0 引言

　　隨著城市化進程的加快，交通狀況日益惡化，基于視頻的檢測和跟蹤逐漸成為受到關注的研究領域。目前目標跟蹤技術的難點有數(shù)據(jù)的關聯(lián)問題、顏色的相似性、背景的穩(wěn)定性和復雜性、目標尺寸的變化和實時性等[1-2]。目標跟蹤常用的方法有：基于顏色特征的Meanshift和Camshift[3-4]，基于貝葉斯估計的卡爾曼濾波[5]，基于蒙特卡洛方法的粒子濾波[6-7]，還有基于光流計算的光流跟蹤[8-9]。然而在跟蹤的過程中，如果目標與背景顏色相近或目標之間顏色相近，則基于顏色特征的跟蹤方法會失效；實際場景中目標的運動比較復雜，而卡爾曼濾波器要求目標具有線性高斯運動的特性，因此跟蹤效果不理想；粒子濾波在跟蹤多目標時，實時性是一個突出的問題，時間開銷會隨著目標數(shù)的增多而呈指數(shù)性增長；光流分為稠密光流和稀疏光流，而稠密光流需要計算圖像中的所有像素點，效率低。

　　針對以上問題，提出一種結合混合高斯模型和稀疏光流的多目標跟蹤算法。

1 算法基本思想

　　本文算法框架如圖1所示，首先通過混合高斯模型進行背景建模，背景差分獲得前景區(qū)域，形態(tài)學處理和濾波得到前景目標，同時在車輛進入場景的入口處設定車輛檢測區(qū)域，進行新目標的進入檢測，從而確定進入場景中目標的個數(shù)，這樣可以通過先驗知識提前避免對整個場景進行目標的檢測，提高效率的同時又能在后續(xù)非檢測區(qū)域進行跟蹤時一定程度上規(guī)避目標的合并與分離的問題；然后對檢測到的車輛目標進行Harris特征點的提取，用提取的特征點對目標進行標識，這樣不僅對噪聲不敏感，還可以抵抗光照變換帶來的影響；接著對提取的特征點進行光流運動估計，預測特征點的運動位置，然后在跟蹤的過程中適時地對目標跟蹤模版進行更新，從而保證了目標跟蹤的準確性和穩(wěn)定性；而且本算法采用無監(jiān)督的運動目標檢測、提取和跟蹤，實現(xiàn)在視頻序列中自動檢測并跟蹤多目標。

2 新目標檢測與提取

　　2.1 前景分割

　　利用混合高斯模型建立起背景圖像，通過當前幀圖像與背景圖像的差分獲得包含運動目標的前景圖像。由于背景建模的精確性，會有一些前景的像素沒有檢測出來，形成空洞，還有一些背景的像素由于誤檢測而被判定為前景，成為一些零星的噪聲點。所以需要對前景圖像進行進一步的處理，在對前景圖像進行二值化操作之后，利用高斯濾波和中值濾波進行平滑處理和去噪處理，這時得到的圖像再利用形態(tài)學處理使得前景區(qū)域更加完整。

　　2.2 新目標的檢測

　　在視頻圖像上設定新目標的進入檢測區(qū)域，來捕捉新目標的出現(xiàn)。在這過程中建立潛在目標列表(potential_list)，通過測量目標的中心位置(xc，yc)記錄目標的狀態(tài)，用這個測量和新目標建立關聯(lián)來定義新目標的出現(xiàn)，根據(jù)車輛相對場景的位置大小設立閾值(xT，yT)，若|xc-xT|≤T或|yc-yT|≤T（T為常數(shù)）則判定為新目標出現(xiàn)，然后用矩形框來擬合目標輪廓，把擬合的矩形框加入到待跟蹤目標列表(temp_list)當中，得出運動目標描述的矩形。

　　2.3 目標提取與標識

　　在捕捉到新目標之后，就需要對新目標建立跟蹤關系。由于車輛目標為剛體且紋理豐富，可以提取出一定數(shù)量而且可以精確定位穩(wěn)定的特征點，因此本文采用基于Harris特征點的數(shù)據(jù)關聯(lián)跟蹤，利用Harris特征點來標識目標。Harris特征檢測器是一種經(jīng)典的角點檢測方法，在紋理信息豐富的區(qū)域，Harris可以提取出大量有用的特征點，而且Harris的計算公式中只涉及到一階導數(shù)，因此對圖像旋轉、灰度變化、噪聲影響和視點變換不敏感。

3 多目標的跟蹤

　　3.1 Lucas-Kanade(LK)光流

　　LK光流算法是一種應用最廣泛的求稀疏光流的方法， LK光流算法基于以下三點假設：

　　(1)亮度恒定，即像素在幀間運動時，像素值保持不變；

　　(2)圖像的變化相對于時間的變化微小；

　　(3)在一個小的局部區(qū)域(n×n)內(nèi)像素運動一致，亮度恒定。

　　由假設(1)可得：

　　3.2 特征點聚類成目標

　　通過光流運動估計，在當前幀中找到上一幀目標框中的特征點在這一幀中的對應位置，然后將這若干個特征點在相鄰兩幀之間的位移變化進行排序，得到位移變化的中值(um，vm)，把(um，vm)作為目標中心點的位移變化，即目標中心xci=xci-1+um，yci=yci-1+vm，計算特征點之間x向的最大距離Xmax和y向的最大距離Ymax。

　　3.3 模版更新策略

　　為了使跟蹤算法能夠適應目標自身的旋轉與尺度變化，需要在跟蹤過程中對目標跟蹤模板進行更新。令n0為目標初始特征點個數(shù)，ni為第i幀圖像中光流估計目標區(qū)域內(nèi)的特征點個數(shù)。當著時初步判斷需要更新模板。然后提取當前幀目標所在位置的前景區(qū)域，并用矩形框進行擬合，矩形框面積用Si表示，Si-1表示上一幀目標框的面積。若則說明目標發(fā)生了遮擋，則暫時不進行模版更新，否則會出現(xiàn)“漂移”現(xiàn)象，從而可能導致跟蹤目標丟失，直到檢測到遮擋結束則繼續(xù)進行模版更新，若則更新目標區(qū)域，提取目標特征點，然后更新模版。模版更新流程如圖2所示。

　　4 實驗結果與分析

　　為了驗證本算法的有效性，分別對智能卡口、城市道路、高速公路3種不同的場景以及不同的視角進行了多個運動目標的實時自動跟蹤。

　　3種場景下的車輛跟蹤結果如圖3所示，可以看到本算法整體的跟蹤效果。如圖3(a)、3(c)所示，在跟蹤車輛的過程中生成目標的運動軌跡；如圖3(c)所示，在車輛跟蹤的同時，對車流量進行了一個統(tǒng)計。如圖4(a)所示，被跟蹤車輛在發(fā)生轉彎時車輛發(fā)生較大形變導致原先的一部分特征點失效，直至跟蹤丟失。而在圖4(b)中，本文提出的跟蹤算法具備自檢能力則很好地解決了目標發(fā)生形變時跟蹤失敗的問題。

　　表1記錄了不同視頻段的跟蹤情況，以及處理不同視頻段時的處理速度。圖5分別展示了3段視頻每幀的處理時間，可以看出處理時間呈階梯狀分布，階梯的高低表示處理目標個數(shù)的不同，如表2所示。

5 結論

　　針對車輛的多目標跟蹤中出現(xiàn)的難點，本文提出一種車輛的實時自動跟蹤算法，該算法利用GMM進行背景建模，結合形態(tài)學濾波處理分割提取出前景目標，利用Harris特征點對目標進行標識，然后運用特征光流運動估計進行基于角點動態(tài)特征的跟蹤，并在跟蹤的過程中適時進行模版的自動更新。實驗結果表明，該方法也能很好地適應目標尺度的變化，通過設置車輛的存在和消失參數(shù)，實現(xiàn)車輛運動目標的自動跟蹤，并具有較好的實時性。本文算法存在的一個局限是當目標個數(shù)過多或跟蹤目標被嚴重遮擋時，跟蹤效果則不是很理想。因此，在今后還需要對目標遮擋跟蹤作進一步的研究。

參考文獻

　　[1] YANG H，SHAO L，ZHENG F，et al.Recent advances and trends in visual tracking: a review[J].Neurocomputing，2011，74(18)：3823-3831.

　　[2] 侯志強，韓崇昭.視覺跟蹤技術綜述[J].自動化學報，2006，32(4)：603-617.

　　[3] LI Z，TANG Q L，SANG N.Improved mean shift algorithm for occlusion pedestrian tracking[J].Electronics Letters，2008，44(10)：622-623.

　　[4] 夏瑜，吳小俊，馮振華.基于特征貢獻度的Mean Shift 視頻跟蹤算法[J].控制與決策，2012，27(7)：1021-1026.

　　[5] 戴洪德，陳明，周紹磊，等.基于支持向量機的自適應卡爾曼濾波技術研究[J].控制與決策，2008，23(8)：949-952.

　　[6] 陳金廣，馬麗麗，陳亮.基于邊緣粒子濾波的目標跟蹤算法研究[J].計算機工程與應用，2010，46(28)：128-131.

　　[7] 李培華.一種新穎的基于顏色信息的粒子濾波器跟蹤算法[J].計算機學報，2009，32(12)：2454-2463.

　　[8] BRUHN A，WEICKERT J.Combining local and global opticflow methods[J].International Journal of Computer Vision，2005，61(3)：211-231.

　　[9] TU D W，JIANG J L.Improved algorithm for motion image based on optical flow and its application[J].Optics Precision Engineering，2011，19(5)：1159-1164.