TLD技巧在城市智能轨道交通中的应用.doc

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，如何获取和应用必威体育精装版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，以获取目标必威体育精装版的外观特征，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