摘  要： 首先提出一種運(yùn)動(dòng)人體檢測(cè)算法,，通過(guò)圖像序列識(shí)別出運(yùn)動(dòng)人體作為跟蹤目標(biāo)，然后在TLD算法中引入目標(biāo)軌跡預(yù)測(cè),，利用該信息來(lái)輔助空間搜索,。運(yùn)動(dòng)人體檢測(cè)算法首先采用背景減除和邊緣檢測(cè)算法獲得完整目標(biāo)輪廓，然后使用HU仿射不變矩檢測(cè)出運(yùn)動(dòng)人體,，該特征能適應(yīng)目標(biāo)旋轉(zhuǎn),、尺度、仿射等變化場(chǎng)合,。為提高跟蹤實(shí)時(shí)性,，在TLD框架中引入卡爾曼軌跡預(yù)測(cè)，并先在預(yù)測(cè)位置鄰域搜索,。實(shí)驗(yàn)結(jié)果表明,，該運(yùn)動(dòng)人體檢測(cè)算法能夠在靜態(tài)和動(dòng)態(tài)背景下準(zhǔn)確地檢測(cè)出運(yùn)動(dòng)人體,；改進(jìn)后的TLD算法與原始算法相比，在準(zhǔn)確率不降低情況下,，降低了計(jì)算復(fù)雜度,。

　　關(guān)鍵詞： 背景減除；人體檢測(cè),；邊緣檢測(cè)；卡爾曼濾波器,；TLD

0 引言

　　近幾年,，行人目標(biāo)跟蹤成為計(jì)算機(jī)視覺(jué)領(lǐng)域的研究熱點(diǎn)之一，在智能監(jiān)控,、無(wú)人駕駛等領(lǐng)域有著重要應(yīng)用,。由于姿態(tài)變化、局部遮擋等問(wèn)題未被徹底解決,，該方向仍然具有很大的挑戰(zhàn)性,。

　　對(duì)于目標(biāo)檢測(cè)，DALAL N和TRIGGS B[1]提出一種HOG特征結(jié)合支持向量機(jī)（SVM）進(jìn)行分類方法,，具有較高準(zhǔn)確率,，但僅適用于無(wú)遮擋且姿態(tài)變化較小的場(chǎng)景。FELZENSZWALB P等人提出Deformable Part Models（DPM）[2-3]算法,，用根及部件模型描述目標(biāo),，能夠解決姿態(tài)變化和遮擋，但其計(jì)算復(fù)雜度高,，實(shí)時(shí)性有待改善,。由KALAL Z等人[4]提出的TLD跟蹤算法將跟蹤與檢測(cè)分離并融合二者結(jié)果，在線更新模板,，解決目標(biāo)重入且魯棒性較好,，但漂移和遮擋問(wèn)題未解決，僅適用于目標(biāo)姿態(tài)漸變較慢的場(chǎng)景,。

　　本文首先提出一種運(yùn)動(dòng)人體檢測(cè)算法初始化跟蹤目標(biāo),，然后在TLD框架中引入卡爾曼濾波器[5]進(jìn)行目標(biāo)位置預(yù)測(cè)，優(yōu)先在預(yù)測(cè)位置鄰域內(nèi)搜索,，從而減少搜索空間,。

1 運(yùn)動(dòng)人體檢測(cè)

　　本文首先使用混合高斯模型（GMM）[6]獲得前景運(yùn)動(dòng)目標(biāo)，然后提取輪廓區(qū)域特征進(jìn)行目標(biāo)判斷,。處理流程如圖1所示,。

　　按照?qǐng)D1的流程，在使用GMM處理后,，僅尋找滿足面積和寬高比（0.4）且符合上下文空間關(guān)系的輪廓,，結(jié)果如圖2所示,。

　　1.1 獲得完整輪廓

　　為去掉影子干擾，對(duì)目標(biāo)區(qū)域使用中值濾波,、開(kāi)閉操作,、Canny[7]檢測(cè)，對(duì)圖2處理后,，結(jié)果如圖3所示,。

　　1.2 計(jì)算目標(biāo)輪廓特征

　　為適應(yīng)目標(biāo)輪廓各種變化，選取基于HU不變矩[8]得到F1,、F3特征,，用于判斷是否為人體。

　　其中,，,。

　　本文選擇7張人體（包括正面、背面,、側(cè)面,、不同尺度）與7張非人體圖做輪廓特征對(duì)比，結(jié)果如圖4所示,，其中橫坐標(biāo)為樣本編號(hào),，縱坐標(biāo)為其特征值。

　　圖4中直線代表該特征均值,，人體輪廓特征為圖中懸浮最上折線,，另一條為非人體特征。從圖4中看到人體輪廓F1,、F3特征值集中于某個(gè)區(qū)間,，與非人體輪廓特征值有明顯差異，本文選取其均值作為判斷條件,。

2 軌跡預(yù)測(cè)

　　結(jié)合TLD給出的目標(biāo)位置和圖像采樣頻率,，卡爾曼濾波器可預(yù)測(cè)出目標(biāo)下一個(gè)位置，在下一幀TLD先在預(yù)測(cè)位置鄰域進(jìn)行搜索,，從而避免無(wú)用搜索,。具體步驟如下：

　　（1）用本文提出的目標(biāo)檢測(cè)算法獲得目標(biāo)初始位置,，并初始化TLD和卡爾曼模型,；

　　（2）利用卡爾曼預(yù)測(cè)法首先在目標(biāo)鄰域內(nèi)搜索,，再進(jìn)行其他區(qū)域搜索,；

　　（3）判斷TLD目標(biāo)檢測(cè)是否有效,，無(wú)效進(jìn)入步驟（4）,，有效進(jìn)入步驟（2）迭代計(jì)算,；

　　（4）進(jìn)行全局搜索,，判斷是否為目標(biāo),，如果是進(jìn)入步驟（2）進(jìn)行迭代，否則繼續(xù)本步驟,。

　　3 實(shí)驗(yàn)結(jié)果與分析

　　本文在硬件參數(shù)為4 GB內(nèi)存,、CPU 3.2 GHz頻率下進(jìn)行實(shí)驗(yàn)。首先使用運(yùn)動(dòng)人體檢測(cè)算法確定跟蹤目標(biāo),，如圖5所示,。

　　從圖5中可以看出，該方法正確檢測(cè)出人體目標(biāo),，使用矩形框標(biāo)出并作為目標(biāo)。

　　初始化目標(biāo)后,，使用TLD開(kāi)始跟蹤,。為測(cè)試改進(jìn)前后搜索空間減少效果，采集靜態(tài)和動(dòng)態(tài)背景下各三種場(chǎng)景,。場(chǎng)景1,、2、3,、4,、5、6分別為200,、430,、1001、456,、495,、859幀，且都有640×480和1 280×960兩個(gè)尺寸,，如表1和表2所示,。

　　在靜態(tài)背景下，通過(guò)引入非線性卡爾曼濾波器進(jìn)行軌跡預(yù)測(cè),，通過(guò)表1可以看出,，其檢測(cè)時(shí)間縮短，原因是引入卡爾曼進(jìn)行位置預(yù)測(cè),，而兩幀之間目標(biāo)運(yùn)動(dòng)幅度較小,，因此能夠正確預(yù)測(cè)，避免了全局空間搜索,。在動(dòng)態(tài)背景攝像頭運(yùn)動(dòng)軌跡較為平滑的情況下,，仍然能正確預(yù)測(cè)目標(biāo)下一刻位置,，如場(chǎng)景4、5,；但當(dāng)攝像頭運(yùn)動(dòng)較為劇烈時(shí)則失效,，如場(chǎng)景6。這是由于非線性卡爾曼無(wú)法處理這種高度非線性情況,。

4 結(jié)論

　　本文提出了一種運(yùn)動(dòng)人體檢測(cè)算法用于自動(dòng)獲得跟蹤目標(biāo),，然后在TLD中引入目標(biāo)軌跡預(yù)測(cè)指導(dǎo)目標(biāo)空間搜索，實(shí)驗(yàn)證明該思想能夠減少搜索空間,。運(yùn)動(dòng)人體檢測(cè)通過(guò)結(jié)合Canny邊緣檢測(cè)和混合高斯模型提取較完整的目標(biāo)輪廓,，使用HU仿射不變矩檢測(cè)出人體目標(biāo)，該方法只需幾幀即可自動(dòng)找到人體目標(biāo),，適用于靜態(tài)和動(dòng)態(tài)背景下單一運(yùn)動(dòng)目標(biāo)實(shí)時(shí)場(chǎng)景,。實(shí)驗(yàn)結(jié)論：在攝像頭靜止和緩慢運(yùn)動(dòng)情況下，該卡爾曼預(yù)測(cè)法能夠減少搜索空間,；在攝像頭運(yùn)動(dòng)較為劇烈情況下,，則需要將攝像頭運(yùn)動(dòng)信息加入卡爾曼模型，以正確預(yù)測(cè)目標(biāo)位置,。

參考文獻(xiàn)

　　[1] DALAL N,， TRIGGS B． Histograms of oriented gradients for human detection[J]． Computer Vision and Pattern Recognition （CVPR）， 2005（1）：886-893．

　　[2] FELZENSZWALB P,， MCALLESTER D,， RAMANAN D．A discriminatively trained， multiscale,， deformable part model[C]． Computer Vision and Pattern Recognition（CVPR）,，2008：1-8．

　　[3] FELZENSZWALB P， GIRSHICK R,， MCALLESTER D,， et al ．Object detection with discriminatively trained part-based models[J]． Pattern Analysis and Machine Intelligence， 2010,，32（9）：1627-1645.

　　[4] KALAL Z,， MIKOLAJCZYK K， MATAS J,， et al． Tracking-Learning-detection[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,， 2011，34（7）：1409-1422．

　　[5] WENG S,，KUO C,， TU S．Video object tracking using adaptive Kalman filter[J]． Journal of Visual Communication and Image Representation， 2006（17）：1190-1208．

　　[6] 岳佳,，王士同.雙重高斯混合模型的EM算法的聚類問(wèn)題研究[J]．計(jì)算機(jī)仿真,，2007,，24（11）：110-113．

　　[7] CANNY J． A computational approach to edge detection[J]． IEEE Transactions on Pattern Analysis and Machine Intelligence， 1986,，8（6）：679-698.

　　[8] M. K. H．Visual pattern recognition by moment invariants[J]． IRE Transactions on Information Theory,，1962，8（2）：179-187．