智能视频监控中运动目标跟踪技术论述

摘要：随着科学技术的迅速发展，视频监控技术也在不断的进步。在智能视频监控系统中最基本并且应用最广泛的技术就是目标的检测以及追踪技术。本文从运动目标检测的方法入手，针对智能视频监控中运动目标的检测以及跟踪技术进行详细的研究。

关键词：运动目标检测；运动目标跟踪；背景差分

运动目标跟踪与目标检测技术是监控领域中最为重要的问题以及关键的技术。计算机技术的发展既是挑战，也是一个机遇。在智能视频监控中，对运动目标进行跟踪已经应用在了工业生产、医药研究、交通监测，天文观测等诸多方面，这项技术需要建立在目标有效检测的基础之上，是在行为描述以及理解之前的技术。下面本文就将对智能视频监控中运动目标跟踪技术进行详细的介绍。

1.目标跟踪技术基本介绍

目标跟踪技术指的是对运动目标的位置以及形状、轮廓、颜色等基本特征进行一定了解之后再经过一些特殊的算法，通过与帧图像进行匹配之后，确定出观测目标的运动轨迹，通过这种方式实现运动目标的实时监控。在实际运用的过程中目标的遮掩、环境变化、景物等都会大大的对跟踪造成影响。而对目标跟踪技术的策略进行分类的话，可以分成3D方法以及2D方法。3D指的是在世界坐标系中完成对目标的追踪，而2D指的则是在图像平面内完成追踪。我们可以知道，在对目标进行追踪的这个过程中，采取合理的算法十分重要，因为它直接关系到了跟踪的准确性以及实时性等，虽然在经过人们的研究之后，发明了众多的跟踪算法。但是由于不同领域对运动目标跟踪的要求不同，因此还是要不同的场景采用不同的算法。下面，本文将对这些跟踪算法进行详细的介绍。

2.基于均值偏移的跟踪算法研究

均值偏移（Mean-Shift）是一个不断进行迭代的循环，通过不停的进行迭代寻找到跟踪目标的下一个位置。简单来说就是首先对起始点的偏移的均值进行计算，得到的数值就是目标移动的距离，这样就可以从起始点开始移动一定的距离到达某位置之后，将这个新位置作为新的起点，沿着密度函数的梯度方向移动，最后收敛于一个局部的最优点。

3.基于粒子滤波的跟踪算法研究

粒子滤波器是基于贝叶斯估计、蒙特卡洛模拟提出的一种实时推理算法。这种方法是通过一组样本点在任意的空间之中进行漂移、扩散、测量等循环。最终，这些样本乘以概率密度完成这一过程。这种基于粒子滤波的跟踪算法的好处就在于粒子滤波较为灵活，并且可以能够并行化，这些优点就能够使它很轻松的解决非线性、非高斯动态系统问题。粒子滤波的原理可以从贝叶斯估计以及蒙特卡洛采样两方面得到解释。下面，本文就将从这两方面对粒子滤波的原理进行分析。

首先从贝叶斯估计的方面来说，贝叶斯估计的根本在于利用系统模型预测状态的已知信息然后得到系统状态量的置信程度。应用到对运动目标跟踪技术中就是说利用贝叶斯估计对研究目标进行跟踪就是在系统测量数据已知的前提下，估算系统在某一时刻的状态向量的后验概率密度函数。

蒙特卡洛采样则是我们平时说的随机模拟法。顾名思义，蒙特卡洛采样就是利用随机抽样的方式求解问题。也就是先找到一组随机样本，对其进行赋值之后再利用样本、样本权值以及对样本的估算，利用这些数据来求得后验概率的分布。通过对以上两种角度的介绍，我们可以看到，当蒙特卡洛采样法的样本数据足够大的时候，蒙特卡洛特性几乎和后验概率密度相等，这个时候蒙特卡洛粒子滤波器就与贝叶斯的最优估计几乎等价。

4.融合Mean—Shift的粒子滤波跟踪算法

在经过上文对基于均值偏移的跟踪算法以及基于粒子滤波的跟踪算法的研究之后，我们可以发现，两种方法各有优点又各有缺点。一方面，基于均值偏移的跟踪算法，这种方法较为简单，效率较高，对目标的变形也有着一定的适应性。跟踪的鲁棒性依赖于分析结果的可靠程度，但是这种算法只是一种局部优化的方法，很有可能最终收敛在局部的极值点之上。也就是说在利用这种方法的时候追踪目标移动的距离不能够太远，而且目标颜色最好能够和背景颜色差距较大，否则目标可能在追踪的过程中丢失。而另一方面利用粒子滤波器进行跟踪的时候，具有更加突出的优势，能够很大程度的维持目标的假设状态，同时也能够很好的解决追踪目标被遮挡的问题。但是由于粒子滤波的蒙特卡洛特性，就要求在追踪的时候需要非常多的样本粒子。但是这大大增加了算法的复杂程度，伴随着复杂程度的提升实时性就会减弱。采用这种算法的时候必须要考虑好可靠性以及实时性两者之间的关系。

由此可见，将两种算法进行结合之后，就可以做到优势互补。一方面，粒子滤波能够很好的增强抗遮挡性能，而另一方面，Mean—Shift算法则能够有效的提高可靠性与鲁棒性，可以很好的利用在对实时性要求比较高的场合之中。融合两种算法就是让粒子在经过采样以及动态模型的随机传播之后，再利用均值漂移算法。让样本粒子向着目标最大化的区域移动。这样利用的粒子数量较少，但是描述的状态却并不少。距离目标区域较远的粒子也能够最大程度的向目标靠近，这样算法的复杂程度就会降低。

本文对智能视频监控中运动目标跟踪技术中对运动目标的跟踪进行了研究，在介绍了基于均值偏移的跟踪算法以及基于粒子滤波的跟踪算法同时提出了将两种算法融合在一起的融合Mean—Shift的粒子滤波目标跟踪算法。这种算法具有两种算法的优点，不仅仅降低了计算量，提高了采样率，能够广泛的应用在今后的智能监控之中。因为笔者的知识程度有限，所以观点可能还有不成熟的地方，希望有更多的专家学者进行指导。同时也希望在计算机技术大发展的背景之下，从事于智能视频监控中对运动目标进行跟踪的专家学者能够多加研究，设计出更好更精密的算法以便于提高对运动目标追踪的鲁棒性、准确性等。

参考文献：

[1]武建. 智能视频监控系统设计与实现[D].山东大学，2013.

[2]胡雄鸽. 智能视频监控系统中的运动目标检测方法研究[D].湖南大学，2012.

[3]颜卓. 基于双目视觉的运动物体检测系统研究[D].沈阳大学，2012.

作者简介：

王刚，汉族，甘肃兰州人，1975年11月出生，中共党员，副教授，甘肃警察职业学院治安系交通管理科副科长。长期从事刑事侦查专业教学和视频图像侦查技术研究。