顾及道路约束条件的动态目标检测与跟踪方法

焦金龙，卢小平

(河南理工大学矿山空间信息技术国家测绘地理信息局重点实验室，河南 焦作 454003)

顾及道路约束条件的动态目标检测与跟踪方法

焦金龙，卢小平

(河南理工大学矿山空间信息技术国家测绘地理信息局重点实验室，河南 焦作 454003)

智能交通是智慧城市的重要组成部分，面对复杂多变的道路背景，如何能够快速检测、跟踪道路监控影像中的动态目标，是智能交通建设的关键技术难点。本文根据道路监控视频特点，提出了采用道路约束条件与颜色特征集相结合的动态目标跟踪方法，以道路约束条件确定运动目标搜索区域，利用HSV颜色特征集进行特征匹配，然后基于IIR滤波背景法对背景影像进行更新及动态目标的检测，并根据道路约束条件与颜色特征相结合跟踪方法实现对动态目标的跟踪及动作预测。试验结果表明该方法可准确对运动目标进行检测与跟踪，且对慢速运动目标也具有较好的响应能力，实现了对道路动态目标的实时检测与跟踪。

道路约束条件；HSV颜色空间；IIR滤波

随着智慧城市建设工作的全面展开，智慧交通作为智慧城市的重要组成部分受到广泛关注。智慧交通旨在解决道路交通现有的诸多问题，通过采用人工智能分析的方式对交通事故、道路附属设施等进行有效检测和快速处理，达到保护公民生命和财产安全的目的。近年来，随着交通路况视频监控网络的大面积布设，动态目标跟踪及监测作为交通管理的重要环节受到广泛关注。因此，如何将计算机视觉和视频监控技术有效结合，在尽可能少或完全脱离人为干预的条件下，通过对所监控影像序列的逐层分步计算与分析，达到对场景中蕴含的高层次语义信息的感知、分析与理解，从而实现智能监控是当前研究的热点。

目前，动态目标检测根据镜头状态主要分为两类：动态场景下的目标检测和静态场景下的目标检测。动态场景即前景和背景均处于运动状态，常用算法有基于特征的目标检测[1-3]及基于相位相关的检测算法[4]；而静态场景中由于背景处于静止状态，常采用帧间差分法[5]、光流法[6]及背景差分法[7-8]等进行目标检测。背景差分法检测运动目标速度快、检测准确且易于实现，是目前动态目标检测最常用的算法，但由于实际情况中场景的复杂性、不可预知性及各种环境干扰和噪声的存在(如光照的突然变化、实际背景图像中有些物体的波动、摄像机的抖动、运动物体进出场景对原场景的影响等)，使得背景的建模和模拟变得比较困难。针对上述难点，国内外学者尝试建立自适应背景模型实现对背景的更新，以解决背景差分法应用的局限问题[9-13]。

本文提出通过彩色空间转换到HSV空间，根据HSV颜色空间色调和亮度分离特性，采用色调分量作为待处理数据，利用IIR(infinite impulse response digital filter)滤波法对背景模型进行自适应更新，完成对动态目标的检测，并采用道路约束条件和HSV特征相结合的方法对运动目标进行搜索、匹配及预测，从而实现动态目标的实时跟踪。

1 动态目标实时跟踪

1.1 HSV彩色空间变换

在RGB颜色空间上，彩色图像的3个分量不仅代表色彩和亮度，而且还存在着很大的相关性，即光线的变化会直接引起R、G、B这3个分量同时变化，对图像的处理结果影响较大。

HSV(hue、saturation、value)是根据颜色的直观特性创建的一种颜色空间，即六角锥体模型，是一种非线性颜色表示系统。颜色的表征参数是色调(H)、饱和度(S)、亮度(V)，其中亮度分量V和色调分量(H、S)相互独立，与图像的彩色信息无关。如果仅考虑H、S两个分量，则在一定程度上会抑制光照变化产生的影响。RGB彩色空间到HSV彩色空间的转换公式[14]如下

V=max(R,G,B)

(1)

(2)

(3)

1.2 自适应背景差分法

1.2.1 单一模型背景差分法

背景差分法又称背景减除法，通过对图像进行统计建模获取一个经验背景模型，然后将当前图像与背景图像进行差分，根据它们之间的差异提取出目标，从而实现运动目标的检测，其数学表达式[15]如下

(4)

(5)

式中，Di(x,y)为背景差值后的影像；Ii(x,y)为第i帧影像；B(x,y)为背景影像；T为阈值；Mi(x,y)为二值化影像。

该算法具体步骤为：

(1) 设定阈值T，将前景图像与背景图像进行相减得到差值D。

(2) 对比T与D，如果D>T，就判定此像素点是运动目标上的点；反之，则认定不是运动目标上的点。

此外，检测算法的灵敏度取决于阈值的大小，实际检测动态目标时，背景通常存在各种干扰，且随着时间变化背景也会随之改变，因此难以建立适用于整个图像序列的理想背景模型，这也是该方法的不足之处。

1.2.2IIR滤波背景建模

IIR滤波器是一种结构简单、可人为调控获取最佳背景模型的建模方法，比基于统计的建模方法应用更加普遍。

IIR滤波器以第一帧影像作为背景影像，与下一帧影像进行加权分配获取新的背景影像，并以此进行迭代，直至所有帧影像处理完毕。背景更新的数学模型[16]如下

(6)

获得背景差分影像后对影像进行二值化处理，并对影像进行边缘检测，将边缘长度小于100的视为噪声区域进行过滤，从而检测出动态目标。

1.3 道路约束下的动态目标跟踪

动态目标跟踪就是将检测出的图像序列与前景目标间建立联系，从而确定运动目标的轨迹，即以图像序列中的目标检测为基础提取目标的物理特征，并据此对目标进行匹配，将图像序列连续帧中的运动目标进行关联，从而实现在图像序列中对该运动目标的连续跟踪。

1.3.1 道路约束条件

目标在道路上的运动由于受到道路安全规定的制约，其运动轨迹具有一定的规律性。因此，可将道路的双向道划分为A1、A2两个集合,并对A1和A2定义行驶方向；然后根据运动目标的形心位置对其所属集合进行判定，将该集合的行驶方向作为目标跟踪的初始搜索方向，这样可在一定程度上减少待匹配的目标数量，尤其是在运动目标数量过多情况下，能够快速实现运动目标的跟踪。

1.3.2HSV颜色特征集

颜色特征对目标图像的旋转变化、尺度变化及少量局部遮挡等干扰因素具有良好的稳定性。目前常用的是颜色直方图模型，它具有构造简单、计算量小、易于叠加等优点。计算颜色直方图需要将颜色空间进行划分，形成多个直方图簇。通过统计图像或图像区域中颜色落入相应簇中的像素数量，实现对颜色直方图特征的提取。

本文采用道路约束条件与颜色特征集相结合的跟踪方法，以道路约束条件确定运动目标搜索区域，通过HSV颜色特征集进行特征匹配，同时对匹配成功的运动目标对的形心位置进行差值运算，获取其运动矢量，实现对运动目标的预测。

2 试验与结果评价

2.1 试验验证

试验采用道路交叉口的监控视频数据。道路作为动态目标的载体，选择道路覆盖区域内的目标进行检测，不仅可以有效减少动态目标的搜索区域，还可以消除非道路下的噪声区域，提高动态目标检测的准确性。由于视频场景中镜头、道路及附属设施均处于静止状态(即在影像中的覆盖区域位置保持不变)，因此可以直接对道路覆盖区域建立掩膜文件，对视频区域内动态目标快速提取。图1为采用掩膜方法提取的结果。

图1 有效区域提取结果

2.2 道路目标的检测与跟踪结果分析

为验证本方法的有效性，本文从目标检测及车辆跟踪两个方面进行对比分析。分析结果如下：

(1) 在获取差分影像后，通过对其进行滤波及数学形态的闭运算后，生成一个只含有运动目标信息的影像。图2(a)、(b)分别为第1帧影像和第10帧影像，从中可以看出人行道上有两个行人，图中左边的白色车辆处于慢速运动，而右边的车辆保持静止。从图2(c)可以看出，图像中处于运动的行人及慢速运动的车辆均被检测到，其他区域全部默认为背景影像，动态目标检测效果理想。

图2 动态目标检测结果

(2) 为验证跟踪方法的有效性，本文选取运动目标数量较多的区域进行验证(如图3所示)。图3为从第1帧影像开始每隔5帧影像的跟踪结果，其中不同的灰度框表示不同的运动目标，从中可以看出本文跟踪方法能够准确地对运动目标进行跟踪且未出现目标丢失或目标跟踪错误等现象，可靠性较高。

图3 动态目标跟踪结果

3 结 语

本文通过HSV颜色特征、IIR滤波背景模型及带有道路约束的目标跟踪法三者相结合的方法，对道路目标进行检测跟踪，实例验证表明了本文所提方法在满足实时性的前提下，能够快速准确地对道路运动目标进行检测与跟踪。

[1] 谭熊, 余旭初, 刘景正,等. 基于无人机视频的运动目标快速跟踪[J].测绘通报, 2011(9):32-34.

[2] 王文龙, 李清泉. 基于蒙特卡罗算法的车辆跟踪方法[J]. 测绘学报, 2011, 40(2):200-203.

[3] 陈岩, 刘开华. 动态背景下运动目标的检测与跟踪[J]. 通信技术, 2003(12):104-106.

[4] 赵高鹏, 薄煜明, 陈益. 一种基于特征匹配的目标识别跟踪方法[J]. 火炮发射与控制学报, 2009(1):30-34.

[5] 屠礼芬, 仲思东, 彭祺,等. 基于混合差分法的运动目标检测[J]. 科学技术与工程, 2012, 12(2):325-329.

[6] 吴垠, 李良福, 肖樟树，等. 基于尺度不变特征的光流法目标跟踪技术研究[J]. 计算机工程与应用, 2013, 49(15):157-161.

[7] 谭艳, 王宇俊. 一种结合背景差分的改进CamShift目标跟踪方法[J]. 西南师范大学学报(自然科学版), 2016, 41(9):120-125.

[8] 龚鼎, 曹广忠. 一种基于背景差分算法的实时运动检测跟踪系统的设计[J]. 电脑知识与技术(学术交流), 2016, 12(8):207-209.

[9] KIM K,CHALIDABHONGSE T H,HARWOOD D, et al. Real-time Foreground-background Segmentation Using Codebook Model[J]. Real-time Imaging, 2005, 11(3):172-185.

[10] STAUFFER C, GRIMSON W E L. Adaptive Background Mixture Models for Real-time Tracking[C]∥cvpr. IEEE Computer Society. [S.l.]:IEEE 1999.

[11] STAUFFER C, GRIMSON W E L. Learning Patterns of Activity Using Real-time Tracking[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2000, 22(8):747-757.

[12] 韩明, 刘教民, 孟军英,等. 一种自适应调整K-ρ的混合高斯背景建模和目标检测算法[J]. 电子与信息学报, 2014, 36(8):2023-2027.

[13] 黄玉, 殷苌茗, 周书仁. 基于YCbCr的自适应混合高斯模型背景建模[J]. 计算机工程与科学, 2015, 37(1):152-156.

[14] 范五东, 周尚波, 辛培宸. HSV颜色空间特征与Kalman滤波融合的目标跟踪[J]. 计算机工程与应用, 2011, 47(13):169-173.

[15] 杨宇腾. 基于背景差分法与虚拟区域融合的视频中车流量统计的方法[D]. 昆明：云南大学, 2015.

[16] 余绍军, 蒋钘, 蒋鑫晖. 一种基于灰度相关性的背景更新算法[J]. 电子世界, 2013(3):58-60.

A Method of Dynamic Target Detection and Tracking Based on Road Constraint Condition

JIAO Jinlong,LU Xiaoping

(Key Laboratory of Mine Spatial Information and Technology of NASMG, Jiaozuo 454003， China)

As an important part of intelligent city, intelligent transportation is an important guarantee for urban road safety. The difficulty is how to quickly detect and track dynamic targets in road monitoring images with the complex and changeable road background. According to the characteristics of road monitoring video, a dynamic target tracking method is proposed based on the combination of road constraints and color feature sets. Firstly, the moving target search region is determined by road constraints, and HSV color feature set is used for feature matching. Then the background image is updated and the dynamic target is detected based on IIR filtering background method. Finally, tracking and motion forecasting of dynamic objects are realized based on the tracking method which combines the road constraints and color features. The experimental results show that the method can detect and track the moving target accurately. It also has good response ability to the small displacement target and realizes the real-time detection and tracking of the road dynamic target.

road constraint condition；HSV color space；infinite impulse response digital filter

焦金龙，卢小平.顾及道路约束条件的动态目标检测与跟踪方法[J].测绘通报，2017(5)：47-50.

10.13474/j.cnki.11-2246.2017.0152.

2016-12-26；

2017-03-08

2016年度国家重点研发计划项目(2016YFC0803103)；河南省高校创新团队支持计划项目(14IRTSTHN026)；河南省创新型科技创新团队支持计划

焦金龙(1991—)，男，硕士生，研究方向为摄影测量与遥感。E-mail：jjinlong91@163.com

卢小平

P23

A

0494-0911(2017)05-0047-04