1 城市智能軌道交通中的視覺跟蹤問題
視覺跟蹤技術(shù)在城市軌道交通的智能視頻監(jiān)控中起到重要作用。城市軌道交通的監(jiān)控環(huán)境比較復(fù)雜：區(qū)域較大，周界廣泛；擁有多個(gè)站臺(tái)，大量的出入口、圍欄及相關(guān)設(shè)施，而且人/車流量大。這種復(fù)雜的環(huán)境給智能視頻分析帶來了諸多困難。其中應(yīng)用于城市軌道交通的跟蹤技術(shù)仍存在以下問題：
1) 復(fù)雜的背景變化。光照變化引起背景改變，可能造成虛假檢測(cè)與錯(cuò)誤跟蹤。
2) 遮擋問題。運(yùn)動(dòng)目標(biāo)被部分或*遮擋時(shí)，目標(biāo)因部分不可見而造成信息缺失，影響跟蹤的穩(wěn)定性。
3) 有效性問題。由于運(yùn)動(dòng)目標(biāo)一般都是時(shí)變的，如何獲取和應(yīng)用的目標(biāo)特征信息是保持跟蹤有效的關(guān)鍵。
4) 兼顧實(shí)時(shí)性與魯棒性。既要減少算法的計(jì)算量以保證實(shí)時(shí)性，又要增強(qiáng)算法對(duì)復(fù)雜情況的適應(yīng)性，而這又以復(fù)雜的運(yùn)算為代價(jià)。
TLD視覺跟蹤技術(shù)作為當(dāng)今流行的技術(shù)，兼顧以上提到的所有問題。它采用跟蹤和檢測(cè)同步機(jī)制，并共同支持在線學(xué)習(xí)過程，在線學(xué)習(xí)所得的結(jié)果又反饋于跟蹤和檢測(cè)，zui終的目標(biāo)定位由跟蹤和檢測(cè)協(xié)同決定。TLD視覺跟蹤技術(shù)聯(lián)合跟蹤、學(xué)習(xí)和檢測(cè)于一體，兼顧了跟蹤的性和實(shí)時(shí)性。它將成為解決城市軌道交通中跟蹤問題的一種新方法。
2 TLD跟蹤技術(shù)的引入
視覺跟蹤技術(shù)一直是人們研究的一個(gè)熱點(diǎn)，它在視頻智能監(jiān)控領(lǐng)域有著重要的地位。目標(biāo)跟蹤一般以運(yùn)動(dòng)檢測(cè)為基礎(chǔ)，它不僅提供被監(jiān)視目標(biāo)的運(yùn)動(dòng)軌跡，而且也為場(chǎng)景分析和高層的異常行為識(shí)別提供了可靠的數(shù)據(jù)來源。
目前，已經(jīng)出現(xiàn)了多種不同的目標(biāo)跟蹤算法。TLD是一種新興且有效的跟蹤技術(shù)，它是由英國薩里大學(xué)的捷克學(xué)生Zdenek Kalal開發(fā)的一個(gè)定位系統(tǒng)。Zdenek Kalal通過視頻演示了該系統(tǒng)的功能，這些視頻在互聯(lián)網(wǎng)上已廣為傳播。這個(gè)系統(tǒng)幾乎可以跟蹤鏡頭里的任何物體，只要你能看見它，并把它選中。視頻中Zdenek Kalal演示了對(duì)手指、面孔、筆尖及高速行駛的轎車等目標(biāo)的跟蹤，跟蹤靈敏，且定位準(zhǔn)確，即使目標(biāo)被遮擋或短暫消失，當(dāng)其再次出現(xiàn)時(shí)，也會(huì)很快捕捉到。網(wǎng)絡(luò)上人們給予這套系統(tǒng)很高的評(píng)價(jià)，有人說它可以和微軟的Kinect相媲美。
TLD跟蹤系統(tǒng)zui大的特點(diǎn)就在于能對(duì)鎖定的目標(biāo)進(jìn)行不斷地學(xué)習(xí)，以獲取目標(biāo)的外觀特征，從而及時(shí)完善跟蹤，達(dá)到*的狀態(tài)。也就是說，開始時(shí)只提供一幀靜止的目標(biāo)圖像，但隨著目標(biāo)的不斷運(yùn)動(dòng)，系統(tǒng)能持續(xù)不斷地進(jìn)行探測(cè)，獲知目標(biāo)在角度、距離、景深等方面的改變，并實(shí)時(shí)識(shí)別，經(jīng)過一段時(shí)間的學(xué)習(xí)之后，目標(biāo)就再也無法躲過。TLD的這一特點(diǎn)也是勝于傳統(tǒng)跟蹤系統(tǒng)的巨大優(yōu)勢(shì)。
3 TLD跟蹤技術(shù)解析
“跟蹤-學(xué)習(xí)-檢測(cè)”（Tracking-Learning-Detection）的縮寫。顧名思義，TLD技術(shù)有三部分組成，即跟蹤器、學(xué)習(xí)過程和檢測(cè)器。TLD技術(shù)采用跟蹤和檢測(cè)相結(jié)合的策略，是一種自適應(yīng)的、可靠的跟蹤技術(shù)。TLD技術(shù)中，跟蹤器和檢測(cè)器并行運(yùn)行，二者所產(chǎn)生的結(jié)果都參與學(xué)習(xí)過程，學(xué)習(xí)后的模型又反作用于跟蹤器和檢測(cè)器，對(duì)其進(jìn)行實(shí)時(shí)更新，從而保證了即使在目標(biāo)外觀發(fā)生改變的情況下，也能夠被持續(xù)跟蹤。TLD的工作框架如圖1。我們將分述TLD的三個(gè)組成部分。TLD是
圖1 TLD的整體工作框架
（此圖來自Zdenek Kalal的文章簡(jiǎn)介）
1) 跟蹤器
TLD跟蹤器采用重疊塊跟蹤的策略，單塊跟蹤使用Lucas-Kanade光流法。TLD在跟蹤前需要待跟蹤的目標(biāo)，由一個(gè)矩形框標(biāo)出。zui終整體目標(biāo)的運(yùn)動(dòng)取所有局部塊移動(dòng)的中值。這種局部跟蹤策略可以解決局部遮擋問題。
2) 學(xué)習(xí)過程
TLD的學(xué)習(xí)過程是建立在在線模型（online model）基礎(chǔ)上的。在線模型是一個(gè)由大小為15*15的圖像塊的集合。這些圖像塊來自跟蹤器和檢查器所得的結(jié)果。初始的在線模型為起始跟蹤時(shí)的待跟蹤的目標(biāo)圖像。在線模型是一個(gè)動(dòng)態(tài)模型，它隨視頻序列而增長或減小。在線模型的發(fā)展有兩個(gè)事件來驅(qū)動(dòng)，分別為增長事件和修剪事件。由于在實(shí)際中，來自環(huán)境和目標(biāo)本身等多因素的影響，使目標(biāo)的外觀不斷發(fā)生變化，這使得由跟蹤器預(yù)測(cè)產(chǎn)生的目標(biāo)圖像包含更多其他感興趣的因素。如果我們把跟蹤軌跡上所有目標(biāo)圖像看成一個(gè)特征空間，那么隨著視頻序列的推進(jìn)，由跟蹤器所致的特征空間將不斷增大，這就是所說的增長事件。為了防止增長事件帶來的雜質(zhì)（其他非目標(biāo)圖像）影響跟蹤效果，采用了與之相對(duì)的修剪事件來平衡。修剪事件就是用來去除增長事件所致的雜質(zhì)的。由此，兩事件的相互作用促使在線模型一直保持與當(dāng)前跟蹤目標(biāo)一致。
由增長事件帶來的特征空間的擴(kuò)張來自于跟蹤器，即從處于跟蹤軌跡上的目標(biāo)圖像中選擇合適的樣本，并以此來更新在線模型。有三種選擇策略，具體如下：
i. 與起始待跟蹤目標(biāo)圖像相似的圖像塊，均被加入到在線模型。
ii. 如果當(dāng)前幀的跟蹤目標(biāo)圖像與前一幀的相似，則將當(dāng)前的跟蹤結(jié)果圖像加入到在線模型。
iii. 計(jì)算跟蹤軌跡上的目標(biāo)圖像到在線模型間的距離，選擇具有特定模式的目標(biāo)圖像，即起初目標(biāo)圖像與在線模型的距離較小，隨之距離逐漸增大，而后距離又恢復(fù)成較小狀態(tài)。循環(huán)檢驗(yàn)是否存在這種模式，并將該模式內(nèi)的目標(biāo)圖像加入到在線模型。
增長事件的特征選擇方式，保證了在線模型始終緊隨跟蹤目標(biāo)的狀態(tài)，避免因模型更新不實(shí)時(shí)所導(dǎo)致的跟蹤丟失。其中zui后一種選擇策略也是TLD技術(shù)的特色之一，它體現(xiàn)了自適應(yīng)跟蹤的特性。當(dāng)跟蹤發(fā)生漂移時(shí)，跟蹤器會(huì)自動(dòng)適應(yīng)背景，而不會(huì)很突然地轉(zhuǎn)移到跟蹤目標(biāo)上。
修剪事件假設(shè)每幀只有一個(gè)目標(biāo)，當(dāng)跟蹤器和檢測(cè)器都認(rèn)可目標(biāo)位置時(shí)，剩余的檢測(cè)圖像就認(rèn)為是錯(cuò)誤樣本，從在線模型中刪除。
在線模型中的樣本為TLD的學(xué)習(xí)過程提供了素材。另外，TLD在訓(xùn)練生成分類器（隨機(jī)森林）的過程中，采用了兩種約束：P約束和N約束。P約束規(guī)定與跟蹤軌跡上的目標(biāo)圖像距離近的圖像塊為正樣本；反之，為負(fù)樣本，即為N約束。PN約束降低了分類器的錯(cuò)誤率，在一定的范圍內(nèi)，其錯(cuò)誤率趨近與零。
3) 檢測(cè)器
TLD技術(shù)設(shè)計(jì)了一個(gè)快速、可靠的檢測(cè)器，它為跟蹤器提供了必要的支持。當(dāng)跟蹤器所得的結(jié)果失效時(shí)，需要用檢測(cè)器的結(jié)果來補(bǔ)充糾正，并且對(duì)跟蹤器重新初始化。具體做法是：
i. 對(duì)于每幀同時(shí)運(yùn)行跟蹤器、檢測(cè)器，跟蹤器預(yù)測(cè)出一個(gè)目標(biāo)位置信息，而檢測(cè)器則可能檢出多幅圖像；
ii. 決定目標(biāo)的zui終位置時(shí)，優(yōu)先考慮跟蹤器所得的結(jié)果，即如果跟蹤到的圖像與zui初的目標(biāo)圖像相似度大于某閾值，就接受該跟蹤結(jié)果；否則，將從檢測(cè)器的結(jié)果中，選用與zui初目標(biāo)相似度zui大的圖像作為跟蹤結(jié)果；
iii. 若為第二步驟中的后者，則此時(shí)更新跟蹤器的zui初目標(biāo)模型，用現(xiàn)選用的跟蹤結(jié)果替換原有的目標(biāo)模型，同時(shí)，刪除以前模型中的樣本，以新的樣本重新開始。
檢測(cè)器是由在線模型中的樣本經(jīng)訓(xùn)練學(xué)習(xí)生成的隨機(jī)森林分類器。其選取的特征為區(qū)域的邊緣方向，稱之為2bitBP特征，它具有不受光線干擾的特性。特征通過量化，共有4種可能的編碼。對(duì)于給定的區(qū)域，其特征編碼是*的。多尺度的特征計(jì)算可以采用積分圖像的方法。圖2是特征獲取的示意圖。
圖2 TLD中的特征獲取
（此圖來自Zdenek Kalal的文章）
將每一個(gè)圖形塊都用眾多的2bitBP特征來表示，并把這些特征分成同大小的不同的組，每一組代表了圖像塊外觀的不同表示。用于檢測(cè)的分類器采用隨機(jī)森林的形式。隨機(jī)森林由樹組成，而每棵樹是由一個(gè)特征組構(gòu)造而成。樹的每個(gè)特征都作為一個(gè)決策結(jié)點(diǎn)。
隨機(jī)森林通過增長事件和修剪事件完成在線更新和演化。開始時(shí)，每棵樹由zui初目標(biāo)模板的特征組構(gòu)建，都只有一個(gè)“枝”。隨著增長事件對(duì)正樣本的選取，隨機(jī)森林也不斷加入新的“枝”；修剪事件則相反，它會(huì)去掉隨機(jī)森林中不用的“枝”。這種實(shí)時(shí)的檢測(cè)器采用掃描窗口的策略：按照位置和尺度掃描輸入幀，對(duì)每個(gè)子窗口應(yīng)用分類器判斷是否屬于目標(biāo)圖像。TLD技術(shù)巧妙的把跟蹤器、檢測(cè)器和學(xué)習(xí)過程結(jié)合在一起，共同實(shí)現(xiàn)目標(biāo)的跟蹤。
4 TLD跟蹤技術(shù)的性能
基于上小節(jié)的設(shè)計(jì)思想，TLD系統(tǒng)表現(xiàn)出的性能。TLD的設(shè)計(jì)者選擇多個(gè)視頻序列對(duì)其性能進(jìn)行了測(cè)試。視頻序列的場(chǎng)景包括室內(nèi)、大廳、戶外等，所要跟蹤的對(duì)象有人、動(dòng)物、車輛和任何的小物體，更為重要的是，這些視頻序列都包含了傳統(tǒng)跟蹤算法所不能及的挑戰(zhàn)性因素。具體的測(cè)試簡(jiǎn)要介紹如下：
1) 毛絨玩具的跟蹤（由人拿著），視頻序列中涉及的困難因素有：物體緩慢運(yùn)動(dòng)；光線變化；物體形態(tài)改變。
2) 人臉的跟蹤。視頻序列是一個(gè)多人反復(fù)交錯(cuò)運(yùn)動(dòng)的室內(nèi)場(chǎng)景，被跟蹤的人臉存在部分遮擋。
3) 商場(chǎng)中行人的跟蹤。其中行人間的行走存在全部遮擋。
4) 高速行駛的汽車的跟蹤。展示了高速路上汽車由近到遠(yuǎn)的行駛過程，其中包括物體的快速移動(dòng)；遮擋；消失；尺度變化；小物體跟蹤。
上述只是TLD測(cè)試的一部分，在其上列舉的環(huán)境中，TLD都達(dá)到準(zhǔn)確跟蹤。TLD在應(yīng)對(duì)光線變化、遮擋至消失、目標(biāo)形態(tài)、尺度及運(yùn)動(dòng)變化等，具有很好的適應(yīng)性。TLD發(fā)展了傳統(tǒng)跟蹤算法，是一種實(shí)時(shí)性、有效性兼?zhèn)涞男路椒ā?/span>
5 TLD跟蹤技術(shù)在城市智能軌道交通中的應(yīng)用前景
隨著公共交通事業(yè)的快速發(fā)展，軌道交通出行已經(jīng)成為人們方便快捷出行的*選擇。為了加強(qiáng)軌道交通的公共安全，相關(guān)部門引入智能視頻監(jiān)控。通過應(yīng)用智能視頻分析，可以實(shí)現(xiàn)對(duì)軌道交通的主動(dòng)、實(shí)時(shí)監(jiān)控，及時(shí)有效避免或處理有威脅或突發(fā)性的事件。軌道交通作為一個(gè)主要交通樞紐的公共場(chǎng)所，地域較大，人流集中，需要對(duì)其進(jìn)行監(jiān)控的場(chǎng)景點(diǎn)較多，主要包括以下幾個(gè)方面。
l 周界監(jiān)控
軌道交通的周界防范主要用于軌道附近的圍界，用以監(jiān)控是否有物體靠近或進(jìn)入，一旦在設(shè)置范圍內(nèi)發(fā)現(xiàn)移動(dòng)物體將觸發(fā)警報(bào)。另外，由于軌道交通的樞紐站臺(tái)通常都很大，系統(tǒng)應(yīng)根據(jù)具體情況把控制邊界劃分成若干小區(qū)域，以細(xì)化對(duì)邊界的控制管理，提高報(bào)警的度。
l 軌道監(jiān)控
軌道是軌道交通的重要通道，通常會(huì)擁有多條軌道并伴隨之間的交叉穿越。
因此，對(duì)軌道和其兩邊設(shè)置的安全緩沖帶，根據(jù)安全級(jí)別不同，劃分區(qū)域，等級(jí)監(jiān)控，嚴(yán)禁出現(xiàn)物、人員或其他不明物體的進(jìn)入，對(duì)此情況要實(shí)時(shí)報(bào)警。
l 設(shè)施監(jiān)控
軌道交通的配套設(shè)施包括車庫機(jī)車、站內(nèi)閘機(jī)、圍欄、自動(dòng)售票機(jī)、消防器具、屏蔽門、服務(wù)臺(tái)等。設(shè)施的安全是保證軌道交通安全運(yùn)行的前提，主要實(shí)行以下監(jiān)控：機(jī)車在空閑時(shí)段嚴(yán)禁有人或不明物體接近，防止對(duì)機(jī)車進(jìn)行破壞行為；對(duì)于各種輔助設(shè)備，嚴(yán)防盜竊和破壞行為；對(duì)于工作區(qū)的誤入、防盜、遺漏和人為損壞也是軌道交通監(jiān)控的重要環(huán)節(jié)。
l 乘客活動(dòng)區(qū)
乘客活動(dòng)區(qū)域主要包括站臺(tái)、通道出入口和其他人流頻繁區(qū)域。需要重點(diǎn)監(jiān)控是否有人物品；在特定區(qū)域是否有徘徊、尾隨等可疑行為；通道出入口的人流控制等。
從上述可見，智能視頻監(jiān)控在交通軌道上的應(yīng)用十分廣泛。而且，實(shí)現(xiàn)智能視頻監(jiān)控的分析過程都有相同的處理流程，即通過對(duì)監(jiān)控視頻圖像的實(shí)時(shí)分析來對(duì)動(dòng)態(tài)場(chǎng)景中的目標(biāo)進(jìn)行定位、識(shí)別，然后跟蹤，并分析和判斷目標(biāo)的行為，從而能在異常情況發(fā)生的時(shí)候及時(shí)做出反應(yīng)。跟蹤技術(shù)屬于智能分析過程中的中間環(huán)節(jié)，起到承上啟下的重要作用。實(shí)時(shí)可靠的跟蹤技術(shù)一直是人們所追求的。
一般城市交通軌道的場(chǎng)內(nèi)環(huán)境都十分復(fù)雜，這對(duì)傳統(tǒng)的跟蹤算法是一個(gè)很大的挑戰(zhàn)。TLD技術(shù)在繼承傳統(tǒng)算法思想的同時(shí)，又有新的創(chuàng)新和發(fā)展，以克服傳統(tǒng)算法的不足。TLD跟蹤具有定位準(zhǔn)確性，這是包括城市交通軌道在內(nèi)的所有領(lǐng)域都期望達(dá)到的目標(biāo)。TLD適合于對(duì)人或其它任何事物的跟蹤，即使在缺幀或攝像頭快速運(yùn)動(dòng)的情況下，也同樣可以進(jìn)行長期跟蹤。TLD采用傳統(tǒng)的跟蹤與檢測(cè)相結(jié)合的思想，但不同之處是TLD的檢測(cè)器是一個(gè)實(shí)時(shí)更新的可靠的在線檢測(cè)器。而傳統(tǒng)的檢測(cè)器則是通過預(yù)先離線訓(xùn)練而成，與實(shí)際跟蹤物體相分離，不能為跟蹤提供可靠的觀測(cè)。軌道交通作為安全級(jí)別較高的公共場(chǎng)所，跟蹤的準(zhǔn)確性是需首要滿足的。
其次，TLD具有不受光線干擾的特性。這對(duì)于軌道交通是一個(gè)很大的福音。*，光線變化帶來的環(huán)境改變會(huì)加大進(jìn)行智能視頻分析的難度。地下軌道主要受燈光的影響，光線的強(qiáng)或弱都會(huì)影響實(shí)際的智能分析結(jié)果，而地上軌道受光照的影響較重，比如晴天太陽的普照、雨天的陰暗等，都會(huì)使對(duì)光線敏感的跟蹤算法達(dá)不到應(yīng)有的效果。
第三，TLD具有抗遮擋性。當(dāng)目標(biāo)被半/全遮擋或消失時(shí)，TLD仍然可以做到正確跟蹤。軌道交通環(huán)境中人流量大，各種設(shè)備比較密集，由此造成的遮擋障礙普遍存在。所以，抗遮擋性的跟蹤技術(shù)具有較強(qiáng)的實(shí)用性。zui后，TLD的自適應(yīng)性使得跟蹤可以始終跟隨目標(biāo)的變化。城市軌道交通中大多還是對(duì)人的跟蹤，人屬于非剛體，其形態(tài)時(shí)刻都在變化，TLD能夠做到連續(xù)準(zhǔn)確的跟蹤，不會(huì)因?yàn)槿说霓D(zhuǎn)身、彎腰等動(dòng)作而丟失目標(biāo)。
綜上所述，TLD的諸多技術(shù)優(yōu)勢(shì)可以解決城市軌道交通中的實(shí)際問題。TLD技術(shù)應(yīng)用于城市軌道交通將有一個(gè)明朗的前景。
6 結(jié)論
城市軌道交通作為重要的交通樞紐，要求有別的安全保護(hù)機(jī)制，這就對(duì)智能視頻監(jiān)控提出了更加嚴(yán)格的要求。提高智能視頻監(jiān)控水平的關(guān)鍵在于智能視頻分析技術(shù)的強(qiáng)化和進(jìn)步。跟蹤技術(shù)在智能分析中占據(jù)重要地位，它的優(yōu)劣直接影響整個(gè)監(jiān)控系統(tǒng)的性能。傳統(tǒng)跟蹤技術(shù)在一些難點(diǎn)問題上已經(jīng)存在瓶頸，而新興的TLD跟蹤技術(shù)采用*的設(shè)計(jì)實(shí)現(xiàn)思路，克服已有方法的不足，并且有著的性能表現(xiàn)。TLD跟蹤技術(shù)可以解決城市軌道交通中的實(shí)際問題，它的引入將推動(dòng)整個(gè)智能視頻分析的發(fā)展。
會(huì)員1.png)