态、运动轨迹等几何内容，而且还要能对其进行描述、存储、识别和理解，通过数据挖掘将获取的这些信息和理解知识用于支持用户进行决策[1].通过对视频中的图像序列进行自动处理，从而识别目标，对它进行跟踪，进而提取目标的运动轨迹特征.基于这些数据，选用恰当的数据挖掘方法，挖掘出潜在的特征含义及知识，用于分析、判断目标的行为，对异常轨迹予以重点关注.

1视频处理

1.1视频预处理

在摄录监控视频过程中可能有一些传输过程中的噪声或周围环境的噪声，这些噪声会引起视频图像模糊或不完整，不利于进一步对其进行处理，为避免这些不利因素干扰到后续视频处理算法的效率，需要对视频进行预处理，以得到高质量的视频对象，提高后续算法的精确度.

1.2目标检测

在对监控视频中的目标对象进行跟踪、提取运动轨迹并进行数据挖掘之前，需要将目标对象从视频序列图像的背景中检测分割出来，也就是目标检测.通常要求算法在无人工干预的情况下，实现自动检测.但是由于环境的影响，比如昼夜的光照变化、风吹引起的树叶摇动等干扰，给目标检测工作增添了相当多的困难[2].常见的检测算法主要有：

(1)光流法可以用于未知的场景中对目标运动对象进行检测，能够在场景变化如摄像机运动的状态下使用，但它的算法较为复杂，计算量大，计算时间长，并且容易受噪声影响.

(2)帧间差分法根据前后两帧图像间的差分检测运动目标对象，抗噪声干扰性强，常用于背景动态变化下的目标检测.缺点是分割的对象轮廓经常不完整，容易形成空洞，不适用于对静止或变化较小的目标检测.

(3)背景差法是应用较为广泛的一种算法，适用于背景已知的情况，将当前帧与背景帧相减来检测运动目标，可以获取较完整的检测对象轮廓，即使目标静止，也可以成功检测，算法简单有效.

鉴于监控视频中的数据来源于固定摄像头所拍摄的内容，因此通过对以上各种方法的比较，背景差法最适用.该方法运行速度快，内存占用少，获得的轮廓比较完整.在实际视频处理过程中，视频运动对象的检测往往伴随着运动对象的分割，将背景差法用于检测运动对象后，直接获取对象的形状、大小、位置等信息，等同于对其一并做了分割处理，为后续更深入的研究做准备.实验结果如图1所示，左边场景中包含若干个行走的人，右边是通过背景差法得到的运动前景剪影，可以得到较为清晰的分割对象轮廓.

图1　运动目标检测

1.3目标跟踪

视频目标跟踪是一个迅速发展的研究领域，属于计算机视觉的研究范畴.目标跟踪是指在视频场景中，对序列帧图像中的目标进行连续处理，即根据目标及其所在的位置，选择能够唯一表示目标的特征，如形状、速度和纹理等，并在后续帧中搜索与该特征最为匹配的目标位置的过程[3].目标跟踪的目的，是生成目标对象在视频序列中的联系，有效地分析处理视频帧序列中的指定目标，如：获得目标的轮廓、位置、轨迹等运动信息，以计算机视觉部分代替人类的视觉系统功能，为后续的目标运动分析提供了可靠的数据来源.

1.3.1卡尔曼(Kalman)滤波算法

Kalman算法通过“预测一实测一修正”的顺序来递推预测，根据卡尔曼递推公式，即可算出下一帧运动目标可能出现的区域，加快运动目标搜索匹配速度，实时性很强，大大减少了计算量，节约内存占用空间[4].

1.3.2均值漂移(Meanshift)算法

Meanshift算法以跟踪目标的颜色直方图模型为基础，把图像转换为颜色概率分布图.首先，对搜索窗口的大小、位置进行初始化，再利用前一帧得到的数据自适应修改搜索窗口的参数，最后得出图像中跟踪目标的位置[5].由于跟踪的目标对象是人，人体属于非刚体运动对象，而Meanshift算法以目标颜色直方图为特征，该特征不容易受人体形状在运动过程中发生缩放、旋转等变化的影响，因此该算法在背景较为明确的情况下可以取得良好的跟踪效果.

1.3.3Meanshift+Kalman综合算法

Meanshift算法在大多数情况下是较为理想的，但实践表明，如果跟踪的目标对象运动较快或突然出现严重遮挡，导致前后两帧图像变化很大时，复杂性增加，这时的Bhattacharrya系数将下降至很低，在下降到某个值后，跟踪目标会失效.为克服该缺点，将Kalman滤波器融入Meanshift算法中，避免在Bhattacharrya系数很低时失去跟踪目标.为此，引入阈值=0.4，当Bhattacharrya系数>阈值时，表明运动目标可在后续帧中用Meanshift算法跟踪到，否则用Kalman算法代替.该算法设计流程图如图2所示.

图2　 Meanshift+Kalman综合算法流程图

跟踪结果及算法综合前后的对比如图3所示，当跟踪目标即将失去时，Kalman算法才作为第二替代算法.该综合算法既保留了Meanshift算法在跟踪非刚性物体方面的高效性，也克服了它在相邻帧间变化较大时可能出现跟踪失效情况的缺点.

图3　跟踪结果

2运动目标对象在数据挖掘中的应用

利用数据挖掘技术分析处理已收集的监控视频图像, 发现其中的异常序列,并对其发出预警.该应用对决策管理者极具吸引力，有着广泛的应用前景.假设有若干特殊数据的行为和模式明显不同于一般数据，不符合普遍规律，这些特殊数据序列就是“异常”的[6].以往人们要找出异常部分，需要人工一个个镜头审阅，费时费力，并且可能遗漏部分异常.人工查看监控视频时，可以迅速利用已学知识判断视频中的场景及目标行为等高层次语义信息，而计算机只能从中获取区域纹理、颜色等低层次图像特征.数据挖掘技术正是在高层次语义信息和低层次图像特征之间架设的一座桥梁，利用上述方法对运动目标进行检测、跟踪，提取目标的运动轨迹特征，对各个目标的轨迹集运用数据挖掘技术的聚类分析方法可以实现对目标的异常轨迹识别.

2.1对象特征提取

2.2聚类分析

聚类分析算法分析运动轨迹数据之间的相似性，将其合理地划分为不同的类别.经过聚类，划分在同类中的数据之间相似性高，不同类别之间的数据相似性低.数据间的相似性是依据对象特征向量间的距离来衡量，距离无穷大的任意两条轨迹分别属于不同的类，并且同一聚类中的任意两条轨迹之间的距离小于它与类外部轨迹间的距离.由上文对异常的定义可知，从运动轨迹集中抽取若干条轨迹，属于异常轨迹的是个小概率事件，属于正常轨迹的是个大概率事件，即异常是一种较少发生的轨迹序列[7].通过聚类分析后，个别异常轨迹即被筛选出来，提醒决策者予以重点关注，避免犯罪活动的发生.如图4所示的异常徘徊轨迹，需要管理者注意可疑分子的异常行动，对其实施重点跟踪.

图4　异常轨迹图

3结语

通常，场景监控视频既无脚本，也无规则限制.对于这种无内容结构的视频大都用于对目标对象内容自适应事件的检测挖掘.从视频中检测视频对象, 利用改进后的Meanshift+Kalman综合算法跟踪其运动,提取运动轨迹数据, 并进一步设计了一个对目标对象进行聚类挖掘的模型，从中获取有用的知识和信息，实现对异常行为轨迹的识别.该模型，只对获取的对象运动轨迹数据进行挖掘，不考虑视频中的场景如图像颜色、区域纹理等特征，简化了数据维度，提高了数据挖掘效率.系统将数据挖掘技术与目标检测跟踪算法相结合，而不仅仅是对目标对象的跟踪，因此随着数据挖掘技术和目标跟踪算法的成熟将不断地改进系统，寻求新算法，提高跟踪准确度及数据挖掘效率，还可参考用于其他相关领域，如交通分析系统、远程遥感、ATM监控等[8]，对大量的视频数据进行监控和分析, 从中挖掘有用的潜在信息，尽可能地减少人为识别工作量，提高监控智能化程度.

参考文献：

[1]辛国娟,杜秀华.视频数据的时间序列挖掘方法研究[J].计算机仿真,2007,(11):100-113.

[2]代科学,武德峰,付畅俭，等.中国图象图形学报[J].电信科学,2006,(4):451-456.

[3]黄浩.基于GIS的视频监控框架设计与实现[D].杭州:浙江大学硕士学位论文,2011.

[4]袁灿.体育视频分析中的运动挖掘方法研究[D].长沙:国防科学技术大学硕士学位论文,2011.

[5]陈丽.基于数据挖掘理论的跟踪算法研究[D].上海:上海交通大学硕士学位论文,2013.

[6]袁冠.移动对象轨迹数据挖掘方法研究[D]. 北京:中国矿业大学博士学位论文,2012.

[7]向学敏.基于Markov随机场的视频异常挖掘研究[D]. 南京:南京航空航天大学硕士学位论文,2012.

[8]邱靖邦.面向智能视频监控的事件监测建模及优化[D]. 上海:上海交通大学硕士学位论文,2011.

(责任编校：晴川)

Data Mining Based on Target Tracking

CAI Juanjuan

(College of the People’s Army, Fujian Normal University, Fuzhou Fujian 350007, China)

Abstract：A data mining model for the target object trajectory using clustering analysis algorithm based on detection algorithm of background subtraction and Meanshift + Kalman integrated algorithm tracking video moving object is proposed in the paper in allusion to the mining problem of moving target features in surveillance videos, whose data are of relatively fixed background.

Key Words：algorithm of background subtraction; Meanshift; Kalman; clustering analysis

中图分类号:TP311

文献标识码：A

文章编号：1008-4681(2016)02-0057-03

作者简介：蔡娟娟(1984— )，女，福建莆田人，福建师范大学人民武装学院讲师，硕士.研究方向：计算机应用.

基金项目：福建省教育厅B类项目(批准号：JB14235).

收稿日期：2015-12-01