試析網絡視頻監控中運動目標跟蹤方法改進

李德文（廣東南方電信規劃咨詢設計院有限公司惠州分公司，廣東　惠州　516000）

試析網絡視頻監控中運動目標跟蹤方法改進

李德文
（廣東南方電信規劃咨詢設計院有限公司惠州分公司，廣東惠州516000）

本文簡單的介紹了網絡視屏監控的系統框架，并進一步的研究和探討了MeanShift目標跟蹤算法及其改進方法，希望能夠有效的促進我國網絡視頻監控目標跟蹤的實時性和有效性。

網絡視頻監控；運動目標跟蹤；算法改進；MeanShift算法

網絡視頻監控主要使用的是智能處理技術對監控領域進行監控的一項關鍵技術，網絡視頻監控技術會將視頻中的各個幀圖像中確定運用目標的位置，同時會分配一致的ID號，進而確定跟蹤目標的運動軌跡，因此網絡視頻監控是各種后續應用的基礎，例如：目標行為、目標分類等等。MeanShift算法是網絡視頻監控中運動目標跟蹤的一種主要算法，該項算法具有收斂速度快、計算量小的優點，因此在網絡視頻監控的運動目標跟蹤中得到了廣泛的應用，但是研究表明MeanShift算法也存在著一系列的問題，需要進行深入的研究與改進，例如：當運動物體被事物遮擋，或者是運動物體在運動區域進行相互重疊等等情況就很容易造成運動目標跟蹤的丟失，因此本文主要針對MeanShift算法中存在的不足對網絡視頻監控中運動目標的跟蹤進行了改進。

一、網絡視頻監控發展進程

網絡視頻在我國主要經歷了三個發展階段：

1 發展初期，由安防產品轉變而來的第一代模擬的視頻監控系統——閉路視頻監控系統，是我國最早的視頻監控系統。

2 發展中期，在20世紀的90年代，基于pc機插卡式的視頻監控系統逐漸的進入人們的生活，雖然這種監控系統已經初步的實現了數字化，但是由于我國當時在遠程傳輸的監控、圖像的質量以及穩定性方面還存在著諸多問題，因此第二代的視頻監控系統也僅僅只能扮演著安防產品的角色應用與部分特點的行業之中。

3 20世紀90年代末至今，隨著我國計算機信息以及網絡、通信技術的不斷發展和各種視頻監控技術的不斷完善，以智能圖像分析為特點的網絡視頻監控技術逐漸的在各行各業中得到了廣泛的應用。

二、網絡視頻監控的系統框架

網絡視頻監控系統主要由網絡攝像機和智能分析服務器兩個部分組成，其具體的網絡視頻監控處理流程圖如圖一所示，網絡攝像機的主要功能是對監控區域進行數據的采集以及對采集的錄像進行壓縮編制，然后再將采集的視頻數據通過RTP的方式進行發包，傳送給后臺的智能分析服務器。而智能分析服務器主要是接收網絡攝像機采集的視頻數據，并對接收到的RTP數據進行幀解碼，最后再通過智能分析技術對監控視頻中的運動目標進行分析和處理。因為網絡視頻監控系統的數據采集和視頻的分析都是實時進行的，因此對智能分析以及視頻解碼的正確性提出了較高的要求，并且智能分析服務器的處理速度一定要滿足實時處理的需要。

運動目標的跟蹤以及運動目標的檢測等等都是屬于智能分析技術的范疇，智能分析技術的目標跟蹤的處理流程如圖2所示，從圖2中我們可以清楚的看到每一幀視頻監控首先都必須經過前背景檢測模塊對前像進行提取，讓后經過新團塊檢測模塊對需要檢測的目標監理跟蹤對象，然后再進入團塊跟蹤模塊對跟蹤目標在前幀的位置進行確定，最后進入軌跡分析模塊對跟蹤目標的運動軌跡進行分析。

三、MeanShift目標跟蹤算法以及改進方案

團塊跟蹤模塊是目標跟蹤技術的核心部分，而MeanShift跟蹤算法是應用最為廣泛的一種目標跟蹤算法，因為網絡視頻監控技術對視頻監控的準確性和實時性提出了較高的要求，因此本文主要研究和探討了MeanShift算法的改進方法。

1 MeanShift跟蹤算法。MeanShift算法對運動目標進行跟蹤時，首先使用的使顏色直方圖對運動目標進行表示。在某一幀內，候選目標的初選位置均是上一幀的目標位置，并且使用的是Bhattacharyya系數對目標和候選目標的相似度進行計算，同時在目標的附近用MeanShift算法進行迭代搜索，進一步的尋找相似度較大的候選目標。雖然MeanShift算法具有收斂速度快和計算量小的優點，但是利用該方法對跟蹤領域的目標進行跟蹤時，算法容易受到遮擋的影響。

圖1　網絡視頻監控處理流程圖

圖2　目標跟蹤處理流程圖

圖3　多個物體運動遮擋的算法比較

2 改進的基于Kalman濾波的Mean Shift跟蹤算法。針對MeanShift跟蹤算法中存在的問題，在Kalman的濾波狀態中引入加速度項，能夠更準確的對 運動目標在當前幀的速度和位置進行預測，因此能夠大幅度的掌握運動目標突然轉變的情況。（1）算法設計。基于Kalman濾波的Mean Shift算法主要可以分為三個步驟：①由于Kalman濾波的運動位置是根據上一幀的運動狀態對當前視頻幀的運動位置進行預測，并且將該位置作為MeanShift算法的初始搜索點。②通過進行幾次MeanShift迭代，便能夠有效的得出當前視頻幀的最優估測位置。③以運動目標的最優估測位置作為MeanShift的觀測值，并將該值帶入到Kalman的更新階段，用于更新與其相關的參數。（2）實驗結果分析。通過對傳統的MeanShift算法與基于Kalman濾波的Mean Shift算法進行比較，得到圖3，從圖3中我們可以清楚的發現，利用傳統的Mean Shift進行運動目標的跟蹤，圖3（a）、（b）在兩個物體相遇后都出現了跟蹤丟失，而基于Kalman濾波的MeanShift算法并沒有因為兩個物體的相遇而受到遮擋的影響，如圖3（c）、（d）所示。

結語

綜上所述，通過對網絡視頻監控系統中的運動目標跟蹤技術的研究與分析，我們發現了MeanShift算法中存在的不足，為了有效的解決MeanShift算法中存在的不足，本文在Kalman濾波的基礎上研究了MeanShift算法因為遮掩跟蹤丟失的問題，對傳統的MeanShift算法進行了改進，在一定的程度上有效的提高了網絡視頻監控的效率與準確性，并且通過實驗證明改進后的MeanShift算法具有實時性好、簡單方便的特性，可以在網絡視頻監控中進行廣泛的使用。

[1]李勁菊，朱青，王耀南，等.一種復雜背景下運動目標檢測與跟蹤方法[J].儀器儀表學報，2010，31（10） .

[2]徐楊.基于視頻序列的運動目標檢測和跟蹤算法研究[D].合肥工業大學，2010.

[3]焦波.面向智能視頻監控的運動目標檢測與跟蹤方法研究[D].國防科學技術大學，2009.

[4]張文杰，戚飛虎，江卓軍，等.實時視頻監控系統中運動目標檢測和跟蹤的一種實用方法[J].上海交通大學學報，2002，36（12）.

[5]黨曉軍.復雜場景下運動目標實時跟蹤技術的研究與系統實現[D].國防科學技術大學，2008.

[6]盛平，倪冬瑋，張凈，等.動態目標跟蹤與自動特寫快照系統的設計及實現[J].東南大學學報（自然科學版），2011，41（05）.

TP391

A