基于高斯混合模型的移動目標跟蹤

時磊， 魯華棟

(1. 河南工業職業技術學院 電子信息工程系， 南陽 473000； 2. 河南工業職業技術學院 網絡管理中心， 南陽 473000)

基于高斯混合模型的移動目標跟蹤

時磊1， 魯華棟2

(1. 河南工業職業技術學院 電子信息工程系， 南陽 473000； 2. 河南工業職業技術學院 網絡管理中心， 南陽 473000)

目標跟蹤是視頻處理中的一個重要研究方向，針對傳統跟蹤方法魯棒性差、誤差大的缺陷，設計了基于高斯混合模型的移動目標跟蹤方法。對當前移動目標跟蹤的研究現狀進行分析，找到引起目標跟蹤誤差大、魯棒性差的原因，采用高斯混合模型對視頻中移動目標進行檢測，提取完整的運動目標，采用卡爾曼濾波算法對目標移動軌跡進行跟蹤，并通過具體目標跟蹤實驗對其性能進行測試，結果表明，其方法可以對移動目標進行準確跟蹤，可以適合目標背景的復雜變化，魯棒性好，加快了目標跟蹤的效率，跟蹤結果十分穩定。

視頻圖像； 移動目標； 目標檢測； 卡爾曼濾波； 高斯混合模型

0 引言

隨著計算機視覺處理技術的不斷成熟，其在智能監控、身份認證等領域具有潛在的應用價值[1]。目標跟蹤是計算機視覺處理研究中的一個重要方向，其可以描述目標移動的軌跡，因此如何準確對移動目標跟蹤進行跟蹤是當前一個重要的研究課題[2]。

針對移動目標跟蹤問題，學者們進行了深入、廣泛的探索和研究，提出了許多有效的移動目標跟蹤方法。當前移動運動跟蹤方法主要分為3類：基于光流法的移動目標跟蹤、基于幀差法的移動目標跟蹤、基于背景差分法的移動目標跟蹤，其中基于光流法的移動目標跟蹤方法對噪聲十分敏感，而且工作過程十分復雜，無法應用于復雜場中的移動目標跟蹤[3,4]?；诒尘安罘址ǖ囊苿幽繕烁櫷ㄟ^提取目標信息實現跟蹤，其計算復雜度與背景模型直接相關，當場景中存在光照變化時跟蹤結果不穩定，而且環境變化適應性差[5-7]?；诒尘安罘址ǖ囊苿幽繕烁櫡€定相對較優，其中高斯混合模型較好解決了幀差法、光流法存在的不足，成為當前應用最為廣泛的移動目標跟蹤方法，然而高斯混合模型的初始學習速度慢，當目前目標消失在一定范圍內時，易跟丟目標[8,9]?？柭鼮V波算法是一種非線性估計算法，將運動目標問題看作是一個典型的估計問題，其可以對目標進行準確跟蹤，但對目標的初始位置比較敏感，如果初始位置誤差較大，那么目標跟蹤效果急劇下降[10]。

針對當前目標跟蹤方法存在的不足，設計了基于高斯混合模型的移動目標跟蹤方法。首先采用高斯混合模型對視頻中移動目標進行檢測，然后采用卡爾曼濾波算法對目標移動軌跡進行跟蹤，最后通過目標跟蹤實驗對其性能進行測試，驗證其有效性和優越性。

2 高斯混合模型和卡爾曼濾波算法

2.1 高斯混合模型

對于視頻圖像中的每一個像素點，采用k個高斯模型組成混合高斯背景模型，具體可以描述為式(1)。

(1)

Nn,k(Xn|μn,k,Σn,k)的計算機公式為式(2)。

(2)

判斷像素值與高斯模型之間是否滿足如下條件為式(3)。

(3)

式中，Dn,k表示像素點值與高斯模型之間差的平方和，Tn,k表示高斯模型之間的方差和，Tstd表示高斯模型的方差系數。

若滿足式(3)條件，那么根據最大期望算法對參數進行更新，具體方式為式(4)。

(4)

ρk的計算公式為式(5)。

(5)

根據φk=ωk/σk的計算結果對所有高斯模型進行排序，選擇前b個高斯模型作為移動目標背景檢測模型，而且它們滿足如下條件為式(6)。

(6)

式中，T為背景閾值。

采用高斯混合模型對視頻中移動目標進行檢測，提取完整的運動目標，然后采用卡爾曼濾波算法對目標移動軌跡的進行跟蹤。

2.2 卡爾曼濾波算法

采用目標位置和移動速度卡爾曼濾波算法的狀態變量，即：x=[xx，xy，vx，vy]T，那么視頻采樣時間和目標狀態變量之間的關系為式(7)。

x=x0+vt

(7)

建立相應的狀態轉移矩陣為式(8)。

(8)

根據高斯混合模型可以得到移動目標的測量值為z=[zx，zy]T，相應的測量矩陣為式(9)。

(9)

那么協方差矩陣Q、R可以表示為式(10)。

(10)

(11)

采用P描述狀態測量誤差，最初目標位置是已知，而速度未知，P可以具體描述為式(12)。

(12)

3 基于高斯混合模型的移動目標跟蹤算法

3.1 工作思想

基于高斯混合模型的移動目標跟蹤思想為：首先采集移動目標的視頻，并對其進行一定的預處理，然后采用高斯混合模型對對視頻中移動目標進行檢測，提取完整的運動目標，然后采用卡爾曼濾波算法對目標移動軌跡的進行跟蹤，具體流程，如圖1所示。

圖1 移動目標跟蹤的流程

3.2 跟蹤算法的工作過程

(1)采集移動目標跟蹤的視頻，并對視頻進行分幀處理。

(2)對視頻幀的每一個像素數建立相應的高斯混模型。

(3)提取移動目標的背景模型，并對背景模型的參數進行更新。

(4)檢測到背景中的移動目標，并對目標進行處理，如填充等操作。

(5)采用卡爾曼濾波算法對目標移動軌跡的進行跟蹤。

(6)輸出移動目標跟蹤結果，并對跟蹤結果進行分析。

4 移動目標跟蹤性能的測試

為了對基于高斯混合模型的移動目標跟蹤方法有效性進分析，在Matlab 2012R平臺下進行了目標跟蹤實驗，同時為了測試高斯混合模型的移動目標跟蹤方法的優越性，在相同實驗環境下，選擇當前經典目標跟蹤方法進行對比實驗。選擇3個視頻序列進行跟蹤實驗，對其中目標移動結果進行檢測和跟蹤，結果如圖2～圖4所示。

對圖2～圖4的實驗結果進行對比和分析，可以知道：

(1)經典方法移動目標輪廓檢測不完整，目標跟蹤誤差比較大，對目標后續處理產生不利影響，實際應用價值不高。

(2)相對于經典方法，高斯混合模型可以降低移動目標跟蹤誤差，檢測效果更加理想，這是因為本文方法首先采用高斯混合模型對視頻中的目標進行檢測，得到比較完整的目標，然后采用卡爾曼濾波算法對目標移動軌跡進行跟蹤，提高了移動目標跟蹤準確性。

(a)視頻幀(b)文獻[11]

(c)文獻[12](d)本文方法

圖2 室外場景中的移動目標跟蹤結果

(c)文獻[12](d)本文方法

圖3 交通場景中的移動目標跟蹤結果

(c)文獻[12](d)本文方法

圖4 室內場景中的移動目標跟蹤結果

在目標跟蹤的應用，有時候目標跟蹤的實時性要求比較高，因此統計目標跟蹤時間，結果如圖5所示。

圖5 移動目標跟蹤的時間

從圖5可以清楚看出，相對于經典方法，高斯混合模型的移動跟蹤時間最少，移動目標跟蹤的速度最快，改善了移動目標跟蹤效率，具有更好的實時性。

5 總結

目標跟蹤具有重要的研究價價值，為了解決當前移動目標跟蹤方法存在的精度低、實時性差的不足，提出了基于高斯混合模型的移動目標跟蹤算法，并通過具體跟蹤實驗對其性能進行了分析，結果表明，本文方法引入高斯混合模型對背景中的目標進行檢測，可以完整目標輪廓，可以抑制光照變化、噪聲的干擾，然后引入采用卡爾曼濾波算法對目標移動軌跡的進行跟蹤，可以對目標進行實時性跟蹤，提高了目標跟蹤準確性，具有廣泛的應用前景。

[1] Yilmaz A, Javed O, Shah M. Object Tracking: A Survey [J]. ACM Computing Surveys, 2006, 38(4):1-4.

[2] Boyd S, Parikh N, Chu E, et al. Distributed optimization and statistical learning via the alternating direction method of multipliers [J]. Foundations and Trends in Machine Learning, 2011, 3(1): 112-122.

[3] 侯一民,倫向敏. 基于SVM與Mean-Shift的非剛性目標跟蹤框架[J]. 系統工程與電子技術, 2009,31(9):2266-2270.

[4] 劉晴,唐林波,趙保軍. 跟蹤窗自適應的Mean Shift目標跟蹤算法[J]. 系統工程與電子技術, 2012,34(2):409-412.

[5] Fu Y, Qing L, Tian Z. Distributed Sensor Allocation for Multi-Target Tracking in Wireless Sensor Networks[J]. IEEE Transactions on Aerospace and Electronic Systems, 2012. 48(4): 3538-3553.

[6] 左東廣,韓崇昭,鄭林,等. 基于時變馬爾可夫轉移概率的機動目標多模型跟蹤[J].西安交通大學學報,2003,37(8):824-828.

[7] 肖松,譚賢四,李志淮,等. 基于SCT-IMM的臨近空間高超聲速目標跟蹤模型[J]. 現代雷達,2013,35(4):15-19.

[8] 徐哈寧,肖慧,侯宏錄，等. 基于UKF 的簡化交互多模型視頻圖像機動目標跟蹤算法[J].光電工程,2011, 37(11):15-18.

[9] 喬少杰,金琨,韓楠,等.一種基于高斯混合模型的軌跡預測算法[J]. 軟件學報,2015, 26(5):1048-1063.

[10] 宿得志,王坤,王玉良，等. 基于SURF算法和Kalman預測的運動目標跟蹤[J]. 海軍航空工程學院學報,2013,28(4):379-382.

[11] 薛陳,朱明,陳愛華. 魯棒的基于改進Mean-shift的目標跟蹤[J]. 光學精密工程, 2010, 18(1): 234-239.

[12] 丁朋華,范新南,劉俊定. 一種基于算法融合的運動目標跟蹤算法[J].科學技術與工程,2012,12(17): 4188-4190.

MovingTargetTrackingBasedonGaussMixtureModel

Shi Lei1, Lu Huadong2

(1. Department of Electronic and Information engineering, Henan Polytechnic Institute, Nanyang 473000, China;2. Network Management Center, Henan Polytechnic Institute, Nanyang 473000, China)

Object tracking is an important research direction in video processing. Aiming at the shortcomings of traditional methods, such as poor robustness and large tracking error, a moving target tracking method based on Gauss mixture model is designed. Firstly, the current research status of moving target tracking is analyzed, and the reasons of large tracking error and poor robustness are found, and then tmixed Gauss model is used to detect the moving object in the video, and moving object is extracted, finally, Kalman filter is used to track the moving track of the target. Its performance is tested by the specific target tracking experiment. The results show that the proposed method can track the moving target accurately, and can be adapted to the complex change of the target background, good robustness, speed up efficiency of target tracking, tracking results are very stable.

Video image; moving target; target detection; Kalman filter; Gauss mixture model

1007-757X(2017)12-0075-03

時磊(1980-)，男，碩士，講師，研究方向：計算機網絡.

魯華棟(1986-)，男，碩士，助教，研究方向：計算機網絡，軟件技術.

TP391

A

2017.04.25)