智能监控系统中自适应抗遮挡目标跟踪

张颖 李孟歆 英宇

摘 要： 智能视频监控系统中的目标跟踪问题存在许多干扰因素，其中运动目标运动时的动态干扰及大面积遮挡问题是影响跟踪失败的最主要的原因。此外，光照和颜色近似干扰问题也是影响跟踪准确度的主要因素。为了达到运动目标的抗干扰及准确跟踪，在Meanshift算法完成目标准确跟踪的基础上，提出一种基于双重判别的自适应跟踪算法，将Meanshift算法与Kalman滤波算法相结合，在出现长时间大面积遮挡及动态背景干扰、光照，颜色近似干扰的情况下，完成目标的准确跟踪。实验结果表明，提出的方法有较好的稳定性和准确性。

关键词： 目标跟踪； Meanshift算法； Bhattacharrya系数； Kalman滤波； 双重判别； 抗遮挡

中图分类号： TN911.73?34； TP391 文献标识码： A 文章编号： 1004?373X（2018）17?0059?03

Abstract： The target tracking of intelligent video surveillance system is influenced by multiple interference factors， in which the dynamic interference and large area occlusion act as the main reasons influencing the tracking failure while the target is moving. In addition， the approximate interference of illumination and color is also the main factor affecting the tracking accuracy. An adaptive tracking algorithm based on double?discrimination is proposed to achieve the purposes of anti?interference and accurate tracking of moving target， in which the Meanshift algorithm and Kalman filtering algorithm are combined to accomplish the accurate target tracking under the conditions of longtime large area occlusion， dynamic background interference， and approximate interference of illumination and color. The experimental results show that the proposed method has high stability and accuracy.

Keywords： target tracking； Meanshift algorithm； Bhattacharrya coefficient； Kalman filtering； double?discrimination； anti?occlusion

运动目标跟踪在智能监控、智能交通、安防以及军事和工业生产上都有着广泛的应用。跟踪过程中经常受到多种因素的影响，如背景颜色相近、光照变化、目标尺度变化、复杂的环境等造成的干扰，导致跟踪目标丢失[1?2]。常用的跟踪方法有帧间差分法、背景差分法、边缘检测、光流法、TLD法以及Camshift算法等。但这些方法大都基于单一视觉线索，要么不考虑遮挡，要么以部分遮挡下的实验结果验证算法的鲁棒性[3?7]。在非刚体的运动目标跟踪过程中，常采用均值偏移算法，其运动区域采用核密度估计函数描述，然后对均值偏移矢量进行循环迭代，最后采用巴氏系数判断相似度，寻找与模板区域相似度最高的区域，从而完成运动目标的跟踪。然而，Meanshift算法是基于视频图像颜色特征进行目标跟踪的，当目标颜色与背景颜色相近或出现遮挡时，算法将严重失效。Kalman滤波算法在运动目标的预测和跟踪中具有优势。因此，采用Meanshift算法和Kalman滤波相结合进行目标跟踪得到了广泛的应用。在跟踪过程中，用Kalman滤波进行预测，采用Meanshift算法根据预测的结果找到进行迭代的初始点，以有效解决遮挡问题[8]。本文在此基础上，对跟踪过程中的Meanshift和Kalman滤波相结合的跟踪策略进行改进，根据Meanshift算法中Bhattacharrya系数的变化情况，采用双重判别方法，自适应地调整跟踪算法，实现自适应抗遮挡跟踪。

1 Meanshift算法

1.1 目标模型描述

颜色直方图作为一种目标特征，能够对目标的颜色信息进行有效提取。在彩色视频图像序列中，图像像素的值域是RGB空间，把RGB颜色空间的每个子空间R，G，B根据直方图的方式分别分成[m]个子区间，每个区间称为一个bin，构成相应的特征空间，相应的特征个数为[k3]。在目标区域内，不同位置的像素对颜色直方图的贡献不同，距离区域中心较远的像素被赋予较小的权值，距离区域中心较近的像素被赋予较大的权值，因此距离中心较远的像素对颜色直方图的建立几乎不起作用，这样避免了边界像素易受遮挡等的影响。

式中[u]是区间索引。如果[y1-y0≤ε]，算法将停止均值局部优化迭代过程，将当前候选补丁作为当前帧的输出位置。

Meanshift算法原理简单、计算量较小，但是，当背景颜色存在干扰时，目标模型及候选模型会产生一定的误差，无法准确跟踪目标。此外，如果目标运动速度超出算法向量计算范围或者遇到遮挡，Meanshift算法很难自适应地重新构建目标模型及候选模型，导致跟踪失败。运动目标在运动的过程中，在无障碍物遮挡的情况下，运用此方法能够很好地完成整个跟踪过程。如图1所示，运动目标在遇到遮挡前的20帧，Meanshift算法跟踪克服了光照和颜色相近造成的干扰，较好地完成了运动目标的跟踪，而从第21帧开始，遇到了全部遮挡的情况，跟踪矩形框不能跟踪目标，跟踪失败。图2为整个跟踪过程中Bhattacharrya系数的变化情况。

3 采用双重Bhattacharrya系数判别的改进Meanshift算法

由图2所示的采用Meanshift算法进行目标跟踪过程中Bhattacharrya系数的变化情况，对照图1实际跟踪结果发现，当出现遮挡时，运动目标丢失，Bhattacharrya系数变大；当遮挡结束，Bhattacharrya系数再次变小。采用双重Bhattacharrya系数的方法进行自适应目标跟踪。设初始目标模板颜色直方图[qu]与候选模板颜色直方图[pu]间的Bhattacharrya系数为：

改进算法步骤为：

Step1：输入视频，采用矩形框选取目标模板，用RGB颜色直方图进行模板描述；

Step2：根据Meanshift算法，计算质心偏移，求出下一帧目标质心坐标，算法迭代，同时计算[ρ1]，实现目标跟踪；

Step3：设定阈值[T1]，当出现目标遮挡时，[ρ1>T1]，将当前目标质心坐标作为Kalman滤波的初始值，预测遮挡时目标质心初始位置，更新目标模板，开始计算系数[ρ2]，同时继续按原方法计算[ρ1]；

Step4：当[ρ2>ρ1]时，更新目标模板，采用Meanshift算法进行运动目标跟踪。

图3为采用本文所提方法进行的运动目标完全遮挡时的运动目标跟踪实验。由图3可见，当无障碍物遮挡时，采用Meanshift算法可以克服背景颜色和光照的影响，实现目标的准确跟踪，当出现遮挡时的第25帧图像中算法自动切换到Kalman滤波运动目标质心预测模式，并标注出质心的位置变化，第31帧出现部分遮挡时，仍然采用Kalman滤波继续运动目标质心的预测，第36帧，遮挡完全去除，之后重新切换到Meanshift算法继续跟踪。图4为多运动目标出现遮挡时的运动目标跟踪实验。由图4可见，所提方法仍然可以自适应调整跟踪算法及预测算法，并根据预测到的运动目标质心，按照初始模板中计算的矩形框的大小，重新找到运动目标模板，并完成更新，重新采用Meanshift算法实现跟踪。

4 结 语

本文针对运动目标出现大面积长时间遮挡时，跟踪效果差的问题，提出一种基于双重Bhattacharrya系数的改进Meanshift算法，采用双重判别的方式完成运动目标的自适应跟踪，根据跟踪遮挡前后目标模板与候选模板的Bhattacharrya系数变化，自适应调整跟踪和预测过程，并通过仿真实验验证算法在单一运动目标及多运动目标时的跟踪可靠性，提高了跟踪算法的抗干扰能力及抗遮挡能力。

参考文獻

[1] WALIA G S， KAPOOR R. Robust object tracking based upon adaptive multi?cue integration for video surveillance [J]. Multimedia tools & applications， 2016， 75（23）： 1?27.

[2] ALI A， JALIL A， AHMED J， et al. Correlation， Kalman filter and adaptive fast mean shift based heuristic approach for robust visual tracking [J]. Signal image and video processing， 2015， 9（7）： 1567?1585.

[3] ASGARIZADEH M， POURGHASSEM H. A robust object tra?cking synthetic structure using regional mutual information and edge correlation?based tracking algorithm in aerial surveillance application [J]. Signal image and video processing， 2015， 9（1）： 175?189.

[4] PREVITALI F， BLOISI D D， IOCCHI L. A distributed approach for real?time multi?camera multiple object tracking [J]. Machine vision and applications， 2017， 28（1）： 1?10.

[5] DUBUISSON S， GONZALES C. A survey of database for visual tracking [J]. Machine vision and applications， 2016（27）： 23?52.

[6] BADENAS J， SANCHIZ J M， PLA F. Motion?based segmentation and region tracking in image sequences [J]. Pattern recognition， 2001， 34（3）： 661?670.

[7] ROWGHANIAN V， ASL K A. Non iterated mean shift and particle filtering [C]// 2014 Iranian Conference on Electrical Engineering. Piscataway： IEEE， 2014： 226?231.

[8] HWANG J P， BAEK J， CHOI B， et al. A novel part?based approach to mean?shift algorithm for visual tracking [J]. International journal of control， automation and systems， 2015， 13（2）： 443?453.

[9] 朱钾，李化.一种基于Meanshift算法的目标跟踪改进[J].中北大学学报，2016，37（6）：633?637.

ZHU J， LI H. An improved Meanshift algorithm for target tracking [J]. Journal of North University of China， 2016， 37（6）： 633?637.

[10] ROWGHANIAN V， ANSARI?ASL K. Object tracking by mean shift and radial basis function neural networks [J]. Journal of real?time image processing， 2015（8）： 1?18.