CN106169188B - 一种基于蒙特卡洛树搜索的对象跟踪方法 - Google Patents

Abstract

本发明提供了一种基于蒙特卡洛树搜索的对象跟踪方法，属于计算机视觉、图形图像技术领域。首先通过背景建模和前景提取方法，获取视频监控范围内各个车辆的图像区域，通过初始化蒙特卡洛树和预测轨迹的起始节点，并获取一段时间的视频图像，然后通过多次的节点选择、扩展、模拟和相似度计算来生成和评价预测轨迹，并据此更新树节点权重，然后将树中具有最大节点权重和的路径作为目标轨迹，完成对车辆的定位，进而实现车辆跟踪。最后，根据车辆目标跟踪的结果计算车辆目标在该时间段内运动的图像距离，并按照图像距离与实际距离的比例关系计算得到车辆在道路中的实际运动距离，进而得到车辆的行驶速度，完成车辆超速跟踪检测。

Description

一种基于蒙特卡洛树搜索的对象跟踪方法

技术领域：

本发明属于计算机视觉，计算机图形图像技术领域。

背景技术：

视觉对象跟踪是计算机视觉应用中最重要的组成部分之一，这些应用包括智能监控，人机交互，自动控制系统等。对象跟踪的目的是在给定初始对象的位置和尺寸的条件下，自动确定其在接下来的每一帧中的位置和尺寸。尽管有关对象跟踪的研究已开展了几十年，近年来也取得了很多重要的进展，但是由于真实世界的复杂性，例如背景干扰，表观和光照变化，图像低质量，帧跳跃等，使得设计能够达到与人类水平相当的跟踪方法仍然十分困难。一个理想的跟踪方法须同时考虑跟踪的实时性、稳定性和持久性。

目前跟踪方法总体上可分为生成法和判别法两类。生成法将跟踪问题看作是在区域中搜索与跟踪目标最相似的对象，而目标通常通过一个子空间(或者模版序列)中的基向量集合来表达。不同于生成法，判别法将跟踪看作是一个将跟踪目标从背景中区分出来的分类问题。判别法同时利用来自目标和背景的信息，是目前研究对象跟踪的主要方法。在这些方法中， Duffner等提出一种基于像素描述和推广霍夫变换的检测器，并结合基于前景和背景全局模型的概率分割方法，实现快速的对象跟踪。而为了能够进行长时间的对象跟踪，许多研究人员采用自学习的方法，通过利用目标位置附近的正样例和负样例更新模型，该方法能够自适应地调整跟踪系统去适应新的目标表观和背景变化。然而这些方法在更新跟踪系统过程中难以避免不断积累的错误信息，因此容易发生漂移而脱离真实目标对象的位置。为缓解在跟踪过程中在线模型更新所面临的稳定性和灵活性难以兼顾的矛盾，Babenko等采用一种在线多实例学习的方法，该方法将所有不确定的正样例和负样例全部放入袋中学习进而得到一个用于跟踪的判别分类模型。Mahadevan等提出一种生物学启发的判别跟踪方法，该方法包括用于学习的自底向上中心与周围区域的判别显著性和空间注意模型，用于特征选择的特征注意模型，以及用于目标检测的自顶向下显著性模型。Kalal等提出一种通过正样例和负样例在线学习得到分类器的P-N学习方法，该方法将跟踪任务分解为跟踪，学习和检测三个部分。跟踪部分为检测器的更新提供训练样例，而检测器则在跟踪失败时重新初始化跟踪部分，因此跟踪部分和检测器互相支持和促进。这种机制也被称为依赖检测的跟踪，它对于长时间的跟踪任务具有很好的跟踪性能。针对场景的剧烈变化问题，Gall等基于随机森林提出了霍夫森林，并以此通过霍夫变换来检测目标。Zhang等提出利用不同的适应率组合多个分类器并设计了一种熵计算方法融合所有的跟踪结果。Ma等将跟踪任务分解为对目标对象的平移和尺度估计，并采用相关滤波方法提高了跟踪的精确性和稳定性。然而这些方法仍然难以适应更加复杂的跟踪环境，对此对跟踪轨迹进行分析和处理提供了一种可能的解决方法。Lu等和 Supancic等利用动态规划对跟踪轨迹进行评价，包括计算轨迹中每个位置的置信度和连续位置间的时域相关度，然后根据该评价结果修正跟踪轨迹并更新表观模型，从而达到抑制错误传播的目的。Lee等基于多种特征跟踪目标并生成多个跟踪轨迹，然后通过分析这些前向轨迹和对应的后向轨迹计算每个轨迹的可靠度，并从中选择最优的轨迹作为目标轨迹，一定程度上检测和处理了跟踪错误，提高了跟踪的稳定性。

随着人工智能技术的快速发展，蒙特卡洛树搜索(MCTS)作为一种人工智能问题中做出最优决策的方法受到越来越多的关注，如计算机围棋程序AlphaGo。MCTS理论上可以被用在通过模拟进行预测输出结果的任何领域。我们发现，MCTS中的模拟(Simulation)过程与目标轨迹的估计过程非常类似，即MCTS的决策结果可对应于目标轨迹的最优选择。因此，将 MCTS方法与轨迹分析方法相结合，可用以处理视觉目标跟踪问题。

鉴于此，本发明提出一种基于蒙特卡洛树搜索的对象跟踪方法，该方法结合蒙特卡洛树搜索与轨迹分析方法，对目标及其轨迹进行估计和选择，进而实现跟踪。

发明内容：

本发明的目的是提供一种基于蒙特卡洛树搜索的对象跟踪方法，它能有效地解决长时间实时稳定的目标跟踪问题，能够适应更加复杂的跟踪场景。

本发明的目的是通过以下技术方案来实现的：蒙特卡洛树的每个节点对应一个目标位置，树的子节点选择路径则对应了一个跟踪轨迹，该方法通过在一段时间内多次的节点选择、扩展、模拟和相似度计算来生成和评价预测轨迹，然后据此更新树节点权重，最后将树中具有最大节点权重和的路径作为目标轨迹，进而实现跟踪。该方法很大程度上降低了对跟踪先验知识(如场景信息)的要求，可以在基本的目标信息及其相似度计算的基础上进行有效的目标跟踪，同时结合轨迹分析的方法，提高了跟踪的稳定性，能够实现长时间实时稳定的目标跟踪。一种基于蒙特卡洛树搜索的对象跟踪方法包括如下步骤：

步骤一、目标选取：

从初始图像中选择并确定要跟踪的目标对象。目标选取过程通过运动目标检测方法自动提取，或者通过人机交互方法手动指定。

步骤二、初始化：

将当前目标位置作为蒙特卡洛树的根节点，初始时该蒙特卡洛树只有此根节点。然后将蒙特卡洛树的根节点作为当前预测轨迹的起始节点R。

步骤三、图像输入：

在实时处理情况下，提取通过摄像头采集并保存在存储区的视频图像，作为要进行跟踪的输入图像；在离线处理情况下，将已采集的视频文件分解为多个帧组成的图像序列，按照时间顺序，逐个提取帧图像作为输入图像。这里每一次获取并处理H帧图像，即每次确定的目标轨迹长度和每次蒙特卡洛树模拟的深度为H。这里H＝30。如果可获得的输入图像数目不足H，则根据实际获得的图像数目设置H。如果输入图像为空，则跟踪结束。设置迭代次数 N＝1。

步骤四、节点选择：

从起始节点R开始，以其子节点的权重为概率，逐层随机选择子节点，直到树的叶节点 (叶节点为不具有子节点的节点)。第1次迭代时，起始节点即为选择的根节点。设本次迭代选择的叶节点为L，如果L的深度小于H，则跳转到步骤五，否则，迭代次数N加1，并重新进行节点选择。

步骤五、节点扩展：

以叶节点L对应的图像位置为中心，在15×15像素的范围内，为该节点扩展出225-1＝224 个子节点，每个子节点对应该范围内一个不同的位置，且每个子节点的初始权重均为1。然后，以扩展出来的这些子节点权重为概率随机选择1个子节点作为模拟节点S。

步骤六、轨迹模拟：

以模拟节点S为中心，在其15×15像素的搜索范围内随机产生一个预测目标位置，然后再以该预测目标位置为中心，在相同的搜索范围内随机产生一个新的预测目标位置，该过程重复M次，且满足模拟节点S的深度+M＝H。这些连续的预测目标位置分别对应一个与目标大小相同的图像块，它们构成一个预测目标图像块序列A。

步骤七、轨迹评价：

对预测目标图像块序列A中的每个图像块，采用NCC规则化交叉互相关(NCC，Normalized Cross-Correlation)方法计算其与目标图像块的相似度，并计算它们的平均值ω。

步骤八、节点权重更新：

将模拟节点S的权重设置为平均值ω，然后计算叶节点L的所有扩展子节点的权重平均值，并将该值作为L的新权重。如果L有父节点，则按照更新L权重的方法更新其父节点的权重，同理逐层更新树的节点权重直到起始节点R。迭代次数N加1。如果N<K(K＝100)或者树的深度<H，则跳转到步骤四，否则，跳转到步骤九。

步骤九、轨迹选择：

从起始节点R开始选择树中具有最大权重和的节点路径，并将该路径对应的预测轨迹作为目标轨迹，完成该时间段的目标定位。同时把该路径上的最后一个节点，作为新的起始节点R。

步骤十、目标更新：

如果目标轨迹中最后的目标位置对应的图像块与原目标的相似度>δ(δ＝0.8)，则将该图像块作为新的目标表观，完成目标更新，否则，不变。这里相似度计算同样采用NCC规则化交叉互相关方法。跟踪完成，跳转到步骤三。

本发明方法在跟踪过程中，蒙特卡洛树的生长过程也是轨迹的生长过程，该方法通过对该树进行多次的节点选择、扩展、模拟和相似度计算来生成和评价预测轨迹，然后根据轨迹的评价结果更新树中节点的权重，而节点权重反应了目标处于该位置的可能性，最后将树中具有最大节点权重和的路径作为目标轨迹，完成该段时间的目标定位，进而实现跟踪。

本发明与现有技术相比的优点和积极效果在于：提出一种基于蒙特卡洛树搜索的对象跟踪方法，该方法结合蒙特卡洛树搜索与轨迹分析方法，对目标及其轨迹进行估计和选择，进而实现跟踪。蒙特卡洛树的每个节点对应一个目标位置，树的子节点选择路径则对应了一个跟踪轨迹，该方法通过在一段时间内多次的节点选择、扩展、模拟和相似度计算来生成和评价预测轨迹，然后据此更新树节点权重，最后将树中具有最大节点权重和的路径作为目标轨迹，进而实现跟踪。该方法很大程度上降低了对跟踪先验知识(如场景信息)的要求，可以在基本的目标信息及其相似度计算的基础上进行有效的目标跟踪，同时结合轨迹分析的方法，提高了跟踪的稳定性，能够实现长时间实时稳定的目标跟踪。

附图说明：

图1为本发明的跟踪方法流程图

实施例：

以高速公路视频监控车辆超速检测为例，可以采用本发明提出的跟踪方法实现。具体来说，首先通过目前已广泛使用的背景建模和前景提取方法，获取视频监控范围内各个车辆的图像区域，然后将这些图像区域作为目标进行跟踪。对每一个这样的车辆目标，按照本发明方法，首先初始化蒙特卡洛树和预测轨迹的起始节点，并获取一段时间的视频图像，然后通过多次的节点选择、扩展、模拟和相似度计算来生成和评价预测轨迹，并据此更新树节点权重，然后将树中具有最大节点权重和的路径作为目标轨迹，完成对车辆的定位，进而实现车辆跟踪。最后，根据车辆目标跟踪的结果计算车辆目标在该时间段内运动的图像距离，并按照图像距离与实际距离的比例关系计算得到车辆在道路中的实际运动距离，进而得到车辆的行驶速度，如果车辆速度超过了高速公路的限速值，则认为该车辆已超速，完成车辆超速检测。

步骤一、目标选取：

从初始图像中选择并确定要跟踪的目标对象。目标选取过程可以通过运动目标检测方法自动提取，也可以通过人机交互方法手动指定。

步骤二、初始化：

将当前目标位置作为蒙特卡洛树的根节点，初始时该蒙特卡洛树只有此根节点。然后将蒙特卡洛树的根节点作为当前预测轨迹的起始节点R。

步骤三、图像输入：

在实时处理情况下，提取通过摄像头采集并保存在存储区的视频图像，作为要进行跟踪的输入图像；在离线处理情况下，将已采集的视频文件分解为多个帧组成的图像序列，按照时间顺序，逐个提取帧图像作为输入图像。这里每一次获取并处理H帧图像，即每次确定的目标轨迹长度和每次蒙特卡洛树模拟的深度为H。这里H＝30。如果可获得的输入图像数目不足H，则根据实际获得的图像数目设置H。如果输入图像为空，则跟踪结束。设置迭代次数 N＝1。

步骤四、节点选择：

从起始节点R开始，以其子节点的权重为概率，逐层随机选择子节点，直到树的叶节点 (叶节点为不具有子节点的节点)。第1次迭代时，起始节点即为选择的根节点。设本次迭代选择的叶节点为L，如果L的深度小于H，则跳转到步骤五，否则，迭代次数N加1，并重新进行节点选择。

步骤五、节点扩展：

以叶节点L对应的图像位置为中心，在15×15像素的范围内，为该节点扩展出225-1＝224 个子节点，每个子节点对应该范围内一个不同的位置，且每个子节点的初始权重均为1。然后，以扩展出来的这些子节点权重为概率随机选择1个子节点作为模拟节点S。

步骤六、轨迹模拟：

以模拟节点S为中心，在其15×15像素的搜索范围内随机产生一个预测目标位置，然后再以该预测目标位置为中心，在相同的搜索范围内随机产生一个新的预测目标位置，该过程重复M次，且满足模拟节点S的深度+M＝H。这些连续的预测目标位置分别对应一个与目标大小相同的图像块，它们构成一个预测目标图像块序列A。

步骤七、轨迹评价：

对预测目标图像块序列A中的每个图像块，采用NCC规则化交叉互相关(NCC，Normalized Cross-Correlation)方法计算其与目标图像块的相似度，并计算它们的平均值ω。

步骤八、节点权重更新：

将模拟节点S的权重设置为平均值ω，然后计算叶节点L的所有扩展子节点的权重平均值，并将该值作为L的新权重。如果L有父节点，则按照更新L权重的方法更新其父节点的权重，同理逐层更新树的节点权重直到起始节点R。迭代次数N加1。如果N<K(K＝100)或者树的深度<H，则跳转到步骤四，否则，跳转到步骤九。

步骤九、轨迹选择：

从起始节点R开始选择树中具有最大权重和的节点路径，并将该路径对应的预测轨迹作为目标轨迹，完成该时间段的目标定位。同时把该路径上的最后一个节点，作为新的起始节点R。

步骤十、目标更新：

如果目标轨迹中最后的目标位置对应的图像块与原目标的相似度>δ(δ＝0.8)，则将该图像块作为新的目标表观，完成目标更新，否则，不变。这里相似度计算同样采用NCC规则化交叉互相关方法。跟踪完成，跳转到步骤三。

本发明的方法还可用于对象跟踪的其它应用场合，如智能视频分析，人机交互，交通视频监控，无人车辆驾驶，生物群体分析，以及流体表面测速等。

本发明方法可通过任何计算机程序设计语言(如C语言)编程实现，基于本方法的跟踪系统软件可在任何PC或者嵌入式系统中实现实时目标跟踪应用。

Claims (1)

1.一种基于蒙特卡洛树搜索的对象跟踪方法，包括如下步骤：

步骤一、目标选取：

从初始图像中选择并确定要跟踪的目标对象；目标选取过程通过运动目标检测方法自动提取，或者通过人机交互方法手动指定；

步骤二、初始化：

将当前目标位置作为蒙特卡洛树的根节点，初始时该蒙特卡洛树只有此根节点，然后将蒙特卡洛树的根节点作为当前预测轨迹的起始节点R；

步骤三、图像输入：

在实时处理情况下，提取通过摄像头采集并保存在存储区的视频图像，作为要进行跟踪的输入图像；在离线处理情况下，将已采集的视频文件分解为多个帧组成的图像序列，按照时间顺序，逐个提取帧图像作为输入图像；这里每一次获取并处理H帧图像，即每次确定的目标轨迹长度和每次蒙特卡洛树模拟的深度为H；这里H＝30；如果可获得的输入图像数目不足H，则根据实际获得的图像数目设置H；如果输入图像为空，则跟踪结束；设置迭代次数N＝1；

步骤四、节点选择：

从起始节点R开始，以其子节点的权重为概率，逐层随机选择子节点，直到树的叶节点；第1次迭代时，起始节点即为选择的根节点；设本次迭代选择的叶节点为L，如果L的深度小于H，则跳转到步骤五，否则，迭代次数N加1，并重新进行节点选择；

步骤五、节点扩展：

以叶节点L对应的图像位置为中心，在15×15像素的范围内，为该节点扩展出225-1＝224个子节点，每个子节点对应该范围内一个不同的位置，且每个子节点的初始权重均为1；然后，以扩展出来的这些子节点权重为概率随机选择1个子节点作为模拟节点S；

步骤六、轨迹模拟：

以模拟节点S为中心，在其15×15像素的搜索范围内随机产生一个预测目标位置，然后再以该预测目标位置为中心，在相同的搜索范围内随机产生一个新的预测目标位置，该过程重复M次，且满足模拟节点S的深度+M＝H；这些连续的预测目标位置分别对应一个与目标大小相同的图像块，它们构成一个预测目标图像块序列A；

步骤七、轨迹评价：

对预测目标图像块序列A中的每个图像块，采用NCC规则化交叉互相关方法计算其与目标图像块的相似度，并计算它们的平均值ω；

步骤八、节点权重更新：

将模拟节点S的权重设置为平均值ω，然后计算叶节点L的所有扩展子节点的权重平均值，并将该值作为L的新权重；如果L有父节点，则按照更新L权重的方法更新其父节点的权重；同理，逐层更新树的节点权重直到起始节点R；迭代次数N加1；如果N<K，K＝100或者树的深度<H，则跳转到步骤四，否则，跳转到步骤九；

步骤九、轨迹选择：

从起始节点R开始选择树中具有最大权重和的节点路径，并将该路径对应的预测轨迹作为目标轨迹，完成该时间段的目标定位；同时把该路径上的最后一个节点，作为新的起始节点R；

步骤十、目标更新

如果目标轨迹中最后的目标位置对应的图像块与原目标的相似度>δ，δ＝0.8，则将该图像块作为新的目标表观，完成目标更新，否则，目标不变；这里相似度计算同样采用NCC规则化交叉互相关方法；跟踪完成，跳转到步骤三。