１ 视频目标跟踪系统
视频目标跟踪系统通过摄像头、监控器等视频 监视设备进行目标检测，对得到的数据进行视频图
收稿日期： ２０１８⁃０４⁃０７ 作者简介： 李明东（１９９２⁃） ，男，安徽宿州人，助教，硕士．
像处理，并和数据库中的样本进行数据关联［４⁃６］ ，在 监控过程中对比对的目标进行跟踪并通过数据通 信和传感系统提供给图像采集者使用，视频目标跟 踪系统如图 １ 所示．
２ 多目标检测算法
Ｔ 大于某一设定值 Ｎ 时，判定为新生目标． 在跟踪过程中目标可能因为遮挡而暂时消失，
２．１ 检测过程
也可能在之后的帧序列中不再出现．如果继续跟踪
目标检测过程包括预处理、特征提取和选择、 该目标会导致目标总数只增不减，跟踪混乱．对于
分类器设计和分类决策阶段，过程如图 ２ 所示．由 这种情况， 考虑设置一个计数器统计跟踪过程中
第 ４ 期 李明东：ＨＯＧ 特征多目标跟踪算法研究
·５９·
������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������
第 ２５ 卷 第 ４ 期
２０１８ 年 ８ 月
兰州工业学院学报 Ｊｏｕｒｎａｌ ｏｆ Ｌａｎｚｈｏｕ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ
Ｖｏｌ．２５ Ｎｏ������ ４ Ａｕｇ．２０１８
������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������
于检测图像在尺寸和格式等多方面存在差异，如果 丢失的次数． 某一帧，目标未获取到检测， 用预测
直接处理会带来问题，因此需要将图片帧进行预处 值估计下一帧的位置，同时使该计数器加一，若丢
理．为了区别目的图像和干扰图像，需要通过特征 提取算法对得到的图片进行特征提取，涉及到多个 实例的检测，而每个实例都需要计算特征，因此，特 征的快速计算有利于系统整体速度的提高．
文章编号：１００９－ ２２６９（ ２０１８） ０４－ ００５８－ ０４
ＨＯＧ 特征多目标跟踪算法研究
李明东
ห้องสมุดไป่ตู้
（ 宿州学院 信息工程学院，安徽 宿州 ２３４０００）
摘要：为改善现有多目标跟踪算法中目标持续性及鲁棒实时性要求，提出了一种方向梯度直方图 特征结合支持向量机做目标检测的多目标跟踪算法，算法给出了一种基于 ＨＯＧ 特征的 ＳＶＭ 分 类器目标检测系统，采用目标关联的方式，应用多种特征结合的匹配方式实现多目标跟踪，并使 用 Ｃ＋＋编程语言和开源计算机视觉库实现算法，对视频中的行人进行跟踪．结果表明：算法可以 实现对目标的有效跟踪，并能应对短时间的目标遮挡，为实现目标的行为理解和更高级的视觉任 务奠定基础． 关键词：多目标跟踪；方向梯度直方图；卡尔曼滤波 中图分类号：ＴＰ３９３．２ 文献标志码：Ａ
０ 引言
视频多目标跟踪是计算机视觉领域的一项核 心技术，它是指对图像序列中感兴趣的多个目标进 行检测、提取、识别和跟踪，获取目标运动信息的过 程，为实现目标的行为理解和更高级的视觉任务奠 定基础［１］ ．
视频跟踪的环境通常是较复杂的动态场景，跟 踪的场景可以是室内，也可以是城市街道，还可以 是丛林、雪地等复杂的户外环境［２］ ．针对静态场景， 可以采用背景差分做目标检测，对于动态场景可以 选择光流法或分类器做目标检测［３］ ．但在多目标跟 踪算法中，由于目标场景不一样，跟踪任务要求精 度不一致，对目标持续、鲁棒实时性要求不一致，因 此，在跟踪系统设计过程中，需要依据任务要求和 目标特征采用对应的跟踪方法．本文提出一种基于 ＨＯＧ 特征的 ＳＶＭ 分类器实现多目标跟踪监测．
图 １ 视频目标跟踪系统
目前采用的跟踪方法包括基于区域的跟踪方 法（ Ｒｅｇｉｏｎ⁃Ｂａｓｅｄ Ｔｒａｃｋｉｎｇ） 、基于特征的分类方法 （ Ｆｅａｔｕｒｅ⁃Ｂａｓｅｄ Ｔｒａｃｋｉｎｇ） 、基于变形模板的分类方 法（ Ｄｅｆｏｒｍａｂｌｅ⁃Ｔｅｍｐｌａｔｅ Ｔｒａｃｋｉｎｇ） 和基于模型的分 类方法（ Ｍｏｄｅｌ⁃Ｂａｓｅｄ Ｔｒａｃｋｉｎｇ） ．按照跟踪方法的设 计可以分为确定性跟踪方法和随机跟踪方法［８］ ．确 定性跟踪方法将跟踪问题归结为代价函数的优化 问题，代表算法有均值漂移算法 （ Ｍｅａｎ Ｓｈｉｆｔ） 和压 缩感知算法（ Ｃｏｍｐｒｅｓｓｉｖｅ Ｔｒａｃｋｉｎｇ） 等，随机跟踪方 法将视觉跟踪问题转化为贝叶斯理论框架下的状 态估计问题，如卡尔曼滤波器 （ Ｋａｌｍａｎ Ｆｉｌｔｅｒ） 和粒 子滤波 （ Ｐａｒｔｉｃｌｅｓ Ｆｉｌｔｅｒ） 等［９］ ．
失次数持续递增超出设定值，则删除该目标；若在 某一帧后，预测位置存在与目标模板匹配的检测， 并能持续跟踪多帧，则判定为重新获取检测，令该 计数器置零．
２．３ 相似度计算
支持向量机（ Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ， ＳＶＭ） 最