潘 云 磊

(蕪湖職業(yè)技術(shù)學(xué)院體育教學(xué)部，安徽 蕪湖 241000)

道路上的車輛數(shù)量呈現(xiàn)直線上升趨勢(shì)，加大了交通管制的難度，對(duì)行人安全也產(chǎn)生了極大的威脅。視覺(jué)圖像系統(tǒng)主要構(gòu)成部分為行人運(yùn)動(dòng)特征提取與跟蹤，能夠在圖像序列中提取行人運(yùn)動(dòng)特征，以此為基礎(chǔ)，可以確定行人的位置、大小等信息，幫助車輛規(guī)避行人，幫助指揮人員精準(zhǔn)調(diào)度交通流，保障行人的安全。

國(guó)外對(duì)視頻圖像處理的研究較早，主要通過(guò)背景減除法提取行人運(yùn)動(dòng)特征，與對(duì)應(yīng)的背景圖像進(jìn)行匹配，從而發(fā)現(xiàn)行人目標(biāo)，并利用行人運(yùn)動(dòng)特征提取、分析與理解過(guò)程，更好地保護(hù)行人安全。目前，國(guó)內(nèi)視頻圖像相關(guān)研究水平不高，缺少可靠、先進(jìn)的行人運(yùn)動(dòng)特征跟蹤提取方法，文獻(xiàn)[1]利用基于高斯混合模型的背景消減法提取運(yùn)動(dòng)目標(biāo)前景，實(shí)現(xiàn)復(fù)雜場(chǎng)景中多行人運(yùn)動(dòng)目標(biāo)的檢測(cè)和跟蹤，對(duì)畫(huà)面中的人數(shù)進(jìn)行實(shí)時(shí)統(tǒng)計(jì)和更新，準(zhǔn)確地檢測(cè)和追蹤多行人運(yùn)動(dòng)目標(biāo)。文獻(xiàn)[2]改進(jìn)相似性分?jǐn)?shù)計(jì)算方法，提取基于多信息融合的多目標(biāo)跟蹤方法，更好地處理目標(biāo)遮擋、目標(biāo)誤檢及目標(biāo)丟失等情況。

本文提出了一種基于改進(jìn)蟻群算法的行人運(yùn)動(dòng)特征跟蹤提取方法，計(jì)算運(yùn)動(dòng)特征數(shù)據(jù)關(guān)聯(lián)矩陣，確定正確的行人觀測(cè)數(shù)據(jù)，針對(duì)多目標(biāo)行人運(yùn)動(dòng)特征跟蹤的數(shù)據(jù)關(guān)聯(lián)問(wèn)題，改進(jìn)蟻群算法，提高行人運(yùn)動(dòng)特征跟蹤提取的精度，為行人安全提供更有效的保障。

1 行人運(yùn)動(dòng)特征跟蹤提取方法研究

1.1 行人運(yùn)動(dòng)目標(biāo)檢測(cè)

以道路監(jiān)控視頻作為研究對(duì)象，提取視頻圖像序列中的目標(biāo)區(qū)域，檢測(cè)行人運(yùn)動(dòng)目標(biāo)，以此提升行人運(yùn)動(dòng)特征提取精度[3]。

首先，構(gòu)建視頻圖像背景模型。設(shè)置行人運(yùn)動(dòng)視頻圖像序列為n幀，在圖像相同位置(x,y)處采集灰度值，構(gòu)成灰度值序列為{Pi(x,y),i=1,2,…，n}。 對(duì)應(yīng)于該位置的圖像背景模型，由n幀灰度值序列的中間值表示，其表達(dá)式為

B(x,y)=Median(Pi(x,y))

(1)

式(1)中，B(x,y)表示圖像背景像素點(diǎn)(x,y)的灰度值，Median(·)表示中間值提取函數(shù)。

然后，檢測(cè)行人運(yùn)動(dòng)目標(biāo)，其原理為對(duì)視頻圖像幀進(jìn)行差分運(yùn)算，結(jié)果為前景圖像(不含背景)。差分運(yùn)算公式為

dc(x,y)=|fc(x,y)-B(x,y)|

(2)

式(2)中，dc(x,y)表示前景圖像，fc(x,y)表示當(dāng)前視頻圖像幀。

最后，對(duì)公式(2)結(jié)果dc(x,y)進(jìn)行二值化分割處理，獲取行人運(yùn)動(dòng)目標(biāo)。選取適當(dāng)?shù)姆指铋撝礣，則處理結(jié)果為

(3)

通過(guò)上述過(guò)程即可獲得行人運(yùn)動(dòng)目標(biāo)的檢測(cè)結(jié)果，如圖1所示。

圖1 行人運(yùn)動(dòng)目標(biāo)檢測(cè)結(jié)果示例

1.2 行人運(yùn)動(dòng)特征提取

行人運(yùn)動(dòng)特征提取是目標(biāo)跟蹤的核心環(huán)節(jié)，包含靜態(tài)特征與動(dòng)態(tài)特征，分別對(duì)應(yīng)的是行人輪廓特征與肢體關(guān)節(jié)角度特征，具體提取過(guò)程如下：

行人輪廓特征具備唯一性與整體性，能夠在整體上描述行人的運(yùn)動(dòng)狀態(tài)，表征特定的行人身份。視頻圖像中，行人輪廓線是二維的，因此，此研究利用7個(gè)Hu不變矩表示行人輪廓特征[4]。不變矩具備尺度、平移、旋轉(zhuǎn)等不變性，計(jì)算公式逐漸復(fù)雜，其表達(dá)式為

(4)

式(4)中，φ1、φ2、φ3、φ4、φ5、φ6與φ7表示7個(gè)不變矩，ηpq表示視頻圖像(p+q)階的中心距。

在視頻圖像中，行人的肢體形狀會(huì)隨著時(shí)間發(fā)生變化[5]。

行人運(yùn)動(dòng)時(shí)關(guān)節(jié)點(diǎn)的角度能夠表征行人特有的行走姿態(tài)，故選取肢體關(guān)節(jié)角度特征作為行人運(yùn)動(dòng)特征之一，表征行人運(yùn)動(dòng)的動(dòng)態(tài)信息[6]。設(shè)行人直立時(shí)兩腳站立位置為水平基線，行人身高記為H，基于生物解剖學(xué)原理對(duì)人類肢體比例關(guān)系進(jìn)行確定(圖2)。

圖2 人類肢體比例關(guān)系示意

如圖2所示，依據(jù)肢體比例關(guān)系，結(jié)合人體行走運(yùn)動(dòng)的幾何特征，定位12個(gè)肢體關(guān)節(jié)點(diǎn)位置，分別為踝關(guān)節(jié)(左/右)、膝關(guān)節(jié)(左/右)、髖關(guān)節(jié)、腕關(guān)節(jié)(左/右)、肘關(guān)節(jié)(左/右)、肩關(guān)節(jié)(左/右)與頸關(guān)節(jié)[7]。對(duì)肢體關(guān)節(jié)角度進(jìn)行統(tǒng)一計(jì)算，計(jì)算公式為

(5)

式(5)中，θ表示角度；(x1,y1)與(x2,y2)表示任意2個(gè)關(guān)節(jié)點(diǎn)的位置坐標(biāo)。

通過(guò)公式(5)計(jì)算每個(gè)肢體關(guān)節(jié)角度(共9個(gè))，將其進(jìn)行整合獲得肢體關(guān)節(jié)角度特征矢量為[θ1,θ2,θ3,θ4,θ5,θ6,θ7,θ8,θ9]′[8]。

1.3 多行人運(yùn)動(dòng)目標(biāo)特征數(shù)據(jù)關(guān)聯(lián)

一般情況下，一幅道路監(jiān)控視頻圖像可能包含多個(gè)行人運(yùn)動(dòng)目標(biāo)，提取的運(yùn)動(dòng)特征也是多個(gè)行人運(yùn)動(dòng)目標(biāo)特征，容易出現(xiàn)特征與運(yùn)動(dòng)目標(biāo)之間的偽相關(guān)現(xiàn)象，這給行人運(yùn)動(dòng)特征的跟蹤和提取帶來(lái)了很大的困難[9]。為了解決上述問(wèn)題，引入了改進(jìn)的蟻群算法解決多人運(yùn)動(dòng)目標(biāo)特征數(shù)據(jù)關(guān)聯(lián)問(wèn)題。

基于改進(jìn)蟻群算法的原理，假設(shè)行人運(yùn)動(dòng)目標(biāo)在某一時(shí)刻最多生成一組特征數(shù)據(jù)。同時(shí)，一組特征數(shù)據(jù)最多只能與一個(gè)運(yùn)動(dòng)對(duì)象相關(guān)聯(lián)。當(dāng)行人運(yùn)動(dòng)目標(biāo)進(jìn)入觀察區(qū)域時(shí)，蟻群算法開(kāi)始執(zhí)行第一個(gè)循環(huán)，通過(guò)搜索和迭代找到最短路徑，直到行人運(yùn)動(dòng)目標(biāo)離開(kāi)觀察區(qū)域[10]。

通過(guò)上述描述確定多行人運(yùn)動(dòng)目標(biāo)特征數(shù)據(jù)關(guān)聯(lián)步驟如下：

步驟1：當(dāng)獲得行人運(yùn)動(dòng)特征數(shù)據(jù)后，將k只螞蟻放置在行人運(yùn)動(dòng)軌跡上，軌跡數(shù)量記為M，同時(shí)開(kāi)啟軌跡-運(yùn)動(dòng)特征關(guān)聯(lián)對(duì)；

步驟2：螞蟻r以轉(zhuǎn)移概率p對(duì)行人運(yùn)動(dòng)特征進(jìn)行選擇。與此同時(shí)，設(shè)置禁忌表tabuk與臨時(shí)池temppool(k)， 采用tabuk記錄螞蟻k已經(jīng)選好的軌跡-運(yùn)動(dòng)特征關(guān)聯(lián)對(duì)， 應(yīng)用temppool(k)保存螞蟻k選好的概率值[11]。其中，轉(zhuǎn)移概率計(jì)算公式為

(6)

式(6)中，α表示信息素量τij的權(quán)重參數(shù)；β表示能見(jiàn)度參數(shù)ηij的權(quán)重參數(shù)，由1/dij計(jì)算獲得，其中，dij表示多個(gè)行人中某一個(gè)軌跡-運(yùn)動(dòng)特征關(guān)聯(lián)對(duì)(i,j)的距離。

步驟3：在路徑尋優(yōu)過(guò)程中，種群螞蟻會(huì)實(shí)時(shí)留下信息素量τij，為了防止某條路徑(關(guān)聯(lián)對(duì)(i,j))信息素量極速增加，導(dǎo)致算法陷入局部最優(yōu)情況，設(shè)置初始最大和最小信息素量分別為τmax，τmin，τij取值范圍為[τmin,τmax]；

步驟4：在選擇路徑過(guò)程中[12]，基于局部更新規(guī)則對(duì)信息素量進(jìn)行更新。路徑選擇結(jié)束后[13]，信息素量更新規(guī)則改為全局更新規(guī)則。全局更新規(guī)則表達(dá)式為

(7)

式(7)中，ρ表示信息素量更新系數(shù)，(1-ρ)表示信息素量殘留系數(shù)，Δτij表示根據(jù)σ-1只優(yōu)秀螞蟻路徑長(zhǎng)短排序信息對(duì)(i,j)路徑信息素量進(jìn)行更新，其計(jì)算公式為

(8)

步驟5：當(dāng)確定關(guān)聯(lián)矩陣后，對(duì)全部軌跡-運(yùn)動(dòng)特征關(guān)聯(lián)對(duì)信息進(jìn)行記錄，獲得正確的多行人運(yùn)動(dòng)目標(biāo)特征數(shù)據(jù)關(guān)聯(lián)結(jié)果。

1.4 行人運(yùn)動(dòng)目標(biāo)跟蹤

根據(jù)上述獲得的多行人運(yùn)行目標(biāo)特征數(shù)據(jù)關(guān)聯(lián)結(jié)果，選取Mean Shift算法跟蹤行人運(yùn)動(dòng)目標(biāo)，并依據(jù)1.2節(jié)，提取運(yùn)動(dòng)特征，最終完成行人運(yùn)動(dòng)特征的跟蹤提取[15]。

行人運(yùn)動(dòng)目標(biāo)跟蹤主要通過(guò)每幀圖像目標(biāo)模型的相似度實(shí)現(xiàn)，其由Bhattacharyya函數(shù)計(jì)算所得。首先，將目標(biāo)模型記為p，將候選模型記為q，以其之間距離作為相似度的判斷依據(jù)，距離計(jì)算公式為

(9)

式(9)中，d(y)表示目標(biāo)模型與候選模型之間的距離，ρ(y)表示目標(biāo)模型與候選模型采樣點(diǎn)的Bhattacharyya系數(shù)估計(jì)數(shù)值，取值范圍為[0，1]。

為了簡(jiǎn)化Bhattacharyya系數(shù)的估計(jì)過(guò)程[16]，采用單位向量之間的夾角余弦值表示Bhattacharyya系數(shù)，估算公式為

(10)

由公式(10)可以看出，2個(gè)單位向量夾角余弦值越小，表明ρ(y)越大，距離d(y)越小，p與q相似度越高，兩者為同一行人運(yùn)動(dòng)目標(biāo)的可能性越大。

行人運(yùn)動(dòng)目標(biāo)跟蹤完成后，需要在不同幀圖像中準(zhǔn)確定位行人運(yùn)動(dòng)目標(biāo)的位置，以便有效地提取行人運(yùn)動(dòng)特征。行人運(yùn)動(dòng)目標(biāo)定位的原理：以當(dāng)前幀圖像中目標(biāo)的中心為起始位置y0，在其鄰域內(nèi)搜索目標(biāo)，搜索停止條件是Bhattacharyya系數(shù)達(dá)到最大，此時(shí)可以得到行人運(yùn)動(dòng)目標(biāo)的最佳位置[17]。

由上述分析可知，要想對(duì)行人運(yùn)動(dòng)目標(biāo)位置定位，首先獲得當(dāng)前幀y0處候選模型的運(yùn)動(dòng)特征分布概率，記為pu(y)， 再對(duì)公式(10)進(jìn)行Taylor展開(kāi)，以此為基礎(chǔ)，結(jié)合以y0為中心的均值漂移向量mh,G(y0)， 通過(guò)遞歸迭代得到行人運(yùn)動(dòng)目標(biāo)的位置，其表達(dá)式為

(11)

式(11)中，wi表示權(quán)值，h表示搜索步長(zhǎng)。

在行人運(yùn)動(dòng)目標(biāo)位置定位后，提取行人運(yùn)動(dòng)特征，實(shí)現(xiàn)了行人運(yùn)動(dòng)特征的跟蹤提取，為路上行人安全提供更加有效的保證。

2 實(shí)例分析與結(jié)果分析

2.1 實(shí)例分析準(zhǔn)備

在道路監(jiān)控視頻中隨機(jī)截選一段視頻作為實(shí)例分析對(duì)象，對(duì)行人運(yùn)動(dòng)特征進(jìn)行跟蹤提取。在每次實(shí)例分析過(guò)程中，采用VC++6.0平臺(tái)，圖像尺寸為320×240(pixels)，頻率為每秒15幀。

實(shí)例分析對(duì)象——視頻圖像序列共為120幀，如圖3所示。

圖3 實(shí)例分析對(duì)象示例

2.2 實(shí)例分析結(jié)果分析

以上述選取的實(shí)例分析對(duì)象為基礎(chǔ)，構(gòu)建行人運(yùn)動(dòng)目標(biāo)狀態(tài)方程，表達(dá)式為

xi,t=Ai,t-1xi,t-1+Γωt

(12)

式(12)中，Ai,t-1表示行人運(yùn)動(dòng)目標(biāo)狀態(tài)轉(zhuǎn)移矩陣，xi,t-1表示行人運(yùn)動(dòng)目標(biāo)i在t-1時(shí)刻的狀態(tài)，Γ表示過(guò)程噪聲矩陣；ωt表示系統(tǒng)噪聲。

公式(12)中，參數(shù)Ai,t-1與Γ計(jì)算公式為

(13)

式(13)中，T表示采樣間隔，設(shè)置為1。

則行人運(yùn)動(dòng)目標(biāo)觀測(cè)方程表達(dá)式為

yi,t=Hi,txi,t+vt

(14)

式(14)中，Hi,t表示行人運(yùn)動(dòng)目標(biāo)量測(cè)矩陣，vt表示量測(cè)噪聲。

為了加快改進(jìn)蟻群算法的收斂速度(如果蟻群種群數(shù)量過(guò)大，搜索時(shí)間會(huì)隨之增加；蟻群種群數(shù)量過(guò)小，則無(wú)法獲得最優(yōu)路徑)，設(shè)定蟻群種群數(shù)量為k=30。在實(shí)例分析過(guò)程中，對(duì)實(shí)例分析對(duì)象進(jìn)行10次采樣，采用改進(jìn)蟻群算法關(guān)聯(lián)xi,t與yi,t獲取的行人運(yùn)動(dòng)特征數(shù)據(jù)，其關(guān)聯(lián)過(guò)程如1.3節(jié)所示，不對(duì)其進(jìn)行再次的贅述，記錄行人運(yùn)動(dòng)特征關(guān)聯(lián)執(zhí)行時(shí)間，見(jiàn)表1。

表1 行人運(yùn)動(dòng)特征關(guān)聯(lián)執(zhí)行時(shí)間表

如表1數(shù)據(jù)顯示，應(yīng)用提出方法后，行人運(yùn)動(dòng)特征關(guān)聯(lián)執(zhí)行時(shí)間范圍為0.78～2.00 min，證明改進(jìn)蟻群算法收斂速度較快，滿足行人運(yùn)動(dòng)特征跟蹤提取需求。

對(duì)獲得的軌跡-運(yùn)動(dòng)特征關(guān)聯(lián)對(duì)正確率進(jìn)行判定，判定規(guī)則為

(15)

式(15)中，Qi(i,j)表示軌跡-運(yùn)動(dòng)特征關(guān)聯(lián)對(duì)轉(zhuǎn)換數(shù)值,ζ表示關(guān)聯(lián)對(duì)正確率判定閾值。

依據(jù)公式(15)對(duì)軌跡-運(yùn)動(dòng)特征關(guān)聯(lián)對(duì)正確率進(jìn)行判定，判定結(jié)果如圖4所示。

圖4 關(guān)聯(lián)對(duì)正確率判定結(jié)果示意

圖4中，虛線表示的是行人運(yùn)動(dòng)特征關(guān)聯(lián)對(duì)正確率的最低標(biāo)準(zhǔn)。應(yīng)用提出方法后，關(guān)聯(lián)對(duì)正確率范圍為60%～96%，均大于最低標(biāo)準(zhǔn)限值，表明提出方法具備可行性與有效性。

3 結(jié) 論

應(yīng)用改進(jìn)蟻群算法對(duì)行人運(yùn)動(dòng)特征進(jìn)行關(guān)聯(lián)，以此降低行人運(yùn)動(dòng)特征的關(guān)聯(lián)時(shí)間，提升關(guān)聯(lián)對(duì)的正確率，獲得更加精準(zhǔn)的行人運(yùn)動(dòng)特征跟蹤提取結(jié)果，為行人安全提供保障，也為交通指揮提供精準(zhǔn)的數(shù)據(jù)支撐。