·190· 智能系统学报 第10卷 情况。针对这种情况，对于前一帧中的每一类，运动 的最小距离为5像素。从图1中可以看出，特征点 跟踪算法在当前帧中选择与之相似度最高的类进行 不仅分布在运动的顾客身上，也广泛的分布于纹理 最优匹配，同时解除其他非最优匹配类与前一帧中该 特征较为明显的背景之中。 类的匹配关系。定义M(CC:)表示在前一帧中与当 前帧第i类所匹配的类，M(LC)表示在当前帧中与 前一帧第j类所匹配的类，则上述寻找最优匹配类的 过程可用式(11)所描述，满足式(11)的M(LC:)即 为在当前帧中与前一帧第类的最优匹配类。 VCC,M(CC)=LC;, f(M(LC),LC;)f(CC:,LC;) (11) 由于在视频流中的出现新的目标时会使最大相 图1KLT特征点提取 似度为0，同时在上述最优匹配的过程中当前帧内非 Fig.1 Detecting KLT feature points 最优匹配的类没有完成匹配。在这种情况时，运动跟 经轨迹预处理之后的特征点分布情况如图2所 踪匹配算法将该特征点类标记为独立类。至此，当前 示，其中滤除背景点算法中最大连续静止帧数s取5 帧中的所有的类完成了与前一帧的匹配过程，将该匹 帧，滤除短时点算法中权重系数入取0.3，特征点在 配算法连续运用到每一帧中即可实现完整的目标运 连续2帧间最大移动距离P取5像素。从图2可以 动跟踪。运动跟踪匹配算法的整体结构如算法3。 看出，经过预处理，在KLT特征点提取阶段出现的 算法3运动跟踪匹配算法 背景特征点与短时特征点被很好的滤除，视频帧中 符号：N={N1,N2,…,Nn}, 特征点集中在运动目标身上，为下一步meanshift轨 N:特征点类i中被匹配的特征点个数。 迹聚类提供了有效、稳定的运动轨迹。 输入上一帧特征点类集合lastSet,当前帧特 2913更5且85日里日0阅：957 征点类集合currentSet,.最小公共系数a; 输出当前帧聚类集合currentSet。 1)初始化N:为0 2)for all CC in currentSet 3)for all LC in lastSet 4) n←-|CC∩LC 5) if n a CC and n Nuc 图2特征点轨迹预处理 6) 更新特征点类LC的匹配类为CC Fig.2 Preprocessing trajectories of feature points 7) end if 采用meanshift进行轨迹聚类的结果如图3所 8)end for 示，其中X方向带宽b取25像素，Y方向带宽b,取 9)end for 60像素，窗口大小0取20帧，收敛阈值e取1像素。 10)for all CC in currentSet 对比图2与图3可以看出，当前帧中的特征点被聚为 11)if Ncc =0 2类，轨迹聚类利用当前帧特征，点在前后时间窗口内 12) 将特征点类CC标记为独立类 的信息很好地解决了目标存在部分遮挡的问题。 13)end if 2013年5的日里日第9：57 14)end for 4实验结果与分析 实验选取物美超市内的实际监控视频作为数据 集以验证上述算法的有效性，该数据集涵盖超市入 口、生鲜区域、收银台等3种典型场景，视频分辨率 为352像素×288像素。 图3 meanshift轨迹聚类 KLT特征点提取的结果如图1所示，视频中每 Fig.3 Trajectory clustering by meanshift 帧提取的特征，点个数为2000，任意2个特征点之间 图4~7展示了目标运动跟踪部分的最终实验情况。 针对这种情况，对于前一帧中的每一类，运动 跟踪算法在当前帧中选择与之相似度最高的类进行 最优匹配，同时解除其他非最优匹配类与前一帧中该 类的匹配关系。 定义 Ｍ（ＣＣｉ） 表示在前一帧中与当 前帧第 ｉ 类所匹配的类， Ｍ ＬＣｊ ( ) 表示在当前帧中与 前一帧第 ｊ 类所匹配的类，则上述寻找最优匹配类的 过程可用式（１１）所描述，满足式（１１）的 Ｍ ＬＣｊ ( ) 即 为在当前帧中与前一帧第 ｊ 类的最优匹配类。 ∀ＣＣｉ，Ｍ（ＣＣｉ） ＝ ＬＣｊ， ｆ（Ｍ ＬＣｊ ( ) ，ＬＣｊ） ≥ ｆ（ＣＣｉ，ＬＣｊ） （１１） 由于在视频流中的出现新的目标时会使最大相 似度为 ０，同时在上述最优匹配的过程中当前帧内非 最优匹配的类没有完成匹配。 在这种情况时，运动跟 踪匹配算法将该特征点类标记为独立类。 至此，当前 帧中的所有的类完成了与前一帧的匹配过程，将该匹 配算法连续运用到每一帧中即可实现完整的目标运 动跟踪。 运动跟踪匹配算法的整体结构如算法 ３。 算法 ３ 运动跟踪匹配算法 符号： Ｎ ＝ Ｎ１ ，Ｎ２ ，…，Ｎｎ { } ， Ｎｉ ：特征点类 ｉ 中被匹配的特征点个数。 输入 上一帧特征点类集合 ｌａｓｔＳｅｔ，当前帧特 征点类集合 ｃｕｒｒｅｎｔＳｅｔ，最小公共系数 α ； 输出 当前帧聚类集合 ｃｕｒｒｅｎｔＳｅｔ。 １）初始化 Ｎｉ 为 ０ ２）ｆｏｒ ａｌｌ ＣＣ ｉｎ ｃｕｒｒｅｎｔＳｅｔ ３） ｆｏｒ ａｌｌ ＬＣ ｉｎ ｌａｓｔＳｅｔ ４） ｎ ← ＣＣ ∩ ＬＣ ５） ｉｆ ｎ ＞ α ＣＣ ａｎｄ ｎ ＞ ＮＬＣ ６） 更新特征点类 ＬＣ 的匹配类为 ＣＣ ７） ｅｎｄ ｉｆ ８） ｅｎｄ ｆｏｒ ９）ｅｎｄ ｆｏｒ １０）ｆｏｒ ａｌｌ ＣＣ ｉｎ ｃｕｒｒｅｎｔＳｅｔ １１） ｉｆ ＮＣＣ ＝ ０ １２） 将特征点类 ＣＣ 标记为独立类 １３） ｅｎｄ ｉｆ １４）ｅｎｄ ｆｏｒ ４ 实验结果与分析 实验选取物美超市内的实际监控视频作为数据 集以验证上述算法的有效性，该数据集涵盖超市入 口、生鲜区域、收银台等 ３ 种典型场景，视频分辨率 为 ３５２ 像素×２８８ 像素。 ＫＬＴ 特征点提取的结果如图 １ 所示，视频中每 帧提取的特征点个数为 ２ ０００，任意 ２ 个特征点之间 的最小距离为 ５ 像素。 从图 １ 中可以看出，特征点 不仅分布在运动的顾客身上，也广泛的分布于纹理 特征较为明显的背景之中。 图 １ ＫＬＴ 特征点提取 Ｆｉｇ．１ Ｄｅｔｅｃｔｉｎｇ ＫＬＴ ｆｅａｔｕｒｅ ｐｏｉｎｔｓ 经轨迹预处理之后的特征点分布情况如图 ２ 所 示，其中滤除背景点算法中最大连续静止帧数 ｓ 取 ５ 帧，滤除短时点算法中权重系数 λ 取 ０．３，特征点在 连续 ２ 帧间最大移动距离 φ 取 ５ 像素。 从图 ２ 可以 看出，经过预处理，在 ＫＬＴ 特征点提取阶段出现的 背景特征点与短时特征点被很好的滤除，视频帧中 特征点集中在运动目标身上，为下一步 ｍｅａｎｓｈｉｆｔ 轨 迹聚类提供了有效、稳定的运动轨迹。 图 ２ 特征点轨迹预处理 Ｆｉｇ．２ Ｐｒｅｐｒｏｃｅｓｓｉｎｇ ｔｒａｊｅｃｔｏｒｉｅｓ ｏｆ ｆｅａｔｕｒｅ ｐｏｉｎｔｓ 采用 ｍｅａｎｓｈｉｆｔ 进行轨迹聚类的结果如图 ３ 所 示，其中 Ｘ 方向带宽 ｂｘ 取 ２５ 像素， Ｙ 方向带宽 ｂｙ 取 ６０ 像素，窗口大小 ｗ 取 ２０ 帧，收敛阈值 ｅ 取 １ 像素。 对比图 ２ 与图 ３ 可以看出，当前帧中的特征点被聚为 ２ 类，轨迹聚类利用当前帧特征点在前后时间窗口内 的信息很好地解决了目标存在部分遮挡的问题。 图 ３ ｍｅａｎｓｈｉｆｔ 轨迹聚类 Ｆｉｇ．３ Ｔｒａｊｅｃｔｏｒｙ ｃｌｕｓｔｅｒｉｎｇ ｂｙ ｍｅａｎｓｈｉｆｔ 图 ４ ～ ７ 展示了目标运动跟踪部分的最终实验 ·１９０· 智 能 系 统 学 报 第 １０ 卷