一种运动摄像机下的人群目标跟踪方法研究

汪少文　王巍

摘  要：针对移动摄像机下的人群目标跟踪问题，提出了一种目标跟踪方法。该方法利用颜色与轮廓两种特征描述跟踪目标，并运用Bhattacharyya距离进行相似度比较，改进传统的跟踪算法。实验结果表明，该方法能够实现人群目标的跟踪，对单一颜色与遮挡的目标有很强的鲁棒性，能够实现单目标与双目标的跟踪。

关键词：移动摄像机;人群目标特征描述;目标跟踪

中图分类号：TP391.41      文献标识码：A 文章编号：2096-4706（2019）22-0094-03

Abstract：Aiming at the problem of crowd target tracking under moving camera，a target tracking method is proposed. This method uses color and contour features to describe the tracking target，and uses Bhattacharyya distance to compare the similarity，so as to improve the traditional tracking algorithm. The experimental results show that the method can achieve crowd target tracking，has strong robustness to single color and occluded targets，and can achieve single target and double target tracking.

Keywords：moving camera;crowd target feature description;target tracking

0  引  言

运动目标跟踪被广泛应用于视频监控、国防安全、航空航天、医药卫生等领域。目标跟踪可以分为两大类[1]：静止背景下的目标跟踪与动态背景下的目标跟踪。前者采用的是固定的摄像机进行视频的采集，拍摄的背景相对固定，在现实生活中有广泛的应用，如：治安监控系统、交通监视系统和室内的监控等;后者是在摄像机进行运动的情况下的一种跟踪方法，主要应用于基于车载摄像机的跟踪、无人机的跟踪等。基于静止背景下的目标跟踪算法相对成熟，而在摄像机运动的情况下，目前的研究较少，算法的复杂度相对较高。

现如今的目标跟踪与人群的处理大部分都是基于固定的摄像头。在人群复杂的情况下，只能从宏观上对人群进行研究与分析，无法对人群中的某个特定目标实施有效的跟踪。为了解决这一问题，提出了一种运动摄像机情况下的人群目标跟踪技术，从个体方面对人群中的目标进行跟踪，丰富了人群目标研究，具有较好的跟踪效果。

1  粒子滤波器原理

粒子滤波技术包括2个基本步骤：预测和更新。

1.1  粒子滤波的实现

粒子濾波算法[2]思想源于蒙特卡洛思想，在复杂环境下对目标的状态估计十分有效，它能够为运动状态估计提供一种概率框架。动态系统k时刻的状态向量为xk，观测向量为zk，跟踪问题可以描述为：在已知累积到k时刻所有观测值z1：k=（z1，…，zk）的条件下，计算k时刻的状态xk。在贝叶斯序贯估计中，后验概率密度可以由预测阶段和滤波阶段计算得出。

1.2  粒子滤波算法的分析

传统的粒子滤波跟踪算法中，目标模型的建立通常采用一种特征，如颜色直方图特征、边缘梯度、方向梯度直方图。这些单一的特征在复杂的外部环境下无法实现对目标的有效跟踪。本文主要研究的是移动摄像机下的人群目标跟踪，人群由于其存在的复杂性一直是计算机视觉领域的一个难点。人群中可能包含各种各样的个体，充斥着大量的相似个体，遮挡现象严重，单一特征无法有效地描述特定的跟踪目标。为了提高跟踪的鲁棒性，对人群中的目标进行多特征的描述，虽然在跟踪中使用越多的特征能越全面地描述目标，提高跟踪的准确性，但计算的时间和空间复杂度也会相应地增加，所以选取合适的特征对目标进行描述显得十分重要。

2  目标特征介绍

由于单一特征无法准确描述运动目标，实现人群目标的跟踪，采用多特征的目标描述方法显得十分必要。目标的颜色特征[3]具有稳定性高、有效的抗部分遮挡、计算量较小等优点，但对背景光照变化敏感，且具有相似颜色干扰信息时，跟踪的准确性大大降低的问题。

2.1  颜色特征介绍

颜色特征在实验中，将RGB颜色空间转换到HSV颜色空间，将颜色信息划分m1=10×10+10成为个等级。利用式（5）可以计算出目标中每个像素的权重：

2.2  边缘直方图

颜色特征是一种应用广泛的特征，在多数跟踪任务中都有很好的表现。然而，当背景颜色与目标颜色特征相似时，背景颜色信息会对目标跟踪形成干扰，误把背景当作目标。为了解决这种缺陷，提高跟踪鲁棒性，可以将目标的其他特征与颜色特征结合建立观测模型。本文应用边缘直方图特征对特定区域的边界信息进行统计，结合颜色特征描述目标。

其中，为高斯方差。式（12）越大，说明候选目标与目标模板的轮廓越相似，候选目标是真实目标的可能性越大。轮廓特征Bhattacharyya距离由目标模型的轮廓方向分布与候选目标的轮廓方向分布确定;颜色特征的Bhattacharyya距离由目标颜色分布与参考目标颜色分布确定。两种特征的融合提高了跟踪的鲁棒性，能够很好地跟踪人群中的特定目标。

3  粒子滤波跟踪算法的实现与实验结果

3.1  粒子滤波跟踪算法的实现

粒子滤波跟踪分为目标模型初始化和递归跟踪系统。本文使用视频文件进行实验，算法的实现步骤如下：

步骤1：初始化particle（确定粒子的个数）。粒子个数的多少与跟踪的速度和跟踪的效果息息相关。

步骤2：提取跟踪目标特征。选取视频中需要跟踪的人群目标，计算跟踪目标的特征。

步骤3：释放particle。在上一帧得到的目标附近按照高斯分布来释放particle。

步骤4：求particle区域的特征直方图。根据上一帧传递来的粒子位置、形状信息确定候选目标区域，计算候选区域特征的概率密度。

步骤5：特征对比，更新particle的权重。计算候选目标模型与目标模型的相似度，得到每个粒子对应的观测值的概率密度，进而更新粒子的权值。

步骤6：归一化。将每个粒子算出后的相似度做归一化，使得所有的粒子得到的相似度加起来等于1。

步骤7：重采样。在相似度高的地方多放粒子，相似度低的地方少放粒子。

步骤8：计算粒子的期望，重复算法实现对目标的动态跟踪。

3.2  实验结果

本文运用VS2010配置OpenCV2.3.1进行实验平台的搭建。选取了一段移动摄像机下的人群视频进行实验，对本文提出的人群目标跟踪方法进行验证。分别进行单目标跟踪与多目标跟踪两个实验。

实验1：对单目标进行跟踪。实验分别采用单特征情况下的跟踪与多特征情况下的跟踪两种方法，通过比较实验结果判别本文方法的可行性与鲁棒性。实验选用了颜色特征，在第一帧通过手动选择跟踪目标，并通过颜色直方图进行特征对比。在跟踪的初始阶段单特征能够完成跟踪，但在后续的跟踪过程中，由于单一特征的不稳定性，跟踪目标会发生变化，特别在目标周围出现相近的颜色时，容易发生跟踪错误。

本文运用多特征的方法进行跟踪，能够克服单一特征跟踪过程中会出现的跟踪目标丢失情况，在跟踪目标遇到遮挡情况时也能够具备良好的跟踪效果。

遮挡目标的跟踪一直是计算机跟踪中的一个难点，本文采用的多特征方式能够很好地实现遮挡后的目标跟踪。当遮挡情况出现之前，粒子会对周围做高斯形式的探测，跟踪目标被遮挡时会根据颜色直方图与边缘直方图进行选择判断，在无遮挡后能够很好地跟踪移动目标。

实验2：多目标跟踪。实验中选择了最简单的一种多目标情况——双目标进行跟踪，在摄像机进行移动的情况下，本文的方法能够实现双目标的跟踪。通过手动选择两个需要跟踪的目标，分别用两种颜色的窗口进行标记，通过一段时间进行验证，跟踪的窗口能够时刻在目标周围移动，没有发生目标丢失的情况。

4  结  论

本文提出了一种有效的对移动摄像机下的人群目标进行跟踪的方法，选取了一段复杂的路边环境进行实验，通过颜色与轮廓两种特征实现对跟踪目标的描述，证明相比单特征，多特征能够更好地完成目标的跟踪，跟踪具有较高的鲁棒性。本文分别进行单目标跟踪与多目标跟踪两个实验，验证了方法的可行性与可靠性。下一步的主要工作是进行其他特征的融合，在融合的过程中考虑算法的效率，希望找到一种更加有效的实时目标跟踪方法。

参考文献：

[1]  张娟，毛晓波，陈铁军.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.

[2] 王国良，刘金国.基于粒子滤波的多自由度运动目标跟踪 [J].光学精密工程，2011，19（4）：864-869.

[3] 郑明恩，管业鹏.基于肤色与肤色矩实时视频人脸检测与跟踪 [J].计算机工程与设计，2008，29（4）：879-881.

[4] 劉惟锦，章毓晋.基于Kalman 滤波和边缘直方图的实时目标跟踪 [J].清华大学学报（自然科学版），2008，48（7）：1104-1107.

作者简介：汪少文（1991-），女，汉族，江西上饶人，助理讲师，硕士研究生，研究方向：管理科学与工程;王巍（1989-），男，汉族，江苏宿迁人，硕士，研究方向：计算机科学与技术。