视频系统中运动目标检测与跟踪分析
时间:2023-03-03 19:20:04 来源:千叶帆 本文已影响人
王 素 王嘉澳 单大国
(中国刑事警察学院公安信息技术与情报学院,辽宁 沈阳110854)
智能视频系统(Intelligent Video Surveil⁃lance,IVS)[1-4]是一种利用图像处理、模式识别等技术[5]对人、物轨迹进行分析,继而达到事前预警、事中处理、事后取证目的的智能系统,该系统在公安实战应用中具有广阔的应用前景。由于人体目标检测与跟踪实现效果的好坏直接决定后续行为识别效果的优劣,进而影响到智能视频系统的性能,因此运动目标检测与跟踪已成为智能视频技术的研究热点。
常用的运动目标检测算法有光流法、帧间差分法、背景差分法。本文在背景差分法的基础上,提出一种基于自适应K 高斯混合模型的背景建模方法。该方法利用分块帧差法消除光照突变的影响,使用改进的AKGMM 创建背景图像,通过背景差分法获得二值差分图像,从该差分图像中获得运动目标。
1.1 改进K高斯混合模型
为实现在不同光照变化条件下高斯算法的自适应性,使用特定像素点建立混合高斯模型并求解其参数。在求解过程中采用迭代求解,完成高斯建模后把与背景不匹配的像素分类为前景,并将前景像素通过二维分量分析。正态分布或高斯分布(N):
其中K是高斯混合模型的数量,ωi,t是t时刻第i个高斯模型的权重的估计值,μi,t是t时刻第i个高斯模型的权重的平均值,∑i,t是t时刻第i个高斯模型的权重的协方差矩阵,P是高斯概率密度函数,而D表示未采用的维数。假设灰度图像并设置K= 5,自适应K高斯混合模型如图1所示。
图1 自适应K高斯混合模型
自适应K均值逼近于更新高斯值,如果将新的像素值Xt+1匹配到现有高斯(在2.5σ内),则高斯的μi,t+1和会更新:
所有高斯的先验权重调整:
其中匹配的高斯Mi,t+1= 1,其他所有Mi,t+1= 0。如果Xt+1与K个现有高斯中的任何一个都不匹配,则将可能性最小的分布替换为新的高斯分布。
1.2 背景模型求解
方差最小的高斯应与背景相对应,高斯按ω σ的值排序(较高的支持度和较小的方差将产生较高的值),选择B分布作为背景模型:
在背景模型求解后,红色分布为背景模型,黑色分布为前景(见图2)。上式T 表示阈值,取值为0.85,通过阈值处理将灰度图像转换为二值图像,从而使其前景与背景分离。在差异图像中,属于前景对象的像素灰度级应不同于属于背景像素的灰度级。
图2 背景模型图
人体目标跟踪技术主要分为两类[6],第一类是基于运动目标的状态信息[7],利用算法搜索目标位置,通过观测数据和噪声数据以及对应的求解方法得到递归方程,即利用前一时刻的状态预测下一时间的状态达到跟踪的目的;
第二类是基于运动目标的特征值进行跟踪[8],这种跟踪方法采用提取目标特征的方式,利用闭环求解的方式完成跟踪算法,常见的跟踪算法有KCF方法[9]等。
2.1 卡尔曼滤波算法
在目标跟踪领域卡尔曼滤波器被广泛应用于随机信号处理、平稳分析、状态变量估计等领域。该方法首先是一个马尔克夫过程,其下一时刻的值只与前一时刻的值有关而与其他时刻无关,即无需存储或获取其他时刻的所有信息,便于数据的实时更新[10]。计算卡尔曼估计值的方法通常由状态方程,更新方程,协方差矩阵等5个主要的方程给出。
卡尔曼滤波算法的基本假设:
上式中x(k)是k时刻的系统状态,u(k)是k时刻对系统的控制量。A和B是系统参数,对于多模型系统,他们为矩阵。y(k)是k时刻的测量值,H 是测量系统的参数,对于多测量系统,H为矩阵。q(k)和r(k)分别表示过程和测量的噪声,他们被假设成高斯白噪声(WhiteGaussian⁃Noise),他们的covariance分别是Q,R[11]。
2.2 自适应时间更新与状态更新
步骤1:根据位移传感器所在环境,得到该环境下的状态方程:
式子中A为系统状态的系数矩阵,xk为k时刻的系统状态,yk为k时刻的测量值,qk-1为k- 1时刻的状态噪声。
步骤2:为得到系统后一时刻的系统状态则需要利用前一时刻的状态,经相邻时间间隔内的误差来估计此时的协方差矩阵,其中Pk为k时刻的误差协方差矩阵,时间更新方程:
时间更新
步骤3:由于时间的连续性,需要通过前一时刻与后一时刻的状态变量来更新误差协方差矩阵,最后估计出此时刻的协方差矩阵。与传统卡尔曼算法不同的是,本算法对R进行了估计,采取前后时刻差值的平方为误差协方差的噪声值,使得每一个的系统估计值都能接近于真实值,状态更新方程:
状态更新
上式中K为增益系数,P为校正系数,H为误差协方差校正系数,R为测量过程误差协方差。该值通过步骤2 中得到误差协方差矩阵,将R带入状态方程更新增益系数表达式得到:
步骤4:通过求解误差协方差以及增益系数并带入步骤3 状态更新方程(2)中得到下一时刻的观测值:
步骤5:将状态更新方程中(1)中得到的增益系数带入(3)中得到下一时刻的误差协方差矩阵:
步骤6:重复步骤2 到步骤5,直到算法收敛或者滤波完所有的观测值。
为验证本文改进算法的有效性,本文分别采用KTH 数据集和自行创建的数据集进行实验,实验采用Matlab为仿真环境。
3.1 KTH数据集
3.2 自行创建数据集
由图3和图4可知,本文算法可实时准确检测跟踪运动目标,提高运动目标检测跟踪的精度,适应性较强。
图3 KTH数据集检测跟踪结果
图4 自行创建数据集检测跟踪结果
针对现有人体检测算法中视频序列中的图像容易受到自然光照、像素抖动等干扰,以及前景检测参数不能自适应等问题,提出自适应K 高斯混合模型,使得模型参数实现自适应并具有较高的抗噪声和抗像素抖动功能;
在人体跟踪中采用实时性更高的卡尔曼滤波算法,提出基于前一时刻差值法的自适应方式,从而不断更新卡尔曼滤波算法中的协方差误差参数,提高实时跟踪、提取人体目标的精度。由仿真结果可知,两个算法的结合可以准确并实时检测跟踪运动目标,提高智能视频系统性能,从而广泛应用于公安实践当中,具有自适应性。