一种基于目标跟踪的行人徘徊检测算法
【技术领域】
[0001] 本发明属于数字图像处理及模式识别技术领域，具体涉及基于目标跟踪的行人徘 徊检测算法。
【背景技术】
[0002] 智能视频监控技术与传统的监控方法相比具有明显的优点：可以全天候监控，不 存在疲劳的问题；拥有强大的处理能力，可以同时监控多个目标；拥有较高的自主性，能够 自动识别目标并进行报警。
[0003] 行人徘徊检测分析是智能视频监控领域的重要组成部分。当行人持续地、往复地 在监控区域内运动时，可认为该行人处于徘徊状态。徘徊检测可以对监控区域内的行人行 为进行评估，及时发出警告。徘徊检测可以应用在众多场景中，例如，在池塘、水库等场景内 徘徊的行人可能会有危险；在教室、车间等场景内徘徊的行人可能会有不法举动。
[0004] 目前对于行人徘徊检测的研究较少。刘晓明[4] [5]提出基于静态场景下的单 目标徘徊检测及跟踪方法，该方法利用背景差分获取目标位置，通过camshift对目标进 行跟踪获取目标的运动轨迹。该方法局限较大，由于背景差分使用固定的背景模板，只能 运用在静态场景下。而当背景较为复杂，或者有许多与目标颜色相似像素干扰的情况下， camshift跟踪效果不理想。刘强[6]提出基于离散曲率熵的徘徊行为检测，该方法同样采 用camshift对目标进行跟踪，同时使用Kalman预测对跟踪算法进行修正。此方法存在同 样的问题，且kalman滤波器对非线性场景下的预测效果较差。
[0005] 中国专利CN101770648A[1]提出了 "一种基于视频监控的徘徊检测系统及方法"。 该专利提出的方法通过检测目标的运动轨迹，当轨迹长度超过设定阈值时判定为徘徊。此 方法涉及的目标检测算法为传统的背景差分法，需要进行背景建模、背景更新及前景检测。 该背景差分方法需要存储大量的背景数据，同时在背景扰动、阴影抑制以及实时性方面存 在不足，不利于实际场景的应用。中国专利CN102810206A[2]提出了"一种基于动态规划的 实时徘徊检测算法"。该专利提出的方法通过提取特征点进行SSDA匹配，检测匹配特征点， 然后利用动态规划进行轨迹跟踪，对轨迹进行评价判断是否为徘徊。此方法设计的特征对 光照变化较为敏感，在光照变化明显的场景中匹配效果会急剧下降；SSDA匹配对于刚性物 体具有良好的效果，但是对于非刚性物体如行人等鲁棒性较差。
【发明内容】
[0006] 本发明的目的在于提供一种基于目标跟踪的行人徘徊检测算法，应用于智能视频 监控系统中，以满足系统实时性和准确性的要求。
[0007] 本发明提出的基于目标跟踪的行人徘徊检测算法，依次分为三个阶段：目标提取 阶段，目标跟踪阶段，徘徊判定阶段。主框架如图1所示。
[0008] 在目标提取阶段，通过Vibe背景差分的方法提取图像中的运动目标，具有较高的 时间性能和召回率；在目标跟踪阶段，对提取出的运动目标计算颜色直方图特征，然后利用 粒子滤波算法对连续帧进行跟踪以获取目标运动轨迹，在实际场景中拥有较高的鲁棒性和 实时性。最后在徘徊判定阶段，使用目标运动轨迹的几何特征进行徘徊判定。具体说明如 下： 一、目标提取阶段，具体步骤为： (1)缩放图像，即对输入的第k帧图像进行预处理。
[0009] 对于分辨率大于1280 * 720的输入图像，使用双线性差值算法将图像等比例缩放 至宽度为720,对分辨率小于等1280 * 720的输入图像不进行缩放处理。所用的转换公式 为：
其中，罐表示原图像中处的像素值，i、j分别表示x、y的整数部分，u、v表示小 数部分。
[0010] (2)利用Vibe模型对第k帧图像进行背景差分 为图像中的每一个像素点建立包含N个样本的样本集：对于每一个像素点，随机选取 其相邻点像素值作为样本值对样本集进行填充。其中N的取值与硬件处理性能相关，性能 越好N的取值可以适当取较大值。
[0011] 对于第k帧图像中每个像素点，分别计算其与对应样本集中所有样本的距离D，距 离计算公式为：
其中，r、g、b分别为该像素点红色、绿色、蓝色通道的值，rk、gk、bk分别为样本点红色、 绿色、蓝色通道的值。
[0012] 统计其样本集中与其距离D大于P-的样本点个数η。若η大于難^，则标记当前点 为背景点，否则标记为前景点。其中_徵、繼I;是阈值，由实验确定给出的经验值，使得算法在 耗时和效果之间能够平衡。
[0013] 对标记为背景的像素点，以寒I#的概率去更新样本集，同时以Ili的概率去更新其 相邻像素点的样本集，更新时采用随机的方法选取要替换的样本值。其中Il的值由实验统计 给出。
[0014] (3)计算第k帧图像中的行人区域 初始时将图像中的所有像素点标记为未访问，初始化区域标记C=O。
[0015] 对于图像中的某个前景点，若其未被访问：令C=C+1，将前景点标记为已访问、并 且属于区域C。递归访问该点周围的四个相邻点，做同样的标记。
[0016] 遍历图像中所有未访问过的前景点，重复上述步骤，直到没有未访问的前景点。最 终得到C个行人区域。
[0017] (4)合并行人区域 遍历所有区域，若区域中一点到另一个区域中一点的距离小于Lth，则将这两个区域合 并为一个区域。距离计算公式为： LlN 丄UO丄(6548丄Z Λ "u 、" ?V / JA
其中，_奴_1和?υΡ分别表示一个像素点。Lth是阈值，根据图像大小确定，使得属于 同一个行人目标的像素点成为一个联通区域。
[0018] 二、目标跟踪阶段，具体步骤为： (1)初始化行人的粒子滤波模型 对提取到的新的行人区域建立粒子滤波模型并进行初始化。
[0019] 将行人目标区域子图像从RGB (红、绿、蓝)色彩空间转换为HSV (色调、饱和度、亮 度）色彩空间，公式如下：
其中，r、g、b分别为RGB色彩空间中三个通道的值，h、s、V分别为HSV色彩空间中三个 通道的值； 计算行人目标区域子图像的颜色直方图Hist，公式如下：
其中，h、s、V分别为HSV色彩空间中三个通道的值，N为子图像的大小，P为概率密度 函数。
[0020] 为该行人初始化N个粒子，公式如下：
其中，（x，y)为当前图像中行人区域中心点坐标，（xp，yp)为前一帧图像中行人区域中 心点坐标，w为行人区域宽度，h为行人区域高度，s为缩放尺度，sp为前一帧的缩放尺度， Hist为行人区域（X，y, w, h)的颜色直方图。
[0021] (2)对第k帧图像进行粒子转移 对第k帧图像中每个行人目标区域，更新所有的N个粒子，公式如下：
其中，C由均值为0的高斯函数采样得到，Hist为粒子更新后图像（XiSi, YiSi, WiSi, hlSl)区域的HSV颜色直方图，*表示前一帧图像中相应的值。
[0022] 计算每个粒子的权重，公式如下：
其中，K为归一化系数，λ为常数，Hist为粒子初始化时的颜色直方图。
[0023] (3)更新第k帧行人目标的状态 计算第k帧行人的位置，公式如下：
对权重Jii从大到小进行排序，若Ji 'Jith，则丢弃_|对应的粒子。Jith是阈值，由实 验给出的经验值，用以抑制粒子的退化。
[0024] 若粒子总数小于N，则用最大权重TIi'对应的粒子填充。
[0025] 三、徘徊判定阶段，具体步骤为： (1)计算行人运动区域和运动轨迹 对第k帧中出现的所有行人，计算其从初始至今的运动区域和运动轨迹。
[0026] 获取行人在0到k帧的轨迹点，计算其运动区域))，计算公 式为：
其中，|s|梦f为行人在第k帧中的位置。
[0027] 由于计算得到的行人轨迹有一定的噪声，因此需要对轨迹进行平滑，计算公式 为：
计算新轨迹点各点的曲率If。
[0028] (2)判断运动轨迹与运动区域 计算行人运动轨迹长度与运动区域所在矩形对角线长度的比值，计算公式为：
其中，Z为行人运动轨迹长度。
[0029] 计算行人运动区域与监控区域面积的比值，计算公式为：
其中，W、H分别为监控区域的宽度和高度。
[0030] 若α大于%^且β大于爲&则判断行人行为属于徘徊。为阈值，是由 实验统计出的经验值，使得算法准确性保持在一定水平的同时降低误判率。
[0031] 否则，继续计算运动轨迹的离散曲率熵E，计算公式为：
其中，Il 0?为离散曲率的直方图。
[0032] 若E大于|_，则判断行人行为属于徘徊。为阈值，是由实验统计出的经验值， 使得算法准确性保持在一定水平的同时降低误判率。
[0033] 本发明使用Vibe模型对背景进行差分以获取目标，使用基于颜色的粒子滤波跟 踪方法对目标进行跟踪，利用目标移动轨迹的几何特征进行徘徊检测。对比现有技术，本发 明所使用的方法能够对复杂非线性的场景进行处理，无需存储大量背景数据；能够有效应 对背景扰动，对光照有较强的鲁棒性；能够有效跟踪监测非刚性物体，如行人；能够满足实 时性要求。<