基于目標跟蹤的群聚行為識別

馬一博

摘 要：針對視頻監控中的群聚行為，提出一種基于目標跟蹤的群聚行為識別方法。當場景中目標數目不多，且相互之間沒有嚴重遮擋時，通過結合幀差法、CamShift顏色跟蹤算法、模板匹配法與Kalman預測，形成了多傳感融合思路的目標跟蹤算法，可實現運動目標的跟蹤，并采用多線程實現對多目標的跟蹤。此外，還可擬合每個運動目標的軌跡和預測下一時間段的軌跡，并統計所有目標的運動軌跡在圖像區域中的運動趨勢的分布特性，最終通過觀察某個區域是否長時間屬于目標可能的聚集區，從而判斷群聚事件是否發生。實驗結果表明，該方法適用于場景中人數不多的情景，且群聚識別效果較好。

關鍵詞：目標跟蹤；多傳感融合；軌跡擬合；軌跡預測

中圖分類號：TP391 文獻標識碼：A DOI：10.15913/j.cnki.kjycx.2015.05.004

隨著經濟和城市化建設的快速發展，火車站、地鐵和廣場等公共場合中的人流量越來越大，人數較多的公共場合中存在著很大的安全隱患，群毆、聚集或踩踏等事件時常發生。如果能對多人行為進行檢測，及時發現群體行為中的異常，則可以采取有效措施，避免意外的發生。在人體行為識別中，關于個人行為動作的識別已經有了相當深入的研究，人流量分析、群聚等群體行為的識別是視頻監控領域的重要研究方向之一，也是計算機視覺領域中具有挑戰性的課題之一。

關于群體行為識別的研究方法主要有3類：①基于目標的方法。該類方法將群體考慮成由單個目標組成，群體行為的識別就是在單個目標檢測、跟蹤的基礎上進行識別，這種方法適用于背景環境較為簡單、目標之間沒有嚴重的遮擋的情況。比如，國內采用的目標提取、多人跟蹤方法，可在簡單的場景中同時跟蹤十幾人，從而判斷是否存在異常情況。②從整個監控場景的角度分析，提取場景中特別的信息特征。通常提取的特征有紋理、梯度和光流特征。目前，國外采用較多的是建立模型的方法，Andrade等人從視頻中提取出光流作為特征信息，并采用基于隱馬爾科夫模型（HMM）的檢測方法檢測群體中的緊急或異常事件；Rahmal等人采用紋理作為特征，建立了異常行為模型，可識別群體異常行為。③將上述2種方式結合起來，既可分析整個監控場景，又能跟蹤單個目標。在該方法中，可提取紋理光流等特征，并建立群體異常行為模型，適用于環境較為復雜的場景，對外界環境的要求不高，但是從實際應用的角度看，其算法過于復雜，不利于實現。基于目標跟蹤的方法，對視頻中的每個個體都有較好的跟蹤和狀態記錄，既可以判斷單個目標的行為，也可以識別多個目標間的群體行為，且基于目標識別算法，相比于現有的視頻監控平臺而言更容易實現。因此，本文主要提出了一種基于目標跟蹤的群聚行為識別算法。

1 運動目標的跟蹤

人體行為分析是指對視頻序列中的運動人體進行檢測、跟蹤、理解和識別其行為。整個處理步驟如圖1所示。目標檢測、目標跟蹤是實現行為理解和識別的基礎，也是需首先研究的任務。

1.1 多傳感融合思路的目標跟蹤

常用的目標跟蹤算法有幀差法、Kalman濾波、模板匹配法和MeanShift跟蹤算法等，大體上可分為基于運動分析的方法和基于圖像匹配的方法。基于運動分析的方法計算速度較快，

但當背景環境較復雜且穩定性較差時，容易出現跟丟目標的現象；基于圖像匹配的方法在目標有平移時可獲得較好的處理效果，對圖像噪聲和光照變化有一定的魯棒性。

本文通過結合運動分析與圖像匹配方法，提出了一種多傳感融合思路的目標跟蹤算法。模板匹配與CamShift結合可簡潔、快速地跟蹤目標，CamShift的每一幀可不斷調整搜索窗口的大小，模板匹配的模板大小也會隨之改變，從而增強了匹配的可靠性。同時，Kalman濾波可實現目標位置的預測，可解決目標運動過快、有少許遮擋引起的問題。主要跟蹤步驟如下。

第一步，確定要跟蹤的目標。確定跟蹤目標在當前幀中的位置坐標（nCenterX，nCenterY）、跟蹤目標的大小（nHalfWidth，nHalfHeight）和初始化搜索模板的寬度和高度（m_TemplateW，m_TemplateH）。

第二步，初始化模板匹配的模板、CamShift跟蹤的色彩概率分布圖和濾波器。

第三步，根據前一幀得出的運動目標的位置和大小，在稍大范圍內使用幀差法計算一個新目標的位置，可用矩形框（m_DiffRect）表示。

第四步，采用模板匹配跟蹤算法，搜索當前幀中與參考模板最匹配的圖像區域的位置（nCenterX1，nCenterY1）；根據跟蹤目標在最近15幀內的運動軌跡信息，運用Kalman濾波器預測出目標在當前幀中可能出現的位置（nCenterX2，nCenterY2）；采用CamShift顏色跟蹤法，根據前一幀確定的目標窗口的大小和色彩概率分布圖，找出目標在當前幀中的位置（nCenterX3，nCenterY3）和調整后的窗口大小（nHalfWidth，nHalfHeight）。

第五步，計算模板匹配、Kalman濾波和CamShift跟蹤預測出的運動目標中心位置與幀差法計算出的運動目標中心位置的偏移（ddist1，ddist2，ddist3），剔除與幀差法檢測結果相差較大的結果。

第六步，針對每一種特征得到的目標位置結果，計算中心目標區域及其周邊背景區域的概率分布圖像直方圖，根據中心直方圖和周邊直方圖的差異計算每種特征在確定目標位置時所占的權重；實現跟蹤過程中的自適應調整權重；使用加權等方法融合步第四步中的位置坐標，得到當前幀目標跟蹤的結果（nCenterX，nCenterY）。

第七步，如果Camshift跟蹤有效，則使用CamShift跟蹤窗口的大小，并作為新目標的大小，否則，以幀差法得到的結果作為新目標的大小。

第八步，更新跟蹤目標的大小、模板匹配的模板和目標區域的顏色概率分布圖，并不斷重復第三步至第六步，以實現運動目標的跟蹤。整個流程如圖2所示。