基于優(yōu)化TLD模型的數(shù)字視頻監(jiān)控方法研究

孟思明 廣州中大數(shù)字家庭工程技術(shù)研究中心有限公司

基于優(yōu)化TLD模型的數(shù)字視頻監(jiān)控方法研究

孟思明 廣州中大數(shù)字家庭工程技術(shù)研究中心有限公司

優(yōu)化TLD模型；數(shù)字視頻監(jiān)控；改進(jìn)Mean-shift算法；運動目標(biāo)跟蹤

運動目標(biāo)跟蹤是整個數(shù)字視頻監(jiān)控體系的一個重要環(huán)節(jié)，其跟蹤模型一方面應(yīng)具有高效的魯棒性，即能夠在各種各樣的場景背景下使用，且能對應(yīng)用場景具有較好的抗干擾能力。另一方面該跟蹤模型應(yīng)具有較高的時效性，即能夠滿足運動目標(biāo)的快速跟蹤，對于高速運動的物體依然具有較好的跟蹤能力。本文將針對TLD跟蹤模型進(jìn)行如下的研究及優(yōu)化。

1.標(biāo)準(zhǔn)TLD模型

目前適合長時間跟蹤的主流跟蹤算法TLD （Tracking-Learning-Detection） 模 型 是Kalal等人［1］于2010年提出的，由跟蹤器、檢測器、學(xué)習(xí)器等三部分組成，其最大特點是將傳統(tǒng)的檢測算法與跟蹤算法通過學(xué)習(xí)器結(jié)合在一起，使模型的跟蹤器與檢測器能實現(xiàn)在線更新，實現(xiàn)對目標(biāo)的長期跟蹤。然而，其跟蹤器使用的是光流法預(yù)測，在跟蹤過程中容易因光照變化、目標(biāo)被遮掩及出現(xiàn)相似目標(biāo)而導(dǎo)致跟蹤丟失。

2.TLD模型的優(yōu)化

為彌補(bǔ)標(biāo)準(zhǔn)TLD算法模型的缺陷，本文提出將其跟蹤器進(jìn)行優(yōu)化，以具有計算速度快及一定抗遮掩能力的Mean-shift算法為基礎(chǔ)，將改進(jìn)的Mean-shift算法融合到標(biāo)準(zhǔn)TLD模型跟蹤器中，提高其跟蹤器的跟蹤效果，進(jìn)而提高模型的抗遮掩能力及對相似目標(biāo)的辨別能力。其優(yōu)化角度如下。

用改進(jìn)Mean-shift算法得到的預(yù)測窗口與標(biāo)準(zhǔn)TLD跟蹤器得到的預(yù)測窗口進(jìn)行耦合處理，從而增強(qiáng)跟蹤模型的抗遮掩能力。其中分別對標(biāo)準(zhǔn)TLD模型的跟蹤器得到的區(qū)域與改進(jìn)Mean-shift算法預(yù)測得到的區(qū)域進(jìn)行相似度比較，當(dāng)TLD跟蹤框的巴氏系數(shù)較高時，將TLD輸出的目標(biāo)中心位置作為改進(jìn)Mean-shift算法的迭代起始點。當(dāng)TLD跟蹤框的巴氏系數(shù)較低時，將上一幀中的目標(biāo)框的中心位置作為改進(jìn)Mean-shift跟蹤算法的迭代起始點。通過合理地設(shè)置改進(jìn)Mean-shift算法的迭代起始點，以提升TLD追蹤算法的抗遮攔跟蹤能力。

同時，為了避免圖像目標(biāo)背景出現(xiàn)相似目標(biāo)導(dǎo)致的檢測器長時間跟蹤過程產(chǎn)生累計誤差，將用改進(jìn)Mean-shift算法預(yù)測得到的目標(biāo)區(qū)域及標(biāo)準(zhǔn)TLD模型跟蹤器得到的預(yù)測區(qū)域同時與上一幀的目標(biāo)模型進(jìn)行巴氏系數(shù)閾值判斷。當(dāng)改進(jìn)Mean-shift算法得到的巴氏系數(shù)與TLD模型得到的巴氏系數(shù)均大于各自設(shè)定的閾值，則以較大閾值的作為模型的跟蹤結(jié)果。當(dāng)只有改進(jìn)Mean-shift算法得到的巴氏系數(shù)閾值大于設(shè)定閾值，則直接以改進(jìn)Mean-shift算法得到的目標(biāo)區(qū)域為模型的跟蹤結(jié)果。當(dāng)兩者均小于各自設(shè)定的閾值時，表明跟蹤失敗。當(dāng)跟蹤失敗時，立即使用檢測器重新初始化目標(biāo)，避免檢測器引入錯誤正樣本導(dǎo)致積累誤差。

3.實驗分析及結(jié)果對比

為了充分對比跟蹤效果的差異，本文將標(biāo)準(zhǔn)TLD模型和優(yōu)化TLD模型應(yīng)用在相同的視頻序列［1］ 的跟蹤過程中。其中，對Motocross視頻跟蹤結(jié)果如圖1所示，可以看出當(dāng)目標(biāo)出現(xiàn)比較明顯的相似對象時，標(biāo)準(zhǔn)TLD模型會得到錯誤的跟蹤結(jié)果，而優(yōu)化后的TLD模型由于設(shè)定了巴氏系數(shù)的對比，雖然TLD模型得到了一個目標(biāo)巴氏系數(shù)，但由于相似物與目標(biāo)之間還是存在一定的差距，因此綜合起來改進(jìn)Mean-shift算法得到巴氏系數(shù)要比TLD模型得到的要大，故最終以改進(jìn)Mean-shift算法得到的跟蹤結(jié)果為準(zhǔn)。

圖1 視頻中相似目標(biāo)出現(xiàn)時標(biāo)準(zhǔn)TLD模型（上）、優(yōu)化后模型（下）跟蹤結(jié)果

基于標(biāo)準(zhǔn)TLD和優(yōu)化TLD模型對各視頻的跟蹤結(jié)果見下表1，結(jié)果表明優(yōu)化后TLD模型在跟蹤成功率上均有所提高，其中對Motocross視頻跟蹤效果提升尤為顯著。

表1 基于標(biāo)準(zhǔn)TLD及優(yōu)化TLD模型的各視頻目標(biāo)跟蹤成功率

4.總結(jié)

通過對數(shù)字視頻監(jiān)控方法中比較主流的TLD目標(biāo)跟蹤算法的分析，針對標(biāo)準(zhǔn)模型在跟蹤過程中目標(biāo)受遮掩及相似目標(biāo)出現(xiàn)時容易導(dǎo)致跟蹤失敗的不足，提出用一種改進(jìn)Meanshift算法對標(biāo)準(zhǔn)TLD跟蹤器進(jìn)行優(yōu)化，并通過實驗驗證了優(yōu)化后TLD目標(biāo)跟蹤模型在抗性上有較大提升，說明本文方法能滿足數(shù)字視頻監(jiān)控系統(tǒng)較高的性能要求。

［1］ Kalal Z.， Matas J.and Mikolajczyk K.，Tracking-Learning-Detection， IEEE Transctions on Pattern Analysis and Machine Intelligence， 6（1）， 2010

［2］ Yizong Cheng， Meanshift，Mode Seeking， and Clustering，IEEETransactions on Pattern Analysis and Machine Intelligence （S0162-8828）， 17（8）， 1995， 790～799

［3］ 田莘，基于MeanShift算法的目標(biāo)跟蹤問題研究，西安科技大學(xué)，2010

孟思明（1976.－），女（漢族），博士，主要研究方向：數(shù)字家庭技術(shù)，計算機(jī)圖像處理等。

隨著各行各業(yè)對數(shù)字視頻監(jiān)控系統(tǒng)中目標(biāo)跟蹤的實時性、準(zhǔn)確性和穩(wěn)定性要求的不斷提高，我們除了提升系統(tǒng)的硬件配置外，最為關(guān)鍵且有效的方法就是優(yōu)化現(xiàn)有的跟蹤算法，使之具有更好的魯棒性和穩(wěn)定性，能夠應(yīng)對更復(fù)雜的跟蹤情況。本文針對目前比較主流跟蹤算法TLD模型進(jìn)行研究，并對其原有的光流法跟蹤器進(jìn)行優(yōu)化，彌補(bǔ)標(biāo)準(zhǔn)TLD模型在長時間數(shù)字視頻中運動目標(biāo)出現(xiàn)局部遮掩及出現(xiàn)相似目標(biāo)時跟蹤結(jié)果不理想的缺陷。