基于多摄像头的行人视频运动目标检测算法研究
来源:用户上传
作者: 匡志科 刘合安
摘要：为了解决单摄像机在目标视频运动中提取信息时存在的缺陷性，提出了基于多摄像头的行人视频运动目标检测追踪算法研究，首先以Kalman 滤波理论为基础，对Kalman 滤波的运动目标跟踪算法的迭代过程、基本方程进行了分析，从而能预测出下一帧中目标所处的位置及范围，并进行Camshift运算；然后再分析了Camshift 与 Kalman 结合算法；最后，为了进一步检测方法的有效性，对多摄像头的视频运动目标追踪Kalman 滤波与Camshift 结合算法进行了实验，实验结果表明：该方法能有效的解决遮挡视线问题，比传统的方法，其准确度更高，降低了目标跟踪丢失率，具有较强的鲁棒性。
关键词：行人视频运动；多摄像头；算法；检测
中图分类号：TP37 文献标识码：A 文章编号：1009-3044（2013）22-5149-04
随着互联网，通信技术的飞跃迅速发展，人们对于生活方面的安全性也提出了更高的要求，这使得视频监控系统越来越广泛地应用在安全领域并迅速成为市场上增长最快的产品，以每年近 50%的增长速度成为市场上关注的焦点和发展的趋势。无论是在车站、宾馆、饭店、道路与机场等许多重要公共场所，视频监控装置都已有普及化的趋势。国家面对目前复杂的社会治安局势以及反恐需要，公共场所高质量大范围的视频监控覆盖确实极大提高了公安机关管控驾驭社会治安局势维护公共安全的能力[1]。在现代社会，视频监控作为一种重要的安全保障手段，在和谐社会建设中有着举足轻重的作用与意义。然而随着摄像机数量的日益增多，监控人员同时也面临着一些困难，怎样利用有限的人力资源来获取更为广阔的场景中的，高质量与准确的视频监控信息内容？而这些都是单摄像机无法能即时有效的实现的目标。这时我们就要利用智能的视频监控系统来解决[2]。
目标被其他物体遮挡、目标运动出摄像机视野等，在单摄像机跟踪里面也是常见的问题，单个摄像机难以解决。此时，我们就需要使用多个摄像机来扩大监控范围、增加监控角度以解决这类问题。这时候就体现了智能视频监控系统在解决这些问题时的优越性。而多摄像机则可以有效地将监控范围扩大化、增加监控角度以解决这类问题。多摄像机监控系统能够全方位多角度的监控一些场景范围较大，视野较为宽广的场景，并且能够延长跟踪的时间，不受行人遮挡与颜色相近物体的干扰，在一些公共场所，都能实现对行人的特征与车辆的实时跟踪，具有良好的性能[3]。目前国内外也有很多科研机构开展了一些智能视频监控系统的研究，比如国内，对这一实验开展得较为好的北京邮电大学，西安交通大学，浙江大学等，都取得了较为理想的科研成果[4]。
运动目标跟踪是智能视频监控系统中的一个非常重要的部分。而行人的干扰与遮挡，都会给视频监控带来一定的困难，如果在这些干扰与遮挡问题下，实现准确实时地跟踪，降低目标跟踪的丢失率，这也是很多学者正在研发待解决的问题。而运动目标跟踪，则是在一段视频序列中，能非常准和快的对运动目标立即找出活跃的最感兴趣的那帧图进行运动参数的估计，从而获取目标运动状态的方法，确定运动目标的轨迹与位置，从而实现有效的跟踪[5]。
基于综述，为此本文提出了基于多摄像头的行人视频运动目标追踪研究方法，以Kalman 滤波算法为基础，对Kalman 滤波与Camshift 两种结合算法进行了分析，从而能准确的获知多摄头像下的行人目标运动视频的范围及位置，大大提高了运动目标视频的准确率，降低了丢失率。
2 Camshift 与 Kalman 结合算法
是利用目标物体的颜色直方图作为匹配模型的Camshift 算法，不会轻易地受目标形状变化的影响，因而可以有效地解决目标运动过程中的形状变化问题且可实现实时目标跟踪。但当目标物体与背景的颜色非常相近时，其跟踪效果不是特别理想，尤其是当运动目标背景也是动态的时候，更不容易实现跟踪。由于Kalman 滤波器可以准确地预测运动目标的位置和速度，因此将Kalman 滤波器与Camshift 算法结合起来，可大大地提高运动目标跟踪的准确度，获取有用的信息内容。
当把运动目标提取出来之后，将初始窗口的位置和大小作为 Camshift 算法的初始值输入，设定初始状态向量为OY ；整个目标运动追踪的过程中，用 Kalman 滤波器对跟踪窗口的大小与位置进行预测，然后再将预测所得到的运动目标位置估计值作为 Camshift 算法初始迭代的位置，再在这个邻域内寻找最佳匹配位置。因为之前对目标在下一时刻的位置进行了预测，因而其搜索的范围得到了减少，这样就能更有效地降低计算量，避免运动目标跟踪丢失现象的发生，其跟踪的效率得到了大大的提高。
3 实验结果与分析
3.1实验环境
本实验在 MATLAB6.0 环境下进行编程实现，硬件平台处理器为 Intel Core i5 CPU2.30GHZ，内存5.00G，操作系统环境为 Windows 8，64 位。本实验中所使用的视频，其视频分辨率为 329×247，帧率为 27 帧每秒，摄像机所拍摄的角度与位置将其固定不变。文中主要是对Kalman 滤波器与Camshift 算法结合起来在行人目标运动跟踪方面进行的实验与分析。主要测试了有行人遮挡与行人干扰的两种情况，通过对传统的原始Camshift 算法，与和Kalman 滤波器与Camshift 算法结合起来算法的不同跟踪结果，来进一步证明两种结合算法的有效性与准确性。
3.2行人干扰情况下实验数据1
从图1可看出，图 1 所测试的是在有行人干扰的情况下，而且目标并无行人遮挡的情况下，将行人的颜色与跟踪目标的颜色进行对比，得知二者颜色相差较大。图（a）是使用 Camshift 算法进行跟踪的结果，从图（a）可以看出，虽然对运动目标基本可以实现跟踪，但是红色跟踪框对目标的定位并不准确，时上时下，具有不稳定性；而图（b）显示的则是Kalman 滤波器与Camshift 结合算法的跟踪结果，由图（b）可以看出，其跟踪效果要比图（a）好，对目标的定位其准确性更高，Kalman 滤波器与Camshift 算法结合起来的结合算法能够对跟踪目标进行很好的跟踪，质心波动很小，不会时而向上，时而向下，会紧紧地进行跟踪，与目标的实际运动很吻合，具有稳定性。 3.3行人遮挡情况下实验数据2
综上所述，在运用行人干扰与行人遮挡两组实验数据中，当有行人遮挡与有行人干扰的情况下，运用Camshift 与 Kalman 结合之后的算法，比传统的方法，其目标跟踪的准确度会更高，同时能够在有颜色与运动目标的颜色非常接近的情况下，仍然能够保持目标视频的跟踪，使得目标跟踪丢失的可能性得到了下降，使得目标跟踪的质心更具有稳定性，以实现和获取最佳的追踪目标效果。
4 结束语
针对单摄像机视野范围的局限性，不能适应大场景的目标运动跟踪，该文提出了基于多摄像头的视频运动目标追踪方法研究，传统的Camshift 算法是利用目标物体的颜色直方图作为匹配模型，虽然不易受目标形状变化的影响，可以有效的解决目标运动过程中的形状变化问题；运用该算法也能够实现简单的实时跟踪。但是当目标物体与背景的颜色非常相似或相近，且被行人干扰或行人遮挡时，其运动目标视频跟踪出来的效果并不令人满意。而Kalman 滤波器却可以解决这一缺陷，成功地并且十分准确地预测出运动目标的位置与速度，实现更为有效的跟踪。因而本文结合二种算法的优点，提出了将Camshift算法 与 Kalman 滤波器这两种算法结合起来，即使运动目标视频跟踪的原物即使是与颜色相近或相似，亦或有颜色相近的行人物体遮挡的情况下，也能实现实时跟踪。采用该CK结合算法，不仅使得运动视频目标跟踪的准确度得到了提高，同时也降低了目标运动视频丢失的可能性，使得目标跟踪的质心更加稳定，进行更为持续有效地实时跟踪，其稳定性更好，具有较强的鲁棒性。然而行人检测的运动目标视频追踪目前仍还存在着很多的问题与困难，如何在有限的时间内实现更为准确的跟踪，仍然是今后要研发的一个方向。
参考文献：
[1] 李志华， 田翔， 谢立 等. 视频监控系统中的多摄像机跟踪优化设计.哈尔滨工业大学学报， 2008， 40（8）： 1485-1490.
[2] 梁艳. 多摄像机环境下目标交接的研究[D]. 天津：河北工业大学， 2010.
[3] 王津， 张学杰. 多摄像头视频监控系统中基于SIFT特征的目标匹配研究[J]. 云南大学学报， 2009，31（S1）：37-42.
[4] Motamed C， Wallart O A.Temporal fusion strategy for cross-camera data association. Pattern Recognition， 2007， 28（2）：233-245
[5] 黄梅. 基于改进RANSAC算法的图像拼接技术[J]. 海南大学学报自然科学版， 2011， 29（2）：172-177.
[6] 曹红杏， 柳稼航， 阮萍. 基于角点变换矩阵的图像拼接[J]. 科学技术与工程， 2008， 8（16）：4536-4539.
[7] Velipasalar S， Wolf W. Multiple object tracking and occlusion handling by information exchange between uncalibrated cameras[C]. IEEE International Conference on Image Processing， 2005，2（2）：418-421.
转载注明来源:https://www.xzbu.com/8/view-4518449.htm
