累加合成漂移纠正的运动目标检测算法

累加合成漂移纠正的运动目标检测算法
张俊，蒋锐
（九江学院，江西九江332000）
摘要：为了解决目前目标跟踪方法难以克服的模板累积漂移问题，本文在人工免疫AIA 算法的基础
上，提出了一种累加合成漂移纠正的运动目标检测算法。

首先利用反向累加合成算法，反向合成AIA 算法，然后通过在目标跟踪表达式中增加漂移纠正项，同时引入漂移纠正系数对跟踪进行优化处理，以对漂移产生抑制作用。

算法实例仿真结果表明，本文提出的改进算法在运动车辆、人体的目标检测中精度更高。

关键词：运动目标；目标检测；累加合成；漂移纠正；人工免疫算法中图分类号：TP301.6
文献标识码：A
文章编号：1001-7119（2017）11-0158-04
DOI:10.13774/ki.kjtb.2017.11.037
Moving Target Detection Algorithm for Accumulated Synthetic Drift Correction
Zhang Jun ，Jiang Rui
（Jiujiang University ，Jiujiang Jiangxi 332000，China ）
Abstract ：In order to solve the problem of template cumulative drift which is difficult to overcome by the current target tracking method,this paper proposes a motion target detection algorithm based on artificial immune AIA algorithm.Firstly,the AIA algorithm is synthesized by reverse accumulation algorithm,and
then the drift correction term is added to the target tracking expression,and the drift correction coefficient is introduced to optimize the tracking to suppress the drift.The simulation results show that the improved algorithm proposed in this paper is more accurate in the detection of moving vehicle and human body.Keywords ：moving target ；target detection ；cumulative synthesis ；drift correction ；artificial immune
algorithm
收稿日期：2016-12-08
作者简介：张俊（1978-），男，汉族，江西，讲师，本科，研究方向，体育教育，E-mail ：179696712@ 。

智能监控技术是一门综合性的应用技术，要
相对其进行研究，就需要结合多种理论与实践，将多学科进行融合，才能保证学到智能监控技术的技术和理论知识。

但是无论如何，智能监控技术均表现出良好的发展态势，尽快复杂，但是拥有十分广大的应用场景，是一个值得进行深入研究的新型领域[1]。

在最近几年，关于智能监控技术的研究达到了空前的高度，很多专家学者都开始从事相关技术和理论的研究，也取得了阶段性的成果[2]。

虽然有很多关于智能监控技术的报道和研究，但是结合实际的需求，目前的技术研究不具备一定的精准性和实时性，需要进行深层次的研发，保证符合当今时代的需求[3]。

在过去的几年时间里，针对运动目标检测技术，国内外学者进行了深入的研究，也提出了很多比较有效的算法，希望能够对相关项目有所帮助。

University of Reading 通过研究机器的视觉追踪，发现了运动目标的交互作用，也能够通过技术手段予以实现[4]。

戴斌等[5]在特征和微分这两种光流上，结合各自的性能，创造了光流场记计
第33卷第11期2017年11月
科技通报
BULLETIN OF SCIENCE AND TECHNOLOGY
Vol.33No.11Nov.2017
第11期
算方法，该方法可以对匹配技术进行优化，并保证光流可以更加均匀地展现在技术中，进一步加强实时性的检测目标。

孙明玉等[6]针对提取方法进行了改进和创新，通过对目标检测算法进行更改，能够将背景差的问题予以解决。

王琳等[7]对随机变量进行分析，得到不同矩阵之间具有的共性，以此对高阶的随机量进行预估分析，从而检测运动的目标轨迹。

李广等[8]发现任何一个视频中，相邻的两个帧之间都有运动速度差异，通过这一现象，给出全新的运动检测方法，就是保证尺寸不变的前提下，运用K-均值聚类（K-means
algorithm）和特征变换（SIFT）的方法。

高美凤等[9]通过分割图像，发现目标和分块帧两者之间具有数据差，通过融合不同的背景，能够得到一种运动检测算法。

朱映映等[10]在高斯混合模型的基础上，结合学习率这一概念，提出自适应的运动改进算法，原理是没有运动目标和有背景更新的运动目标两者具有不同的学习率。

本文基于人工免疫AIA算法，提出累加合成漂移纠正的运动目标检测算法，通过实验仿真，改进算法具有更加良好的性能。

1累加合成漂移纠正系数
对于任何一个图像序列而言，一旦产生噪声，那么在之后的追踪过程中就会发现，这个误差在逐渐地被累积，直到目标丢失，跟踪失败[11]。

对仿射参数进行最小化处理，能得到向量P，以此求解ΔP，即反向合成仿射图像的配准算法，通过该方法能对P更新。

本文在合成AIA算法的时候，运用了反向累加合成算法，通过结合纠正算法，研发出改进的目标跟踪算法，该算法不仅仅对漂移纠正系数a进行引进，还设定了其范围为0≤a≤1，式（1）为修改之后的表达式：
E=(1-a)E
T+aE D（1）在式（1）中，可以看到算法的核心，包含了目标跟踪项与漂移纠正项，两项分别位于公式的前后两部分。

通过累积合成运算能够实现目标，也能够通过公式对P进行更新，进而得到ΔP。

模板不会一直不变，在反复的迭代过程中，会运用漂移纠正项进行跟踪处理，从而抑制漂移。

任何一次的累加算法，都会伴随着目标跟踪过程的漂移和纠正，但是在运算过程中，发现实际并不是想象这样，需要根据不同的纠正对模板进行选择，类似于相邻帧数的模块问题。

本文加入漂移纠正系数a，最大程度上降低影响因素。

E
T=
∑Xéëêùûú
T
n(X)+∇T næèöø
∂W∂X-1∙∂W∂P∙ΔP-I n(W(X;P))2（2）
E
D=
∑Xéëêùûú
T0(X)+∇T0æèöø∂W∂X-1∙∂W∂P∙ΔP-I n(W(X;P))2（3）在上式（2），（3）中，每个字母都代表着不同的含义，其中，漂移纠正项用E D来代表，主要对不同模板T0(X)、I n(W(X;P))两者之间的差异程度进行反馈，它与初始模板有较大的关联；图像帧数用n来代表；运动目标的跟踪项用E T来代表，其主要是模板和图像变化之后的差异程度，
I
n(W(X;P))代表子图像，T n(X)代表跟踪模板。

通过式（1），可以发现累加以此目标跟踪和漂移纠正，就能够合成精准的图像，此外不需要多操作任何一个步骤，能够改善之前算法的问题，保证系统算法的稳定性。

在运行过程中，算法在开始会进行防范，这也就是累加合成漂移纠正目标跟踪算法的名称由来。

2仿射变换参数优化
对式（1）运用非线性规划的，通过算法合成图像配准的原则，进行迭代操作。

已知的状态时算法中的假定仿射变换参数P，通过迭代求解，能够获得累加的向量，具体通过下式进行推导：E=(1-a)∙∑Xéëêùûú
T
n(X)+∇T n∙æèöø
∂W∂X-1∙∂W∂P∙ΔP-I n(W(X;P))2 +a∙∑XéëêùûúT0(X)+∇T0∙æèöø∂W∂X-1∙∂W∂P∙ΔP-I n(W(X;P))2
（4）在式（4）中有ΔP，对其求导处理，得式（5）；∂E∂ΔP=2(1-a)∙∑Xéëêùûú
∇T n∙æèöø∂W∂X-1∙∂W∂P T
∙é
ë
ê
ù
û
úT
n(X)+∇T n∙æèöø
∂W∂X-1∙∂W∂P∙ΔP-I n(W(X;P)) +2a∙∑Xéëêùûú
∇T0∙æèöø∂W∂X-1∙∂W∂P T
∙é
ë
ê
ù
û
úT0(X)+∇T0∙æèöø∂W∂X-1∙∂W∂P∙ΔP-I n(W(X;P))
（5）
张俊等.累加合成漂移纠正的运动目标检测算法159
第33卷
科技通报在式（5）中，令
∂E ∂ΔP
=0
可得：
ΔP =-H -1
∙(1-a )∙∑X éë
êùûú∇T n ∙æèöø∂W ∂X -1
∙∂W ∂P T
∙éëêùû
ú
T n (X )+∇T n ∙æèöø∂W ∂X -1
∙∂W ∂P ∙ΔP -I n (W (X ;P ))+a ∙∑X éë
êùûú∇T 0∙æèöø∂W ∂X -1
∙∂W ∂P T
∙éëêù
û
ú
T 0(X )+∇T 0∙æèöø∂W ∂X -1
∙∂W ∂P ∙ΔP -I n (W (X ;P ))（6）
在上式的H 代表矩阵Hessian ：
H =(1-a )∙∑X éë
êùûú∇T n ∙æèöø∂W ∂X -1∙∂W ∂P T
éëêùûú∇T n ∙æèöø∂W ∂X -1
∙∂W ∂P +a ∙∑X éë
êùûú∇T 0∙æèöø∂W ∂X -1∙∂W ∂P T
éëêùûú∇T 0∙æèöø∂W ∂X -1
∙∂W ∂P （7）
通过式（7），可以发现当前和初始的模块能够关联与矩阵Hessian ，在计算好目标跟踪前，可以让运行速度有所提升，之后更新P 。

3参数向量的累加更新
3.1
最速下降图像
最速下降图像需要给定一些变量，包括漂移纠正系数a ；当前帧图像I n (X )；当前模板T n ；原始模板T 0，通过以下四个步骤，能够实现具体操作：
第一，对∇T 和∇T 0进行计算，它代表模板的梯度；第二，对∂W /∂P 矩阵进行计算，其位于(X ;0)坐标处；第三，对∇T n ∙æèöø∂W ∂X -1
∙∂W ∂P
以及
∇T 0∙æèöø∂W ∂X -1
∙∂W ∂P 进行计算，能够得到两种模板的
最速下降图像；第四，运用式（7），先求解Hessian 矩阵，之后进行求逆运算。

3.2累积误差
（1）运用W (X ;P )可以在视频帧I n (X )中，对用子图像I (W (X ;P ))进行计算；
（2）对误差图像E T 和E D 进行计算；（3）对累计误差图像进行计算；（4）运用式（6），对P 值进行计算；（5）更新仿射变换的区域。

如果完成最后一个图片的跟踪序列，那么本
算法的一个优势在于不需要进行第二次运算，就能够通过式（8）更替模板：
T n +1=I n (W (X ;P ))（8）
4模型实例仿真
通过对目标的外观变化以及形变等方面进
行多目标的实验过程，目的是对本文所提出的改进算法进行验证。

通过对比传统的人工免疫AIA 算法与累加合成漂移纠正的运动目标检测算法，需要保证外界条件一直，例如实验结果的获得是在2.0GHzPentium-IV ，2048M RAM 电脑端，运用的数据分析软件都是Matlab7.0。

4.1运动车辆检测实验
图1和图2分别表示两种算法的车辆检测效果图，选择的是交通视频这一视频序列。

通过图1和图2，能够得到如下结论：相对比于传统的标准人工免疫AIA 算法，本文所提出的改进算法在车辆检测方面具有更高的精准度。

4.2运动人体检测实验
图3、4分别表示两种算法的人体目标检测效果图，选择的是人行道交通视频这一视频序列。

通过图3和图4，可以得到如下结论：相对比于标准人工免疫AIA 算法，本文所提出的改进算法更适用于人体运动检测，不仅仅具有更小的检测误差，还表现出十分精准的检测度。

通过上述的两个案例，和传统的算法相比，本文所提出的累加合成漂移纠正的运动目标检测算法能够更好地运用于运动中的人体或者车辆，表现出更好的精准性能。

通过运用累加合成仿射配准算法的思想，这些算法均不需要进行再次操作，不需要对结果进行二次认定，可以确保算法能够有更好的效率提升。

5总结
对于计算机视觉而言，最为重要的组成部分
非跟踪技术与运动目标检测莫属，在很多领域都有十分广泛的应用，例如预警导弹、武器智能以及智能安防、交通等等。

虽然在多领域都会应用到追踪技术，但是现如今的检测技术无法保证有
160
第11期
足够的稳定性能和稳定性，对于技术的发展有所限制。

要想保证追踪技术能够更加广泛地运用到各个领域的各个层面之中，就需要改进和创新技术，解决出现的问题，针对企业中的具体应用进行修改。

本文就基于人工免疫AIA 算法，对其进行改进和创新，研发出累加合成漂移纠正的运动目标检测算法，这个算法通过实验仿真，能够得到如下结论：算法能够对模板漂移进行纠正和抑制，确保具有良好的性能。

参考文献：
[1]
Yong Xie.Improved Gaussian Mixture Model in Video Mo⁃tion Detection[J].Journal of Multimedia ，2013，8(5):527-533.
[2]
Huang xinjuan ，Zhou jiemin ，Liu boyang.Moving Objects Detection Approach Based on Adaptive Mixture Gaussian Background Model[J].Journal of Computer applications ，2010，30(1):71-74.
[3]
Kim J ，Wang X F ，Wang H ，et al .Fast Moving Object De⁃tection with Non-Stationary Background[J].Multimedia Tools and Applications ，2013，67(1):311-335.
[4]Jianqin Yin ，Yanbin Han ，Wendi Hou ，et al .Detection of the Mobile Object with Camouflage Color Under Dynamic Background Based on Optical Flow[J].Procedia Engineer⁃
ing ，2011，15:2201-2205
[5]戴斌，方宇强.基于光流技术的运动目标检测和跟踪方法研究[J].科技导报，2009，27(12):55-59.
[6]孙明玉，丁莹.一种自适应阈值的运动目标提取算法[J].计算机应用研究，2010，27(6):2380-2383.
[7]王琳，潘建寿.高阶统计量的背景估计法在运动目标检测中的应用[J].计算机工程与应用，2011，47(6):161-163.[8]李明之，马志强，单勇，等.复杂条件下高斯混合模型的自适应背景更新[J].计算机应用，2011，31(7):1831-1834.[9]李广，冯燕.基于SIFT 特征匹配与K-均值聚类的运动目标检测[J].计算机应用，2012，32(10):2824-2826.[10]高美凤，刘娣.分块帧差和背景差相融合的运动目标检测[J].计算机应用研究，2013，30(1):299-302.[11]
朱映映，朱艳艳.结合运动估计的自适应运动目标检测改进算法[J].小型微型计算机系统，2014，35(1):129-132.
[12]
Ruolin Zhang ，Jian Ding.Object Tracking and Detecting Based on Adaptive Background Subtraction[J].Procedia Engineering ，2012，29:1351-1355.
图1人工免疫算法的运动目标检测结果
Fig.1Artificial immune algorithm 's moving target test results
图2本文算法的运动目标检测结果
Fig.2The algorithm of the moving target detection
results
图3人工免疫算法的运动目标检测结果
Fig.3Artificial immune algorithm 's moving target test results
图4本文算法的运动目标检测结果
Fig.4The algorithm of the moving target detection
results
张俊等.累加合成漂移纠正的运动目标检测算法161。