TLD技巧在城市智能轨道交通中的应用.docVIP

TLD技术在城市智能轨道交通中的应用 1 城市智能轨道交通中的视觉跟踪问题 ?? 视觉跟踪技术在城市轨道交通的智能视频监控中起到重要作用。城市轨道交通的监控环境比较复杂：区域较大，周界广泛；拥有多个站台，大量的出入口、围栏及相 关设施，而且人/车流量大。这种复杂的环境给智能视频分析带来了诸多困难。其中应用于城市轨道交通的跟踪技术仍存在以下问题： 1)?? 复杂的背景变化。光照变化引起背景改变，可能造成虚假检测与错误跟踪。 2)?? 遮挡问题。运动目标被部分或完全遮挡时，目标因部分不可见而造成信息缺失，影响跟踪的稳定性。 3)?? 有效性问题。由于运动目标一般都是时变的，如何获取和应用最新的目标特征信息是保持跟踪有效的关键。 4)?? 兼顾实时性与鲁棒性。既要减少算法的计算量以保证实时性，又要增强算法对复杂情况的适应性，而这又以复杂的运算为代价。 ?? ?TLD视觉跟踪技术作为当今流行的技术，兼顾以上提到的所有问题。它采用跟踪和检测同步机制，并共同支持在线学习过程，在线学习所得的结果又反馈于跟踪 和检测，最终的目标定位由跟踪和检测协同决定。TLD视觉跟踪技术联合跟踪、学习和检测于一体，完美兼顾了跟踪的精确性和实时性。它将成为解决城市轨道交 通中跟踪问题的一种新方法。 2 TLD跟踪技术的引入 视觉跟踪技术一直是人们研究的一个热点，它在视频智能监控领域有着重要的地位。目标跟踪一般以运动检测为基础，它不仅提供被监视目标的运动轨迹，而且也为场景分析和高层的异常行为识别提供了可靠的数据来源。 目前，已经出现了多种不同的目标跟踪算法。TLD是一种新兴且有效的跟踪技术，它是由英国萨里大学的捷克学生Zdenek Kalal开发的一个精确定位系统。Zdenek Kalal通过视频演示了该系统的功能，这些视频在互联网上已广为传播。这个系统几乎可以跟踪镜头里的任何物体，只要你能看见它，并把它选中。视频中Zdenek Kalal演示了对手指、面孔、笔尖及高速行驶的轿车等目标的跟踪，跟踪灵敏，且定位准确，即使目标被遮挡或短暂消失，当其再次出现时，也会很快捕捉到。网络上人们给予这套系统很高的评价，有人说它可以和微软的Kinect相媲美。 TLD 跟踪系统最大的特点就在于能对锁定的目标进行不断地学习，以获取目标最新的外观特征，从而及时完善跟踪，达到最佳的状态。也就是说，开始时只提供一帧静止 的目标图像，但随着目标的不断运动，系统能持续不断地进行探测，获知目标在角度、距离、景深等方面的改变，并实时识别，经过一段时间的学习之后，目标就再 也无法躲过。TLD的这一特点也是胜于传统跟踪系统的巨大优势。 3 TLD跟踪技术解析 HYPERLINK http://info.ee.surrey.ac.uk/Personal/Z.Kalal/tld.html \t _blank “跟踪-学习-检测”（Tracking-Learning-Detection）的缩写。顾名思义，TLD技术有三部分组成，即跟踪器、学习过程和检测器。TLD技术采用跟踪和检测相结合的策略，是一种自适应的、可靠的跟踪技术。TLD技术中，跟踪器和检测器并行运行，二者所产生的结果都参与学习过程，学习后的模型又反作用于跟踪器和检测器，对其进行实时更新，从而保证了即使在目标外观发生改变的情况下，也能够被持续跟踪。TLD的工作框架如图1。我们将分述TLD的三个组成部分。TLD是 图1 TLD的整体工作框架 （此图来自Zdenek Kalal的文章简介） 1)???? 跟踪器 TLD跟踪器采用重叠块跟踪的策略，单块跟踪使用Lucas-Kanade光流法。TLD在跟踪前需要指定待跟踪的目标，由一个矩形框标出。最终整体目标的运动取所有局部块移动的中值。这种局部跟踪策略可以解决局部遮挡问题。 2)???? 学习过程 TLD的学习过程是建立在在线模型（online model）基础上的。在线模型是一个由大小为15*15 的图像块的集合。这些图像块来自跟踪器和检查器所得的结果。初始的在线模型为起始跟踪时指定的待跟踪的目标图像。在线模型是一个动态模型，它随视频序列而 增长或减小。在线模型的发展有两个事件来驱动，分别为增长事件和修剪事件。由于在实际中，来自环境和目标本身等多因素的影响，使目标的外观不断发生变化， 这使得由跟踪器预测产生的目标图像包含更多其他感兴趣的因素。如果我们把跟踪轨迹上所有目标图像看成一个特征空间，那么随着视频序列的推进，由跟踪器所致 的特征空间将不断增大，这就是所说的增长事件。为了防止增长事件带来的杂质（其他非目标图像）影响跟踪效果，采用了与之相对的修剪事件来平衡。修剪事件就 是用来去除增长事件所致的杂质的。由此，两事件的相互作用促使在线模型一直保持与当前跟踪目标一致。 由增长事件带来的特征空间的扩张