復雜行車環境下基于視頻的目標跟蹤算法

范嘉豪++肖彥君

摘 要：在復雜行車環境下，如果視頻中只有目標和背景時，C-V模型可以取得很好的分割效果，然而需要從復雜背景中提取目標信息時，該模型往往無法得到正確的結果。針對這一問題，C-V模型與均值平移算法能很好的解決。并且該文結合圖形處理算法，根據車輛輪胎的數目，得出車輛相應的情況。

關鍵詞：目標跟蹤 視頻 復雜行車環境

中圖分類號：TP391.41 文獻標識碼：A 文章編號：1674-098X（2014）06（c）-0047-02

Abstract：In complex traffic environment，if only the target and the background in video，the C-V model can obtain good segmentation results.Howeverwhen we need to extract target information from complex background，the model is often unable to get the correct results.To solve this problem，the C-V model and Mean-Shift technique can well solve.And combining with the image processing algorithm，according to the number of vehicle tires，we can get the corresponding information of cars.

Key Words：target tracking video complex traffic environment

視頻中的多運動目標檢測和跟蹤是近年來比較熱門的研究方向之一，它是一種把圖像處理、數據關聯和濾波等技術有機結合起來，從圖像序列中實時地檢測出目標并自動進行跟蹤的技術。它在工業、交通、醫學、軍事、航空航天等領域均具有重要作用[1]。

對在復雜場景下對多目標的動態跟蹤的研究不僅在國防，民生，社會發展都具有巨大的經濟利益，其背后的科學價值也是不可估量的。

其實，本項目不僅具有巨大的潛在經濟效益，研究成果的社會效益也十分顯著。視覺跟蹤技術也具有廣闊的應用前景，例如機器人技術、智能武器系統、虛擬現實技術等。近幾十年來，在計算機技術和數學理論方面取得了巨大的進步，使計算機視覺領域在發展過程中可以很好的利用這些工具處理視覺跟蹤問題。視覺跟蹤技術所具有的強大的生命力必將使得該技術在不遠的將來得到充分的發展，并對人們未來的生活產生深遠的影響。

所以，有關于復雜行車環境下的目標跟蹤、安全的研究對國家發展、社會和諧、家庭和睦都具有重大的社會效益。

1 研究目的

針對傳統Mean Shift跟蹤窗口固定不變，在目標尺寸不斷變化的目標跟蹤場景中算法效果不佳的問題，提出一種基于Mean Shift和C-V模型的目標跟蹤算法，通過利用改進的C-V方法得到的目標的形狀信息，修正Mean Shift跟蹤窗口的大小和位置，在跟蹤過程中，綜合利用目標的形狀信息，克服傳統Mean Shift顏色直方圖對目標特征描述較弱的缺點，提高了跟蹤精度。同時為了達到實時性要求，對傳統C-V方法的初始化水平集函數表達方法進行改進，確保有效降低算法復雜度和迭代次數。在保證實時性的同時期望車輛跟蹤精度和多目標的跟蹤[2]。

現在的跟蹤算法是針對單目標來解決實際問題的，Mean Shift也有許多不足：

①搜索窗的核函數帶寬保持不變；

②缺乏必要的模板更新算法；

③目標的運動不能過快。在此我們考慮更加全面，例如在交叉，遮擋，尺度變化，多目標情況下，使得無人車輛在行駛途中考慮更加周全，盡可能實現人眼跟蹤。

2 C-V模型

在圖像分割技術中，活動輪廓模型是進行邊緣提取的一種重要手段，在活動輪廓模型的發展歷程中，Chan等在Mumford-Shah模型基礎上提出的C-V模型，首次把區域信息用作驅動活動輪廓演化的外力，對活動輪廓模型的發展起到了重要的推動作用，并得到廣泛應用然而，它也有不足之處，當圖像中目標所處背景比較復雜時，C-V模型常常無法得到正確的結果。Chen等將測地線活動輪廓模型中的邊緣吸引因子引入到C-V模型中，提出了輔以C-V方法的測地線活動輪廓模型，在一定程度上提高了C-V模型適應復雜背景的能力。

實際上，C-V模型的目的就是要尋找一個分界線光滑的二值函數來最佳地擬合圖像I的灰度特征空間，而這個二值函數的分界線即是圖像分割區域的邊界。

3 Mean-Shift算法

Mean Shift這個概念最早是由Fukunaga等人[3]于1975年在一篇關于概率密度梯度函數的估計中提出來的，其最初含義正如其名，就是偏移的均值向量，在這里Mean Shift是一個名詞，它指代的是一個向量，但隨著Mean Shift理論的發展，Mean Shift的含義也發生了變化，如果我們說Mean Shift算法，一般是指一個迭代的步驟，即先算出當前點的偏移均值，移動該點到其偏移均值，然后以此為新的起始點，繼續移動，直到滿足一定的條件結束。

然而在以后的很長一段時間內Mean Shift并沒有引起人們的注意，直到20年以后，也就是1995年，另外一篇關于Mean Shift的重要文獻[4]才發表。在這篇重要的文獻中，Yizong Cheng對基本的Mean Shift算法在以下兩個方面做了推廣，首先Yizong Cheng定義了一族核函數，使得隨著樣本與被偏移點的距離不同，其偏移量對均值偏移向量的貢獻也不同，其次Yizong Cheng還設定了一個權重系數，使得不同的樣本點重要性不一樣，這大大擴大了Mean Shift的適用范圍。另外Yizong Cheng指出了Mean Shift可能應用的領域，并給出了具體的例子。Comaniciu等人[5][6]把Mean Shift成功的運用的特征空間的分析，在圖像平滑和圖像分割中Mean Shift都得到了很好的應用。Comaniciu等在文章中證明了，Mean Shift算法在滿足一定條件下，一定可以收斂到最近的一個概率密度函數的穩態點，因此Mean Shift算法可以用來檢測概率密度函數中存在的模態。Comaniciu等人[7]還把非剛體的跟蹤問題近似為一個Mean Shift最優化問題，使得跟蹤可以實時的進行。endprint

4 創新性及解決方案

在C-V模型和均值平移技術的基礎上提出了適應復雜背景的C-V模型以處理以下問題：

（1）復雜行車環境下鎖定目標在移動過程中的尺度變化，遭受遮擋，多目標鎖定以及多目標交叉重疊的問題。

（2）結合基于匹配有特征匹配和貝葉斯跟蹤、核方法及其他方法的優點，使算法更加完善。

首先，我們創建了一個動態鏈表，用于動態保存出現在視頻中的車輛。

接著，我們用C-V模型可以分割出復雜行車環境下的車輛，進而可以分割得到車輛的局部信息，我們根據單個車輛輪胎的個數判斷車輛處于以下哪種狀態：

（1）在車輛前方；

（2）即將消失；

（3）即將完整出現在車輛視頻監控里。

針對第一種情況，我們采用一直跟蹤的辦法；若檢測到車輛的輪胎數不是為3，那么將有情況2和3。根據Mean-Shift算法得到的跟蹤窗口，若窗口面積不斷減少，并且離焦點的距離越來越近，則表明該車輛處于情況2；若窗口面積逐漸變大，則表示車輛將要進入監控實現，處于情況3。當車輛處于情況2開始，一直到車輛消失之后2 min，我們將該車輛的狀態掛起。其掛起的含義是指需要特別注意的。因為該消失可能是因為遮擋，交叉重疊引起的，需要特別注意，并且根據車輛消失前的運動速度估計車輛的位置。直到2 min以后或者我們的車的速度降為30 km/s時，即確保消除車輛信息后行車安全時，將掛起的車輛信息刪除。根據實際情況，在紅綠燈下最長不可能等待超過2 min，并且若是因為遮擋而消失超過2 min，說明目標車輛與本車輛的相對行駛速度幾乎為0，是處于安全的狀態。

5 實驗結果

為評價車輛跟蹤算法的性能，用傳統的Mean-Shift算法和文中算法針對城市道路上的前方車輛進行了跟蹤測試。

從圖1（a）可以看出，傳統的Mean-Shift和C-V結合的算法不能針對復雜的行車環境下鎖定目標在移動過程中的尺度變化，遭受遮擋，多目標鎖定以及多目標交叉重疊的問題。而文中算法根據車輛處于不同的狀態，在整個跟蹤過程中，窗口都鎖定了視頻中出現的所有有“威脅”的車輛，跟蹤精度明顯優于傳統算法。（如圖1）

6 結語

針對傳統Mean-Shift與C-V模型結合的算法，在目標數量不斷變化的問題，該文提出了一種根據車輛輪胎數量，以此來判斷跟蹤車輛處于哪種狀態。雖然在該文中體現不出狀態的優勢，但是在之后的復雜行車環境下無人車輛行駛判斷中能有很大的用處，在那種情況下就需要很精準的判斷無人車輛周圍出現的“危機”。該文算法不僅能夠在復雜行車環境下跟蹤多個目標，還能確定目標車輛所處的狀態。該文算法針對以往算法中不能處理多目標的問題，結合基于匹配有特征匹配和貝葉斯跟蹤、核方法及其他方法的優點，使算法更加完善。進一步解決了復雜行車環境下鎖定目標在移動過程中的尺度變化，遭受遮擋，多目標鎖定以及多目標交叉重疊的問題。

參考文獻

[1] 王芳.視頻圖像中運動目標檢測與跟蹤的算法研究[D].中國海洋大學，2011.

[2] 解文華，肖進勝，易本順，等.一種基于MeanShift和C-V模型的車輛跟蹤算法[J].湖南大學學報（自然科學版），2012（7）.

[3] The Estimation of the Gradient of a Density Function，with Applications in Pattern Recognition[J].IEEE Information Theory society，1975（1）.

[4] Mean shift，mode seeking，and clustering，1995.

[5] Mean Shift：a robust approach toward feature space anal ysis，2002.

[6] Real-time tracking of non-rigid objects using mean shift，2000.

[7] Mean-shift Blob Tracking through Scale Space，2003.endprint

4 創新性及解決方案

在C-V模型和均值平移技術的基礎上提出了適應復雜背景的C-V模型以處理以下問題：

（1）復雜行車環境下鎖定目標在移動過程中的尺度變化，遭受遮擋，多目標鎖定以及多目標交叉重疊的問題。

（2）結合基于匹配有特征匹配和貝葉斯跟蹤、核方法及其他方法的優點，使算法更加完善。

首先，我們創建了一個動態鏈表，用于動態保存出現在視頻中的車輛。

接著，我們用C-V模型可以分割出復雜行車環境下的車輛，進而可以分割得到車輛的局部信息，我們根據單個車輛輪胎的個數判斷車輛處于以下哪種狀態：

（1）在車輛前方；

（2）即將消失；

（3）即將完整出現在車輛視頻監控里。

針對第一種情況，我們采用一直跟蹤的辦法；若檢測到車輛的輪胎數不是為3，那么將有情況2和3。根據Mean-Shift算法得到的跟蹤窗口，若窗口面積不斷減少，并且離焦點的距離越來越近，則表明該車輛處于情況2；若窗口面積逐漸變大，則表示車輛將要進入監控實現，處于情況3。當車輛處于情況2開始，一直到車輛消失之后2 min，我們將該車輛的狀態掛起。其掛起的含義是指需要特別注意的。因為該消失可能是因為遮擋，交叉重疊引起的，需要特別注意，并且根據車輛消失前的運動速度估計車輛的位置。直到2 min以后或者我們的車的速度降為30 km/s時，即確保消除車輛信息后行車安全時，將掛起的車輛信息刪除。根據實際情況，在紅綠燈下最長不可能等待超過2 min，并且若是因為遮擋而消失超過2 min，說明目標車輛與本車輛的相對行駛速度幾乎為0，是處于安全的狀態。

5 實驗結果

為評價車輛跟蹤算法的性能，用傳統的Mean-Shift算法和文中算法針對城市道路上的前方車輛進行了跟蹤測試。

從圖1（a）可以看出，傳統的Mean-Shift和C-V結合的算法不能針對復雜的行車環境下鎖定目標在移動過程中的尺度變化，遭受遮擋，多目標鎖定以及多目標交叉重疊的問題。而文中算法根據車輛處于不同的狀態，在整個跟蹤過程中，窗口都鎖定了視頻中出現的所有有“威脅”的車輛，跟蹤精度明顯優于傳統算法。（如圖1）

6 結語

針對傳統Mean-Shift與C-V模型結合的算法，在目標數量不斷變化的問題，該文提出了一種根據車輛輪胎數量，以此來判斷跟蹤車輛處于哪種狀態。雖然在該文中體現不出狀態的優勢，但是在之后的復雜行車環境下無人車輛行駛判斷中能有很大的用處，在那種情況下就需要很精準的判斷無人車輛周圍出現的“危機”。該文算法不僅能夠在復雜行車環境下跟蹤多個目標，還能確定目標車輛所處的狀態。該文算法針對以往算法中不能處理多目標的問題，結合基于匹配有特征匹配和貝葉斯跟蹤、核方法及其他方法的優點，使算法更加完善。進一步解決了復雜行車環境下鎖定目標在移動過程中的尺度變化，遭受遮擋，多目標鎖定以及多目標交叉重疊的問題。

參考文獻

[1] 王芳.視頻圖像中運動目標檢測與跟蹤的算法研究[D].中國海洋大學，2011.

[2] 解文華，肖進勝，易本順，等.一種基于MeanShift和C-V模型的車輛跟蹤算法[J].湖南大學學報（自然科學版），2012（7）.

[3] The Estimation of the Gradient of a Density Function，with Applications in Pattern Recognition[J].IEEE Information Theory society，1975（1）.

[4] Mean shift，mode seeking，and clustering，1995.

[5] Mean Shift：a robust approach toward feature space anal ysis，2002.

[6] Real-time tracking of non-rigid objects using mean shift，2000.

[7] Mean-shift Blob Tracking through Scale Space，2003.endprint

4 創新性及解決方案

在C-V模型和均值平移技術的基礎上提出了適應復雜背景的C-V模型以處理以下問題：

（1）復雜行車環境下鎖定目標在移動過程中的尺度變化，遭受遮擋，多目標鎖定以及多目標交叉重疊的問題。

（2）結合基于匹配有特征匹配和貝葉斯跟蹤、核方法及其他方法的優點，使算法更加完善。

首先，我們創建了一個動態鏈表，用于動態保存出現在視頻中的車輛。

接著，我們用C-V模型可以分割出復雜行車環境下的車輛，進而可以分割得到車輛的局部信息，我們根據單個車輛輪胎的個數判斷車輛處于以下哪種狀態：

（1）在車輛前方；

（2）即將消失；

（3）即將完整出現在車輛視頻監控里。

針對第一種情況，我們采用一直跟蹤的辦法；若檢測到車輛的輪胎數不是為3，那么將有情況2和3。根據Mean-Shift算法得到的跟蹤窗口，若窗口面積不斷減少，并且離焦點的距離越來越近，則表明該車輛處于情況2；若窗口面積逐漸變大，則表示車輛將要進入監控實現，處于情況3。當車輛處于情況2開始，一直到車輛消失之后2 min，我們將該車輛的狀態掛起。其掛起的含義是指需要特別注意的。因為該消失可能是因為遮擋，交叉重疊引起的，需要特別注意，并且根據車輛消失前的運動速度估計車輛的位置。直到2 min以后或者我們的車的速度降為30 km/s時，即確保消除車輛信息后行車安全時，將掛起的車輛信息刪除。根據實際情況，在紅綠燈下最長不可能等待超過2 min，并且若是因為遮擋而消失超過2 min，說明目標車輛與本車輛的相對行駛速度幾乎為0，是處于安全的狀態。

5 實驗結果

為評價車輛跟蹤算法的性能，用傳統的Mean-Shift算法和文中算法針對城市道路上的前方車輛進行了跟蹤測試。

從圖1（a）可以看出，傳統的Mean-Shift和C-V結合的算法不能針對復雜的行車環境下鎖定目標在移動過程中的尺度變化，遭受遮擋，多目標鎖定以及多目標交叉重疊的問題。而文中算法根據車輛處于不同的狀態，在整個跟蹤過程中，窗口都鎖定了視頻中出現的所有有“威脅”的車輛，跟蹤精度明顯優于傳統算法。（如圖1）

6 結語

針對傳統Mean-Shift與C-V模型結合的算法，在目標數量不斷變化的問題，該文提出了一種根據車輛輪胎數量，以此來判斷跟蹤車輛處于哪種狀態。雖然在該文中體現不出狀態的優勢，但是在之后的復雜行車環境下無人車輛行駛判斷中能有很大的用處，在那種情況下就需要很精準的判斷無人車輛周圍出現的“危機”。該文算法不僅能夠在復雜行車環境下跟蹤多個目標，還能確定目標車輛所處的狀態。該文算法針對以往算法中不能處理多目標的問題，結合基于匹配有特征匹配和貝葉斯跟蹤、核方法及其他方法的優點，使算法更加完善。進一步解決了復雜行車環境下鎖定目標在移動過程中的尺度變化，遭受遮擋，多目標鎖定以及多目標交叉重疊的問題。

參考文獻

[1] 王芳.視頻圖像中運動目標檢測與跟蹤的算法研究[D].中國海洋大學，2011.

[2] 解文華，肖進勝，易本順，等.一種基于MeanShift和C-V模型的車輛跟蹤算法[J].湖南大學學報（自然科學版），2012（7）.

[3] The Estimation of the Gradient of a Density Function，with Applications in Pattern Recognition[J].IEEE Information Theory society，1975（1）.

[4] Mean shift，mode seeking，and clustering，1995.

[5] Mean Shift：a robust approach toward feature space anal ysis，2002.

[6] Real-time tracking of non-rigid objects using mean shift，2000.

[7] Mean-shift Blob Tracking through Scale Space，2003.endprint