摘 要 針對道路交通監控場景，提出并實現了一個多目標自動檢測與跟蹤系統. 首先通過高斯混合模型的運動信息提取方法得到目標運動信息，并分析了目標信息的連續多幀歷史信息，估計目標區域信息在連續多幀中的統一性，進而通過信息融合的方式得到了目標檢測結果. 然后提出了監控場景下多目標的跟蹤與管理策略，根據目標檢測結果，對場景中的多個目標同時進行跟蹤.最后，根據目標的不同狀態將目標劃分為新出現目標、被更新目標和被跟蹤目標等不同的類別，提高目標跟蹤的準確性.

　　關鍵詞 多目標跟蹤; 智能監控; 目標檢測

　　隨著計算機技術的不斷發展，運動目標的檢測與跟蹤技術在軍事制導、視覺導航、機器人、智能交通、公共安全等領域都有著越來越廣泛的應用. 在智能交通管理中，進行多目標的跟蹤、運動目標的運動參數及狀態的采集是非常重要的步驟，對其后續進行事件分析并最終形成決策起著關鍵作用.

　　典型的智能交通管理系統通常包括場景中多個運動目標的自動檢測、跟蹤以及多個目標的運動參數的提取計算，從而分析獲得監控結果. 在此過程中，主要是通過固定的監視攝像頭對監控場景進行實時錄像，在靜態背景下通過對序列圖像進行分析研究，根據運動信息獲得靜態場景下運動目標的檢測結果. 然后利用多目標的跟蹤對檢測到的多個運動目標進行跟蹤，從而獲得視頻序列中相同目標之間的相對運動速度和位移等參數. 這些參數可以作為緩解交通擁堵等現象的依據. 其中，對監控場景中運動的多目標進行自動檢測和跟蹤是智能交通監控的重要挑戰.

　　針對監控視頻大多具有固定攝像頭、靜止背景的特點，對運動目標的檢測提取目前較為廣泛采用的是基于背景統計模型的目標分割技術[1，2]、基于變化的目標分割技術[3]、基于圖論[4]這 3 種目標提取算法.

　　此外，Yang 等[5]設計了計算模型來估計運動目標 及 其 方 向，并認為更符合視覺觀察特性; Yamamoto 等[6]和 Eveland 等[7]采用背景信息估計運動目標. Yamamoto 等根據目標的點、線、面的特征，以及這些特征與背景的關系，估計運動目標的運動范圍作為先驗，增強了運動目標檢測和跟蹤的準確性. 文獻[8-15]分別提出基于核密度估計、粒子濾波、超級像素、顏色屬性、局部稀疏表示、連續目標序列標記等多目標跟蹤方法.

　　本文首先采用基于高斯混合模型[2]的背景建模方法檢測運動的目標，然后提取運動目標的團塊信息，并根據目標的團塊信息在前后幀之間的匹配結果，實現目標的自動跟蹤. 同時，根據道路交通監控場景中的多個運動目標的目標狀態，構建目標狀態列表. 針對被劃分到不同列表中的目標，采用不同的目標狀態管理策略對目標狀態進行維護和更新，增強目標檢測和跟蹤的魯棒性. 系統流程如圖 1 所示

　　1 算法原理及系統設計

　　利用基于高斯混合模型的背景建模，提取連續幀圖像中的運動前景區域，并根據歷史信息對運動區域進行篩選和過濾，實現運動目標的檢測和標記.然后根據檢測結果提取目標模板，利用模板跟蹤場景中的多目標. 采用不同狀態目標分類管理策略，根據不同的目標狀態，有針對性地進行目標狀態的更新和維護.

　　1.1 目標信息提取

　　根據目標的運動特性，模塊采用基于高斯混合模型[2]的背景建模方法，提取連續幀中的運動目標.這步驟的主要目的是將場景中所有潛在的運動目標區域提取出來，對運動目標進行初步分割，分割結果用來進行后續的目標檢測以及跟蹤. 通過高斯混合模型對視頻序列中的目標進行運動信息提取，獲得一系列的離散運動像素點或者像素點聚集的團塊.對提取的運動團塊，進行團塊歷史信息的分析，進一步獲得目標檢測結果.

　　1.2 目標檢測

　　采用高斯混合模型提取的運動信息往往會由于實際視頻中的背景動態干擾、噪聲等因素的影響導致不夠魯棒.如圖 2 為高斯背景建模示例圖，有較多的噪聲點，對于在圖像中位置較為接近的目標，經建模后得到的車輛團塊被合并成一團，不能對車輛位置進行很好的區分. 因此，本文在目標檢測模塊中將前一步初步提取的運動目標信息進行了分析，從而得到精確的運動目標檢測結果，同時過濾了虛警等非運動目標區域.

　　在目標檢測模塊中，通過對提取的目標信息在視頻序列中的歷史狀態的分析來實現目標檢測. 將目標信息提取得到的每一幀目標信息形成目標信息歷史序列. 對序列進行分析，采用匹配算法將其中較為穩定的區域作為精確的目標檢測結果( 圖 3) .

　　首先對連續視頻序列中獲得的前景點或者前景簇信息進行團塊檢測，通過團塊檢測得到視頻序列在當前時刻所有可能的團塊. 圖 3 中對于每一時刻的目標信息提取即為獲得每一時刻的團塊信息. 團塊檢測通過對每一幀中前景點的聚類獲得. 通過圖割的方法獲得前景點團塊信息，獲得的團塊信息被存儲在團塊列表，列表中的所有團塊所在區域被認為是潛在的運動目標所在區域. 對于得到的團塊列表，通過對視頻中當前幀的歷史幀中團塊列表進行統一性分析，對目標歷史序列中每一幀的團塊進行檢測，得到具有統一運動方向的團塊，即為當前時刻的運動目標區域. 具體算法如下:

　　( 1) 對視頻序列中當前幀以及當前幀之前的歷史幀中提取得到的目標運動信息進行團塊檢測，得到當前幀的所有團塊的列表: BLt = ( B1，t，……，Bi，t，……，Bn，t ) ， ( 1)

　　BLt 表示 t 時刻檢測獲得的所有團塊，Bi，t表示當前幀中的第 i 個團塊.

　　( 2) 在運動目標團塊列表中進行統一性檢測，目的是進一步精確地確定目標，濾除虛警. 具體算法如圖 4 所示.

　　通過對團塊列表中的所有潛在目標團塊進行統一性檢測，可精確判定當前幀的運動目標團塊，并且抑制虛警和噪聲對目標檢測的影響.

　　1.3 多目標跟蹤與管理

　　多目標跟蹤與管理用于實現對道路交通監控場景中多個運動目標的同時跟蹤并對跟蹤過程中目標狀態的更新與維護. 在多目標的跟蹤過程中，常常出現跟蹤目標偏移現象. 本方法通過目標分類管理，能夠有效解決多目標在跟蹤過程中的偏移問題.同時，通過對不同目標分類的實時維護，減少目標跟蹤過程中的跟蹤丟失現象. 本模塊將跟蹤的目標分為三類，目標的分類及具體流程如圖 5 所示.

　　1.3.1 目標跟蹤

　　在進行多目標跟蹤中采用模板匹配方法，首先將目標檢測模塊得到的目標區域對應的灰度圖像作為目標模板，然后在當前幀中進行相似度計算，最終匹配得到當前幀中該目標的區域位置

　　1.3.2 目標更新及管理

　　目標更新與管理首先是對比當前幀跟蹤得到的目標與檢測得到的目標，并將當前幀的目標劃分為三類: 新進入的目標、下一時刻需要繼續跟蹤的老目標以及需要進行模板更新的目標. 目標劃分是通過目標列表對比完成的，通過列表中目標與邊界信息之間的對比結果，將目標劃分為如圖 5 所示的三類目標. 對比完成后，對三類目標分別進行不同策略的管理.

　　( 1) 對于新進入監控視野的目標，初始化目標位置為目標檢測得到的目標區域; 然后該目標區域對應的當前幀圖像區域，作為該目標的模板保存下來以便在下一時刻進行目標跟蹤算法; 將該目標標記為需要繼續跟蹤的老目標，并存入相應的列表.

　　( 2) 對于正常跟蹤的目標，其管理工作主要分為三個部分: 對需要跟蹤的目標，采用本文中的跟蹤算法進行繼續跟蹤; 將跟蹤丟失或是從視場中移出的目標從列表中刪除; 將未被移出的目標重新融入到下一時刻的相應跟蹤列表.

　　( 3) 對于需要進行模板更新的目標，將目標檢測所得的區域對應的圖像作為該目標的模板保存下來并使用該更新后的模板進行跟蹤算法. 這一工作可以及時更新運動目標的特征模板，以便更好地進行后續跟蹤，很大程度上避免了由于運動目標的方位變化或者輕微遮擋所導致的目標丟失現象.

　　2 算法描述

　　本文基于交通監控視頻序列，實現視頻序列中多目標的信息提取、多目標檢測、多目標的跟蹤以及目標管理等. 整個系統的具體算法描述如下:

　　系統輸入: 視頻的圖像序列 l1，l2，…，lt .

　　系統輸出: 監控場景視頻序列中所有運動目標的跟蹤結果，并利用目標矩形 Ri，j 進行標記，Ri，j 表示目標 i 在 t 時刻的標記.

　　初始化:

　　( 1) 對視頻序列中的運動目標進行目標信息提取，并獲得圖像目標的信息列表 HF t = ( I F t-n+1，I F t-n+2， …，I F t-1，I F t ) ，其中 I F t 表示 t 時刻的信息提取結果，n 為 t 時刻需記錄的歷史序列數目.

　　( 2) 根據運動目標信息提取結果，初始化歷史團塊 列 表 隊 列 BLLt = ( BLt-n+1，BLt-n+2，…，BLt-1， BLt ) ，其中 BLT 為 t 時刻的團塊檢測結果.

　　過程描述: ( 1) 運動目標信息提取

　　1) 對當前幀圖像進行目標信息提取，并獲得當前時刻 t 的信息圖像 I F t ，其中 F 表示前景. 更新目標圖像信息列表I F t : 加入I F t ，并從列表中刪除t - n時刻的目標信息圖像.

　　2) 對當前幀目標信息圖 I F t 進行團塊檢測，得到 t 時刻 的 團 塊 列 表 BLt . 更新歷史團塊列表隊列 BLLt，加入當前幀團塊列表，同時刪除 t - n 時刻的團塊列表.

　　( 2) 目標檢測

　　1) 在團塊列表隊列 BBLt 中進行團塊統一性檢測，將具備統一性的目標團塊確定為當前幀的運動目標記入目標列表 TLD t .

　　2) 將當前時刻的運動目標檢測結果即目標列表 TLD t 輸入多目標跟蹤管理模塊.

　　( 3) 目標跟蹤與管理

　　1) 對比前后兩幀之間的目標列表 TLD t ，將目標列表中的目標分為三類，即新目標、待繼續跟蹤的目標和需要更新的目標，其目標列表分別表示為 TLN t 、 TLT t 和 TLU t . 對位于不同列表中的目標操作如下.

　　a. 對列表 TLN t 中目標采用模板匹配的方法獲得新目標的位置，并將列表 TLN t 中所包含的目標加入列表 TLt+1，TLt+1 表示為下一時刻目標列表.

　　b. 調用模板匹配跟蹤算法，跟蹤列表 TLN t 中所有的目標，獲得當前時刻運動目標的位置定位，然后根據以下幾種情況對結果進行處理:

　　3 實驗結果與分析

　　采用兩個實際的交通監控視頻對本文提出的多目標跟蹤算法框架進行實驗分析，效果如圖 6 和 7 所示.

　　首先采用高斯背景建模方法逐漸提取視頻中的運動目標，進而采用模板匹配及信息融合的方式進行目標跟蹤，在跟蹤的同時亦檢測視頻中新增加的目標. 整個過程對視頻中的檢測及跟蹤的目標進行列表處理，包括新增目標、跟蹤目標以及溢出目標. 對疑似目標在跟蹤的同時還進行時間序列分析，對于虛假的不實目標予以剔除，只有真實的目標才會進入跟蹤目標列表. 系統有效地利用了圖像序列之間的關聯信息，因而具有很好的實時性. 程序采用 C++編寫，在 VC 6.0 平臺上完成. 帶有 2.0 GHz 處理器及 4 GB 內存的筆記本電腦能夠同時完成對 30 個運動視頻目標實時 的 檢 測 跟 蹤，每一幀的平均處理時間約為0.067 s.

　　根據對實驗結果的分析可以得出，本文所提出的多目標檢測跟蹤方法，能夠實現在道路交通場景中，多目標的實時自動檢測和跟蹤. 同時，本方法利用目標信息提取、融合目標歷史信息以及對目標采取分類管理和維護的方法，能夠有效地抑制多目標跟蹤過程中出現的目標偏移以及跟蹤丟失等問題.

　　4 結語

　　提出了一種基于道路交通場景的運動物體多目標的自動檢測與自動跟蹤方法. 首先利用背景建模的方法提取目標的運動信息，通過對當前時刻幀以及當前時刻幀對應的歷史幀中目標的運動信息的統一性分析，得到多目標的檢測結果. 然后，利用模板跟蹤的方法，對檢測到的目標進行目標跟蹤，同時對不同的目標狀態，針對性地將目標劃分為三類: 新進入監控視野目標、正常跟蹤目標和需要進行模板更新目標，對每一類目標采用不同的跟蹤和管理策略. 通過對真實道路監控場景的試驗證明，本文中提出的方法能夠有效地實現交通場景下多目標的自動檢測與跟蹤.

　　參 考 文 獻

　　[1] 杜宇人，高潔軍，周愛軍，等. 基于統計背景模型的運動目標檢測方法[J]. 電子測量與儀器學報，2006( 增刊) : 1298-1301.

　　[2] Wren C，AzarBayeJania A，Darrell T. Pfinder: Real-time tracking of the human body [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，1997，19( 7) : 780-785.

　　[3] Aach T，Kaup A，Mester R. Statistical model-based change detection in moving video [J]. Signal Processing，1993， 31( 2) : 165-180.

　　[4] Shi J and Malik J. A normalized cuts and image segmentation [C]/ / IEEE. Proc IEEE Conf Computer Vision and Pattern Recognition. San Juan，Puerto Rico，1997.

　　[5] Yang S，Perona P.A computational model for motion detection and direction discrimination in humans[C]/ / The Workshop on Human Motion. IEEE，June 13-15，2000. Hilton Head，SC，USA.

　　[6] Yamamoto M，Yagishita K.Sceneconstraints-aided tracking of human body[C]/ / IEEE Conference on Computer Vision & Pattern Recognition. IEEE，2000: 1151-1151.

　　[7] Eveland C，Konnlige K，Bolles R C.Background modeling for segmentation of video-rate stereo sequences [C]/ / Proc. IEEE Conf. Computer Vision and Pattern Recognition. IEEE Computer Society，June 23-25，1998. Santa Barbara，CA，USA.

　　[8] Comaniciu D，Member V R，and Meer P. Kernel-based object tracking [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2003， 25 ( 5 ) : 564-575.

　　[9] 程 建，周 越，蔡 念，等. 基于粒子濾波的紅外目標跟蹤[J]. 紅外與毫米波學報，2006( 2) : 113-117.

　　[10] Yang F，Lu H，Yang M. Robust superpixel tracking [J]. IEEE Transaction on Image Processing，2014，23 ( 4) : 1639-1651

　　[11] Danelljan M，Khan F S，Felsberg M，et al. Adaptivecolor attributes for real-time visual tracking[C]/ / IEEE Conference on Computer Vision and Pattern Recognition. 2014: 1090-1097.

　　[12] 向金海，樊 恒，徐 俊. 基于局部稀疏表示的目標跟蹤 [J]. 華中科技大學學報. 2014，12 ( 6 ) : 256-260.

　　[13] Chen S，Fern A，Todorovic S. Multi-objecttracking via constrained sequential labeling[C]/ / IEEE Conference on Computer Vision and Pattern Recognition. IEEE Computer Society，2014: 1130-1137.

　　[14] 井沛良，徐世友，李 賢，等. 多目標跟蹤性能評估方法綜述[J]. 系統工程與電子技術. 2014，15 ( 5) : 321-326.

　　[15] 侯建華，鄧 雨，陳思萌，等.基于深度特征和相關濾波器的視覺目標跟蹤[J].中南民族大學學報，2018， 37( 1) 72: 67-73.

　　相關論文推薦：智能交通發展新技巧實施條例