基于卡尔曼预测的轨迹片段关联目标跟踪算法

刘德华

摘要：利用卡尔曼算法对运动目标跟踪展开研究，提出了一种基于卡尔曼预测的轨迹片段关联目标跟踪算法。首先利用卡尔曼预测缩小搜索区域，对检测结果进行匹配关联，生成可信的短轨迹片段；然后对每个轨迹片段通过卡尔曼预测迭代关联，形成单个目标的跟踪轨迹集合。实验证明该方法可有效提高轨迹片段关联跟踪算法效率，解决目标相互遮挡问题，实现对目标的稳定跟踪。

关键词：目标跟踪；卡尔曼预测；轨迹片段关联DOIDOI：10.11907/rjdk.162647 中图分类号： TP312〖HT10.H〗文献标识码： A

文章编号：16727800（2017）004006403

0引言 视频目标检测跟踪是计算机视觉领域重要的研究内容，已经应用在交通监控、汽车监控等很多领域。视觉分析步骤包括视觉检测（Visual detection）、视觉跟踪（visual tracking）和视觉理解（visual understanding）[1]。视觉跟踪是视觉理解的基础，同时它又依赖于视觉检测的结果。目标检测算法研究很多，但在一些复杂的场景，如目标重叠、目标遮挡、目标消失或目标的颜色与背景颜色相近等情况下，对跟踪产生很大的干扰，使得跟踪框跟踪不到目标，或者产生漂移现象，这对跟踪算法提出了更高要求。 视频目标跟踪研究可从目标颜色特征、角点特征、轮廓特征等考虑。在视频目标跟踪研究中，有些算法是根据目标颜色来研究的，但在大多数情况下，跟踪算法采用的是数学统计学方法。比较经典的统计学方法有：多假设跟踪（multiple hypothesis tracking）[2]和联合概率数据融合滤波技术（JPDAF）[3]。联合概率数据融合滤波技术假设被检测的目标个数是固定的，对于不同的假设，计算结果是一个概率值，错误的假设概率会随着时间的推移慢慢降低，最终排除掉。文献[4]在联合概率数据融合滤波技术的基础上，加上时间和空间约束，实现了对多目标的跟踪。但是联合概率数据融合滤波技术假定目标个数不变，当目标数目改变时，跟踪结果会有很大出入。多假设跟踪原理与联合概率数据融合滤波技术相近，也是计算各个假设概率的值，然后将每个概率值联合起来，最后把最大的值作为最终结果。与联合概率数据融合滤波技术不同的是场景中目标个数可变。这两种算法都有一个不足之处，就是在跟踪场景中，当跟踪目标一直在增加时，假设的空间指数也不断增长，最终使得计算代价也不断增长。 还有一些跟踪算法是从轨迹片段关联的思想来考虑的[5]，它分两个阶段：首先通过跟踪轨迹生成较短的跟踪片段；再根据这些短轨迹片段之间的联系，生成一个长的完整的轨迹片段，达到跟踪目的。文献[6]、[7]根据轨迹片段关联思想解决了目标跟踪过程中目标被遮挡问题；文献[8]根据轨迹片段关联思想实现了对行人的稳定跟踪，并且算法具有很好的鲁棒性。 文献[9]中的Huang C等利用跟踪片段分层，实现了多层关联。文献[10]用预设最大独立权重的方法来合并两个大小相同的短轨迹，关联成一条完整的长轨迹。 文献[11]、[12]通过同一个相似框架下的全局外观约束，解决了文献[10]的局限性。 本文综合以上思想，提出一种基于卡尔曼预测的轨迹片段关联目标跟踪算法。该算法将轨迹片段关联和概率预测策略相结合，实现对运动目标实时稳定跟踪。 该算法先在检测器中输入跟踪视频，然后在检测器中得到响应，最后采用卡尔曼预测的轨迹片段关联算法对帧间被跟踪目标的运动参数（位置、速度和加速度）进行预测匹配得到可靠的目标短轨迹片段。对每个轨迹片段通过卡尔曼预测迭代关联，通过高层轨迹片段关联，将目标的短轨迹片段合并成一个长的轨迹片段，达到跟踪目的。通过實验仿真分析可知，本文算法可以有效提高跟踪效率，当目标出现重叠以及丢失情况时，都可以很好地跟踪目标，实现了跟踪算法的鲁棒性。

1视频片断跟踪 1.1算法概述 获取f帧的前景检测值，对这些检测值作帧间匹配，以得到置信度较高的轨迹片段（每个轨迹片段帧数规定大于4帧），这样是为了保证每一轨迹片段只属于一个目标。帧间匹配：在前后相邻两帧中，每帧图像中目标的位置与特征不会有明显变化，因此在关联前后两帧图像目标时，将重点关联目标的位置与形状特征，实现片段关联。为了提高匹配准确度和匹配效率，加入了卡尔曼预测，对其运动模型进行预测和匹配。对前后两帧中检测到的目标进行预测，得到置信度较高的轨迹片段，进而提高跟踪的鲁棒性。1.2算法实现1.2.1算法过程根据上一帧图像确定搜索区域，利用卡尔曼预测来匹配当前帧中的关联点，找到最佳匹配点。在确定目标起点位置时，同时将坐标轴分开来考虑，并单独用两个卡尔曼算法预测，分别对应跟踪的x、y坐标。将二维目标跟踪转化为两个一维的目标跟踪，以提高预测跟踪效率。1.2.2卡尔曼预测方程矩阵

2视频跟踪〖BT2〗〖STHZ〗〖WTHZ〗2.1短轨迹片段关联特征利用卡尔曼轨迹预测轨迹片段关联算法，得到的短轨迹片段具有以下特征：①由于视频中帧与帧之间时间相隔很短，因此关联片段应具有连续性、平滑性；②根据平滑特征，目标运动时作曲线运动，可得到目标运动的相关信息如速度、位置等。因此，本文可通过以上特征，再利用关联算法得到一条长的轨迹片段。〖BT2〗〖STHZ〗〖WTHZ〗2.2长轨迹片段关联 在短轨迹片段中提取头部帧和尾部帧数据，对其中所有的轨迹片段头部和尾部进行卡尔曼预测，进行目标匹配，进而把属于同一个目标的轨迹片段关联在一起，形成长的轨迹片段，具体预测算法同上。这里需要指出的是，短轨迹片段的高层关联只需要对相邻的一个短轨迹片段首尾帧进行预测，把相邻的短轨迹片段的首尾帧作为卡尔曼预测的前帧和后帧，对部分参数进行修改，包括τ。在短轨迹生成阶段中的τ为帧间间隔时间，在长轨迹高层关联中的τ为轨迹片段间隔时间，其它关联步骤相同。综合上述算法过程，就可得到一条完整的视频跟踪目标轨迹。〖BT1〗〖STHZ〗〖WTHZ〗3实验仿真结果及分析 用MATLAB分别编写传统关联算法程序和本文提出的算法程序，对240×220的视频数据共800帧进行仿真与分析。本文采用卡尔曼预测算法来关联轨迹片段并达到跟踪目的。在跟踪前期，先根据卡尔曼预测算法来预测目标区域，然后对前后帧进行匹配，并找到确定的目标区域，最后对结果进行匹配关联，生成短的轨迹片段；将短片段进行关联，再通过卡尔曼预测迭代关联，形成单个目标的跟踪轨迹集合。 图1是第396帧、第408帧、第414帧的跟踪算法和基本的轨迹片段跟踪算法的效果对比。

黑色跟踪为改进算法效果（运行时间：12 800ms，平均：16ms/帧），白色为基本轨迹片段跟踪算法效果（运行时间：56000ms，平均：61 ms/帧）。

黑色跟踪为改进算法效果（总共 531帧 ，运行时间：9292ms，平均：17.5ms/帧），白色为基本轨迹片段跟踪算法效果（运行时间：35 046ms，平均：67 ms/帧）。 当多目标跟踪和目标间相互遮挡时，一般的轨迹片段跟踪算法有跟丢跟错情况，当目标再次出现时，要花费较多时间来修正目标跟踪（整个过程跟踪误差很大），跟踪不稳定；而基于卡尔曼预测的跟踪轨迹片段关联跟踪算法在多目标和目标间相互遮挡时跟踪稳定。 从上面的仿真结果可以看出，改进后的算法在目标之间相互遮挡下具有较强的跟踪效果，解决了部分目标跟丢跟错的问题。同时，在跟踪效率问题上，改进的跟踪算法明显优于一般的轨迹片段关联跟踪算法，改进算法在实时性上得到了很好的改善。

4结语 基于卡尔曼预测的轨迹片段目标跟踪算法首先利用卡尔曼预测缩小搜索区间，对检测结果进行匹配关联，生成可信的短轨迹片段；然后对每个轨迹片段再次通过卡尔曼预测迭代关联，形成单个目标的跟踪轨迹集合。实验结果表明，本文算法在目标之间相互遮挡情况下具有较强的跟踪效果，解决了部分目标跟丢跟错问题。同时，在跟踪效率问题上，改进的跟踪算法明显优于一般的轨迹片段关联跟踪算法，实时性好。

参考文献：[1]WANG L， HU W， TAN T. Recent developments in human motion analysis[J]. Pattern recognition， 2003， 36（3）： 585601.

[2]ARRAS K O， GRZONKA S， LUBER M， et al. Efficient people tracking in laser range data using a multihypothesis legtracker with adaptive occlusion probabilities[C].Robotics and Automation，ICRA 2008，IEEE International Conference on，2008：17101715.

[3]SCHULZ D， BURGARD W， FOX D， et al. People tracking with mobile robots using samplebased joint probabilistic data association filters[J]. The International Journal of Robotics Research， 2003， 22（2）： 99116.

[4]BENNETT B， MAGEE D R， COHN A G， et al. Enhanced tracking and recognition of moving objects by reasoning about spatiotemporal continuity[J]. Image and Vision Computing， 2008， 26（1）： 6781.

[5]王江峰， 張茂军， 熊志辉，等. 一种利用时空约束轨迹片段关联的目标跟踪方法[J]. 计算机应用研究， 2011， 3（3）：11651167.

[6]KAUCIC R， PERERA A G A， BROOKSBY G， et al. A unified framework for tracking through occlusions and across sensor gaps[C].Computer Vision and Pattern Recognition，CVPR 2005. IEEE Computer Society Conference on，2005（1）：990997.

[7]PERERA A G A， SRINIVAS C， HOOGS A， et al. Multiobject tracking through simultaneous long occlusions and splitmerge conditions[C].Computer Vision and Pattern Recognition， 2006 IEEE Computer Society Conference on，2006（1）：666673.

[8]SINGH V K， WU B， NEVATIA R. Pedestrian tracking by associating tracklets using detection residuals[C].Motion and video Computing， Workshop on IEEE， 2008： 18.

[9]HUANG C， WU B， NEVATIA R. Robust object tracking by hierarchical association of detection responses[M].Computer VisionECCV， Springer Berlin Heidelberg， 2008： 788801.

[10]BRENDEL W， AMER M， TODOROVIC S. Multiobject tracking as maximum weight independent set[C].Computer Vision and Pattern Recognition （CVPR）， 2011 IEEE Conference on， 2011： 12731280.

[11]BEN SHITRIT H， BERCLAZ J， FLEURET F， et al. Tracking multiple people under global appearance constraints[C].Computer Vision （ICCV）， 2011 IEEE International Conference on， 2011： 137144.

[12]PELLEGRINI S， ESS A， VAN GOOL L. Improving data association by joint modeling of pedestrian trajectories and groupings[M].Computer VisionECCV，Springer Berlin Heidelberg， 2010： 452465.

[13]徐剑， 段哲民. 卡尔曼预测器在目标相关跟踪中的应用[J]. 计算机仿真， 2005， 22（11）：120122.

（责任编辑：杜能钢）