基于軌跡提取算法的視頻關聯動作跟蹤仿真

龍 年

(湖北工業大學 工程技術學院, 武漢 430068)

視頻跟蹤是處理圖像序列、 探究運動目標規律、 為人類提供決策數據支持的科學技術, 在國防建設、 航空航天等領域應用廣泛. 采集外界環境信息中包含靜止與運動的物體, 其中運動物體關聯動作涵蓋人們感興趣內容的幾率更高[1], 目前視頻跟蹤技術面向運動關聯動作已有許多研究. 關聯動作跟蹤包括評估目標狀態、 匹配更新目標形態等步驟, 因此跟蹤算法在性能上通常需滿足魯棒性、 精準性和實時性[2]3個條件. 魯棒性表示跟蹤時的抗干擾性能, 在某些跟蹤失敗場景內需具備自修復能力; 精準性表示跟蹤要滿足一定的精度, 提供出目標的大致方位與姿態信息; 實時性表示跟蹤方法要具備較快的運算效率, 保證跟蹤結果的有效性. 針對視頻跟蹤問題, 文獻[3]設計了一種淺層前向自學習卷積網絡獲得目標區域局部卷積特征, 推算空間信息顏色直方圖特性, 利用歸一化加權策略構成目標表觀描述, 計算出目標模板和候選目標間的相似度, 估計目標具體方位; 文獻[4]采用快速重采樣粒子濾波算法, 用準Monte Carlo方法確定序列屬性, 使用背景差分算法消減計算視頻監控圖像幀, 組建動態粒子濾波器并通過顏色分布特征實施跟蹤. 但以上兩種方法在目標區域廣泛、 外觀信息量較少狀態下, 很難獲得目標的外觀特征, 導致跟蹤準確性較低, 算法具有一定的局限性.

基于此, 本文提出一種基于軌跡提取算法的視頻關聯動作跟蹤方法. 首先, 引進多元組定義, 組建多元組軌跡提取模型, 關聯規則挖掘視頻軌跡特征并采取數據融合; 其次, 計算關聯動作軌跡分布場值, 獲得視頻關聯動作軌跡特征; 最后, 用多粒度濾波算法實現關聯動作跟蹤, 并通過仿真實驗證明算法的可靠性與實用性.

1 基于軌跡提取算法的視頻關聯動作分析

軌跡提取即獲得每幀視頻內各運動目標的方位數據[5], 方便了解視頻中目標對象的關聯動作規律, 提高后續關聯動作的跟蹤準確性. 在軌跡提取算法前提下, 綜合視頻場景真實需求, 引入多元組概念, 創建多元組軌跡提取模型[6-7]. 多元組是目標數量的有限序列, 一般用于定義數學對象的實際成分. 基于多元組定義, 設計如下多元組表達式：

TR={Fl,Fr,Cen,Rect,Cont,Or,V,Oc},

(1)

其中Fl為目標標簽, Fr是視頻幀號碼, Cen為軌跡提取目標質心坐標, Rect是目標的外接矩形, Cont為輪廓參變量, Or為目標關聯動作運動方向,V是目標運動速率, Oc用于定義視頻關聯動作中是否產生遮擋現象.

在多元組軌跡提取模型計算環境下, 為得到高精度關聯動作細節, 首先計算運動動作視頻圖像特征分布矢量化集合[8], 將視頻圖像分割的支持向量機臨界值記為

(2)

(3)

其中：d(i,j)為視頻圖像的灰度像素集合；h為鉸鏈損失函數；Z(i)表示視頻區域特征匹配范圍的模板匹配數值, 用于描述視頻關聯動作圖像的Gibbs先驗能量函數, 并與運動視頻特征分量進行動態融合[9], 獲取視頻關聯動作的特征分布情況, 用公式表示為

(4)

式中f表示視頻圖像灰度像素級,xi和xj表示灰度像素點.

設視頻圖像視覺范圍大小為M×N, 按動作視頻視覺顏色系統值進行像素特征分離, 用公式表示為

(5)

其中βi為像素特征分離值, dist(xi,xj)為像素點分布指數.

通過上述過程, 對視頻軌跡特征實施關聯規則挖掘, 將不同屬性的關聯動作投射至關聯分布區域內, 并采取數據融合.使用虛擬視景重構策略完成視頻關聯動作特征分析, 并利用矢量量化策略完成視頻動作分塊檢測[10-11], 將視頻圖像像素點子集數值記為

I(x)=J(x)t(x)+A(1-t(x)),

(6)

其中A為視頻圖像關聯動作三維尺度數據,t(x)為視頻圖像采樣時間間隔,J(x)為視頻圖像像素點連通分量.用活動輪廓套索模型實施關聯動作特征提取, 按運動視頻軌跡分布特征值, 獲取關聯動作軌跡提取實時輸出值為

(7)

其中u表示關聯動作軌跡特征分量處于梯度方向的像素強度,σ表示視頻旋轉算子.最后計算出關聯動作軌跡分布場值, 完成視頻關聯動作軌跡特征分析：

dft+1(i,j,k)=ρdft(i,j,k)+(1-ρ)dft-1(i,j,k),

(8)

其中ρ表示軌跡實時提取相關性指數,k表示軌跡提取次數.

2 基于多粒度濾波的視頻關聯動作跟蹤方法

明確關聯動作規律后, 可更細致地描繪出關聯動作的具體特征.為實現準確關聯動作跟蹤目標, 在粒計算概念下, 設計一種基于多粒度濾波的視頻關聯動作跟蹤方法.粒子是粒計算中的基礎單位, 其核心為： 設定論域S內的關系R, 符合R:S→P(S),P(S)是論域S的冪集,R的劃分可呈現出等價關系或約等關系,ei是粒度內的一個信息粒子.如果存在一個數據集K=(U,Q),B∈Q為U中的等價關系,U/B={z1,z2,…,zn}, 則B的粒度是GD(B), 可表示為

(9)

使用Fourier變換將傳統卷積計算變換為點乘計算[12].若輸入的關聯動作特征為x,g為相關濾波器, 則按卷積理論可得

(10)

實施多粒度濾波器訓練過程中, 首先需設定一個預期輸出值y.如果目標樣本是x′, 則按卷積性質可得：

(11)

訓練后的卷積核為

(12)

根據上述流程對圖像采取循環卷積操作時能有效減少跟蹤算法的計算難度[13-14].對一張n×n大小的圖像進行傳統卷積操作與Fourier變換的點乘計算, 兩種方法的復雜度分別為O(n4)和O(n2lgn).

利用卷積特征, 用第i個輸入迅速獲取相對的標簽yi, 將相關濾波器視為一個分類器[15], 設f(xi)=yi, 則可將訓練過程等同于如下目標函數：

(13)

其中：δ表示模型參變量；λ表示避免過擬合的正則項指數；G表示損失函數, 計算公式為

G(f(δ,xi),yi)=(yi-f(δ,xi))2.

(14)

函數f(xi)有多種表達形式, 在式(14)中表示線性操作, 以此完成視頻關聯動作跟蹤優化, 獲得下列閉合解：

δ=(XTX+λI)-1XTy,

(15)

其中X的行向量表示訓練樣本,y表示相對的標簽數據,I表示單位矩陣.

(16)

其中Area為重疊指數.

每個粒度的軌跡平滑度在一定程度上表現出跟蹤結果的真實性.利用歐氏距離[19]推導出兩個邊界最小矩陣的變換情況:

(17)

并以此獲得每個粒度的軌跡波動水準:

(18)

(19)

其中κ(xi,xj)表示核矩陣中對應的元素,α表示跟蹤次數.

3 仿真實驗

實驗環境為奔4處理器, 2 GB內存的計算機, 使用MATLAB7.1仿真環境對關聯動作視頻監控進行實驗研究. 實驗數據源自某監控視頻數據庫, 選取第200幀～第500幀共300幀圖像進行仿真實驗, 圖像分辨率為380×280, 監控中有兩輛車進行不規則運動, 且活動區域較小.

圖1(A),(B)為視頻監控圖像, (C),(D)分別為本文方法下的關聯動作跟蹤結果, 矩形框表示檢測目標區域, 數字表示跟蹤目標的編碼, 圓圈表示幀目標跟蹤狀態估計的方位. 由圖1可見, 在視頻監控區域范圍較大、 且包含無關目標的情形下, 本文方法能有效提取多個目標特征, 準確跟蹤一個或多個目標關聯動作, 可靠性極強.

圖1 本文方法視頻關聯動作跟蹤結果Fig.1 Video association motion tracking results of proposed method

為進一步表明本文方法的實用性, 將本文方法與文獻[3]提出的多特征融合方法和文獻[4]提出的重采樣粒子濾波方法進行對比實驗, 3種方法在視頻監控畫面2中的跟蹤偏差如圖2所示, 跟蹤偏差由跟蹤目標中心實際坐標和目標估計方位的歐氏距離獲得.

圖2 3種方法在監控視頻畫面2中的跟蹤誤差Fig.2 Tracking error of three methods in monitoring video picture 2

由圖2可見： 目標關聯動作跟蹤過程中, 多特征融合法要符合一對一關聯約束, 不能有效處理目標的消失、 遮擋、 分離等復雜運行狀況, 跟蹤偏差較大; 重采樣粒子濾波法視頻動作跟蹤運算繁瑣, 需要計算鏡頭噪聲或靜止背景內噪聲, 導致方法自適應能力較差, 跟蹤偏差也較大. 雖然視頻監控內僅包含兩個跟蹤目標, 但由于其外觀相似度較高, 且場景與光線不斷變換, 因此多特征融合法和重采樣粒子濾波法的跟蹤結果中具有目標軌跡碎片, 跟蹤偏差較大. 在視頻監控區域較廣、 目標相似度高的狀態下, 本文方法跟蹤偏差遠低于對比方法, 可實現及時有效地視頻關聯動作跟蹤. 因為本文方法使用軌跡提取算法, 分析運動動作視頻圖像特征分布, 獲得精準的跟蹤軌跡, 跟蹤偏差較小.

分析3種方法跟蹤的時效性, 不同方法的跟蹤速率結果列于表1. 由表1可見, 隨著實驗次數的增加, 不同方法跟蹤每秒處理幀數速率變化幅度隨之減小. 當實驗次數為80次時, 本文方法的視頻關聯動作跟蹤速率為14.9幀/s, 多特征融合法的視頻關聯動作跟蹤速率為5.9 幀/s, 重采樣粒子濾波法的視頻關聯動作跟蹤速率為8.3幀/s. 實驗結果表明, 本文方法的視頻關聯動作跟蹤速率較高, 且隨著實驗次數的增加, 基本維持不變, 具有更優的跟蹤性能. 而對比方法跟蹤速率均不同程度地低于本文方法, 易產生跟蹤延遲與卡頓現象, 無法保障關聯動作跟蹤的連貫性與準確性.

表1 3種方法視頻關聯動作跟蹤速率對比結果

綜上所述, 針對已有視頻關聯動作提取精度較低、 時效性較差等問題, 本文提出了一種基于軌跡提取算法的視頻關聯動作跟蹤方法. 該方法在軌跡提取概念上, 融入多粒度濾波思想, 有效處理傳統視頻跟蹤方法的特征單一性問題, 具有較強的實用性. 實驗結果表明, 本文方法的監控視頻畫面跟蹤偏差較小, 可實現及時有效的視頻關聯動作跟蹤, 且本文方法的視頻關聯動作跟蹤速率較高, 具有更優的跟蹤性能.