多攝像機(jī)接力目標(biāo)跟蹤關(guān)鍵算法研究.pdf

1、在安防市場巨大的需求推動下，視頻監(jiān)控技術(shù)正在向著數(shù)字化、網(wǎng)絡(luò)化、智能化的方向飛速發(fā)展，傳統(tǒng)的單攝像機(jī)小場景監(jiān)控正被多個智能體（攝像機(jī)）組成的廣域大范圍智能視頻監(jiān)控所替代，這就首先要求用多個攝像機(jī)替代傳統(tǒng)的視野有限的單攝像機(jī)，接力或協(xié)同進(jìn)行運(yùn)動目標(biāo)的持續(xù)跟蹤。多攝像機(jī)接力目標(biāo)跟蹤方面的研究作為智能視頻處理系統(tǒng)最基本的核心技術(shù)，是目前計算機(jī)視覺方面的一個重要研究課題，具有很強(qiáng)的理論意義和實際應(yīng)用價值。
　　盡管多攝像機(jī)接力目標(biāo)跟蹤的相

2、關(guān)研究在過去一段時間內(nèi)取得了較大的進(jìn)步，但總體而言仍處于探索階段，仍然有很多難題制約其發(fā)展。首先，多攝像機(jī)間目標(biāo)的持續(xù)跟蹤要以準(zhǔn)確的單攝像機(jī)目標(biāo)跟蹤為基礎(chǔ)，而單攝像機(jī)目標(biāo)跟蹤中仍存在許多問題和難點尚未解決，例如如何適應(yīng)目標(biāo)所處環(huán)境的外在變化（包括環(huán)境光照變化、攝像機(jī)運(yùn)動、噪聲污染、背景復(fù)雜性等）、如何選取目標(biāo)圖像特征適應(yīng)目標(biāo)的內(nèi)在變化（包括目標(biāo)的姿態(tài)變化、超平面旋轉(zhuǎn)、目標(biāo)的非剛性和目標(biāo)的鉸接性等）、目標(biāo)部分或全部遮擋難題、跟蹤的初始化問

3、題、跟蹤的實時性與準(zhǔn)確性間的平衡、目標(biāo)模型的適應(yīng)性和魯棒性間的平衡等;其次，多攝像機(jī)的使用給視覺目標(biāo)跟蹤帶來很多新的理論和技術(shù)問題需要研究和探討。目前大場景下多攝像機(jī)的接力目標(biāo)跟蹤面臨的關(guān)鍵問題主要包括跟蹤目標(biāo)的初始檢測定位、如何選擇特征穩(wěn)定有效表示目標(biāo)、跟蹤過程中目標(biāo)模型的在線學(xué)習(xí)和目標(biāo)經(jīng)驗?zāi)Ｐ驮诙鄶z像機(jī)間的繼承傳遞、多攝像機(jī)間目標(biāo)交接等。因此本文針對上述存在的問題，以多攝像機(jī)接力進(jìn)行某一特定運(yùn)動目標(biāo)的持續(xù)跟蹤為研究背景，對涉及到的一

4、系列關(guān)鍵算法進(jìn)行研究，包括特定目標(biāo)的初始化定位、單攝像機(jī)內(nèi)基于特征融合的穩(wěn)定目標(biāo)跟蹤方法、帶有特征學(xué)習(xí)與特征繼承的目標(biāo)跟蹤方法和多攝像機(jī)間基于時空漸進(jìn)匹配的交接方法。
　　論文的主要研究內(nèi)容與成果包括:
　　1.針對目前研究較少的根據(jù)特征描述進(jìn)行特定目標(biāo)自動捕獲定位問題，以常見的行人目標(biāo)為例，在攝像機(jī)焦距、視野可變的情況下對只有簡單特征描述的目標(biāo)自動初始化方法進(jìn)行研究。首先根據(jù)不同的描述方法生成目標(biāo)的自適應(yīng)分塊顏色模型，然后

5、采用寬高比、方差和特征模型三級級聯(lián)滑動窗口法(cascadeslidewindow)完成目標(biāo)的檢測，最后融合粒子濾波狀態(tài)估計跟蹤進(jìn)行目標(biāo)的自動初始化定位。實驗結(jié)果表明，當(dāng)目標(biāo)的顏色紋理比較簡單時，該方法在只給出目標(biāo)描述性顏色特征時獲得了較好的自動初始化定位效果。
　　2.要想在多攝像機(jī)間準(zhǔn)確穩(wěn)定地對特定目標(biāo)進(jìn)行持續(xù)跟蹤，必須首先在單攝像機(jī)內(nèi)部進(jìn)行目標(biāo)的準(zhǔn)確快速跟蹤，多線索融合是單攝像機(jī)目標(biāo)準(zhǔn)確快速跟蹤的一種有效方法。因此針對單攝像

6、機(jī)內(nèi)部目標(biāo)跟蹤問題，研究了一種按目標(biāo)顏色分布進(jìn)行自適應(yīng)分塊，并用子塊組成多線索進(jìn)行粒子濾波跟蹤的方法。自適應(yīng)分塊方法根據(jù)目標(biāo)顏色分布確定子塊個數(shù)，提高了對目標(biāo)初始描述的適應(yīng)性;粒子濾波跟蹤時，根據(jù)子塊的可靠性及粒子的空間分布動態(tài)調(diào)整子塊權(quán)重及進(jìn)行子塊的分裂與合并，提高了跟蹤過程中對目標(biāo)姿態(tài)變化、遮擋等情況的適應(yīng)性。最后還對自適應(yīng)分塊閾值的自動選取做了嘗試。
　　3.為了在單攝像機(jī)內(nèi)和多攝像機(jī)間進(jìn)行目標(biāo)的持續(xù)跟蹤，最好能夠?qū)⒛繕?biāo)的某

7、些穩(wěn)定特征進(jìn)行學(xué)習(xí)和繼承。如在單攝像機(jī)內(nèi)部跟蹤中，通過學(xué)習(xí)可得到目標(biāo)的穩(wěn)定外觀模型，適應(yīng)目標(biāo)及場景的各種變化，實現(xiàn)長時穩(wěn)定的跟蹤。而在多攝像機(jī)間同一目標(biāo)持續(xù)跟蹤中，一個攝像機(jī)跟蹤過程中學(xué)習(xí)到的較穩(wěn)定、魯棒的目標(biāo)模型可繼承到下一攝像機(jī)中，下一攝像機(jī)無需重復(fù)進(jìn)行復(fù)雜的學(xué)習(xí)過程，就能根據(jù)上一攝像機(jī)學(xué)習(xí)到的穩(wěn)定目標(biāo)表達(dá)進(jìn)行快速目標(biāo)定位和穩(wěn)定目標(biāo)跟蹤。為了實現(xiàn)這一目標(biāo)，在目前流行的基于目標(biāo)外觀模型在線學(xué)習(xí)跟蹤方法基礎(chǔ)上，提出一種帶有特征學(xué)習(xí)和特征

8、繼承的目標(biāo)跟蹤方法。特征學(xué)習(xí)通過在線加權(quán)多示例學(xué)習(xí)提升(OnlineWeightedMultipleInstanceLearningBoost，WMIL)算法實現(xiàn)，特征繼承通過在跟蹤過程中評估特征的穩(wěn)定性和分類能力并保留較好的特征實現(xiàn)，運(yùn)動模型則通過粒子濾波跟蹤算法實現(xiàn)。特征學(xué)習(xí)和特征繼承的目標(biāo)判別式模型為粒子適應(yīng)性度量提供了更自然有效的方法，粒子濾波運(yùn)動模型則可更快速有效地為在線加權(quán)多示例學(xué)習(xí)采集正負(fù)樣本，這兩者的結(jié)合提高了跟蹤算法的

9、效率和魯棒性，并為后續(xù)攝像機(jī)間的目標(biāo)交接和目標(biāo)經(jīng)驗?zāi)Ｐ偷睦^承傳遞打好基礎(chǔ)。
　　4.在多攝像機(jī)監(jiān)控系統(tǒng)的接力目標(biāo)跟蹤中，目標(biāo)交接即目標(biāo)的一致性標(biāo)定(consistentlabeling)是必須要解決的關(guān)鍵問題。針對這一問題，研究了不帶重疊視野區(qū)域的多攝像機(jī)間目標(biāo)交接方法，提出一種基于目標(biāo)經(jīng)驗?zāi)Ｐ屠^承和時空漸進(jìn)匹配的目標(biāo)交接方法。首先人工確定環(huán)境地圖，并通過離線學(xué)習(xí)得到攝像機(jī)間的時空約束關(guān)系，包括進(jìn)入/離開區(qū)域及其空間轉(zhuǎn)移概率和轉(zhuǎn)移

10、時間概率。然后利用這些時空約束關(guān)系漸進(jìn)地采樣粒子判斷目標(biāo)交接時刻，繼承上一攝像機(jī)中自底向上和自上而下兩種思路融合得到的目標(biāo)經(jīng)驗?zāi)Ｐ瓦M(jìn)行粒子權(quán)重的計算，并根據(jù)對應(yīng)多個進(jìn)入?yún)^(qū)域的粒子集權(quán)重進(jìn)行粒子個數(shù)和權(quán)重的調(diào)整，最終實現(xiàn)跟蹤目標(biāo)的準(zhǔn)確交接。
　　本文的研究工作是多攝像機(jī)接力目標(biāo)跟蹤尤其是對某一特定感興趣目標(biāo)在多個攝像機(jī)間持續(xù)跟蹤涉及到的一些關(guān)鍵算法進(jìn)行的有益嘗試，重在提高單攝像機(jī)跟蹤中算法的魯棒性和快速性，以及為多攝像機(jī)間目標(biāo)的接力