基于目标跟踪的群聚行为识别

2015-04-20 01:50马一博
科技与创新 2015年5期
关键词:目标跟踪

马一博

摘 要:针对视频监控中的群聚行为,提出一种基于目标跟踪的群聚行为识别方法。当场景中目标数目不多,且相互之间没有严重遮挡时,通过结合帧差法、CamShift颜色跟踪算法、模板匹配法与Kalman预测,形成了多传感融合思路的目标跟踪算法,可实现运动目标的跟踪,并采用多线程实现对多目标的跟踪。此外,还可拟合每个运动目标的轨迹和预测下一时间段的轨迹,并统计所有目标的运动轨迹在图像区域中的运动趋势的分布特性,最终通过观察某个区域是否长时间属于目标可能的聚集区,从而判断群聚事件是否发生。实验结果表明,该方法适用于场景中人数不多的情景,且群聚识别效果较好。

关键词:目标跟踪;多传感融合;轨迹拟合;轨迹预测

中图分类号:TP391 文献标识码:A DOI:10.15913/j.cnki.kjycx.2015.05.004

随着经济和城市化建设的快速发展,火车站、地铁和广场等公共场合中的人流量越来越大,人数较多的公共场合中存在着很大的安全隐患,群殴、聚集或踩踏等事件时常发生。如果能对多人行为进行检测,及时发现群体行为中的异常,则可以采取有效措施,避免意外的发生。在人体行为识别中,关于个人行为动作的识别已经有了相当深入的研究,人流量分析、群聚等群体行为的识别是视频监控领域的重要研究方向之一,也是计算机视觉领域中具有挑战性的课题之一。

关于群体行为识别的研究方法主要有3类:①基于目标的方法。该类方法将群体考虑成由单个目标组成,群体行为的识别就是在单个目标检测、跟踪的基础上进行识别,这种方法适用于背景环境较为简单、目标之间没有严重的遮挡的情况。比如,国内采用的目标提取、多人跟踪方法,可在简单的场景中同时跟踪十几人,从而判断是否存在异常情况。②从整个监控场景的角度分析,提取场景中特别的信息特征。通常提取的特征有纹理、梯度和光流特征。目前,国外采用较多的是建立模型的方法,Andrade等人从视频中提取出光流作为特征信息,并采用基于隐马尔科夫模型(HMM)的检测方法检测群体中的紧急或异常事件;Rahmal等人采用纹理作为特征,建立了异常行为模型,可识别群体异常行为。③将上述2种方式结合起来,既可分析整个监控场景,又能跟踪单个目标。在该方法中,可提取纹理光流等特征,并建立群体异常行为模型,适用于环境较为复杂的场景,对外界环境的要求不高,但是从实际应用的角度看,其算法过于复杂,不利于实现。基于目标跟踪的方法,对视频中的每个个体都有较好的跟踪和状态记录,既可以判断单个目标的行为,也可以识别多个目标间的群体行为,且基于目标识别算法,相比于现有的视频监控平台而言更容易实现。因此,本文主要提出了一种基于目标跟踪的群聚行为识别算法。

1 运动目标的跟踪

人体行为分析是指对视频序列中的运动人体进行检测、跟踪、理解和识别其行为。整个处理步骤如图1所示。目标检测、目标跟踪是实现行为理解和识别的基础,也是需首先研究的任务。

1.1 多传感融合思路的目标跟踪

常用的目标跟踪算法有帧差法、Kalman滤波、模板匹配法和MeanShift跟踪算法等,大体上可分为基于运动分析的方法和基于图像匹配的方法。基于运动分析的方法计算速度较快,

但当背景环境较复杂且稳定性较差时,容易出现跟丢目标的现象;基于图像匹配的方法在目标有平移时可获得较好的处理效果,对图像噪声和光照变化有一定的鲁棒性。

本文通过结合运动分析与图像匹配方法,提出了一种多传感融合思路的目标跟踪算法。模板匹配与CamShift结合可简洁、快速地跟踪目标,CamShift的每一帧可不断调整搜索窗口的大小,模板匹配的模板大小也会随之改变,从而增强了匹配的可靠性。同时,Kalman滤波可实现目标位置的预测,可解决目标运动过快、有少许遮挡引起的问题。主要跟踪步骤如下。

第一步,确定要跟踪的目标。确定跟踪目标在当前帧中的位置坐标(nCenterX,nCenterY)、跟踪目标的大小(nHalfWidth,nHalfHeight)和初始化搜索模板的宽度和高度(m_TemplateW,m_TemplateH)。

第二步,初始化模板匹配的模板、CamShift跟踪的色彩概率分布图和滤波器。

第三步,根据前一帧得出的运动目标的位置和大小,在稍大范围内使用帧差法计算一个新目标的位置,可用矩形框(m_DiffRect)表示。

第四步,采用模板匹配跟踪算法,搜索当前帧中与参考模板最匹配的图像区域的位置(nCenterX1,nCenterY1);根据跟踪目标在最近15帧内的运动轨迹信息,运用Kalman滤波器预测出目标在当前帧中可能出现的位置(nCenterX2,nCenterY2);采用CamShift颜色跟踪法,根据前一帧确定的目标窗口的大小和色彩概率分布图,找出目标在当前帧中的位置(nCenterX3,nCenterY3)和调整后的窗口大小(nHalfWidth,nHalfHeight)。

第五步,计算模板匹配、Kalman滤波和CamShift跟踪预测出的运动目标中心位置与帧差法计算出的运动目标中心位置的偏移(ddist1,ddist2,ddist3),剔除与帧差法检测结果相差较大的结果。

第六步,针对每一种特征得到的目标位置结果,计算中心目标区域及其周边背景区域的概率分布图像直方图,根据中心直方图和周边直方图的差异计算每种特征在确定目标位置时所占的权重;实现跟踪过程中的自适应调整权重;使用加权等方法融合步第四步中的位置坐标,得到当前帧目标跟踪的结果(nCenterX,nCenterY)。

第七步,如果Camshift跟踪有效,则使用CamShift跟踪窗口的大小,并作为新目标的大小,否则,以帧差法得到的结果作为新目标的大小。

第八步,更新跟踪目标的大小、模板匹配的模板和目标区域的颜色概率分布图,并不断重复第三步至第六步,以实现运动目标的跟踪。整个流程如图2所示。

猜你喜欢
目标跟踪
多视角目标检测与跟踪技术的研究与实现
基于改进连续自适应均值漂移的视频目标跟踪算法
基于重采样粒子滤波的目标跟踪算法研究
空管自动化系统中航迹滤波算法的应用与改进
智能视频技术在电力系统领域的应用
基于车牌识别的机混车道视频测速算法
自车速测量中的目标检测与跟踪技术
基于SIFT特征和卡尔曼滤波的运动目标跟踪方法
图像跟踪识别技术在煤炭运量视频管理系统中的研究
基于SIFT的压缩跟踪算法