曲巨寶

（武夷學院數(shù)學與計算機系,福建武夷山 354300）

運動車輛跟蹤一直是道路交通管理和肇事逃逸追蹤關注的焦點。利用城市道路監(jiān)控攝像機,如何準確而有效地定位視頻序列中待跟蹤車輛目標的位置,一直是計算機圖像處理、視覺計算領域中的一個熱門課題。其中車牌自動識別也是智能交通系統(tǒng)一個重要的部分[1],但其前提是要對視頻圖像進行提取后獲得車牌信息。絕大多數(shù)應用場合中要求目標跟蹤算法對遮擋、光線變化以及目標縮放、旋轉具有魯棒性,且跟蹤算法耗時少,實時性高。目前,常用的MeanShift算法、CamShift算法和粒子濾波被廣泛應用于目標跟蹤領域中。MeanShift以其無需參數(shù)、快速模式匹配的特性而受到廣泛關注。但該算法無法更新跟蹤窗核寬,當目標發(fā)生明顯的尺寸變化時,容易造成目標的丟失[2]。粒子濾波是通過隨機樣本的狀態(tài)和權值來計算后驗概率分布,是一種簡單、有效的由非高斯、非線性的觀測數(shù)據(jù)計算后驗概率的方法。但是計算量較大,尤其是隨著狀態(tài)空間的維數(shù)的增加計算量增加更快[3]。CamShift算法通過H分量方向投影圖中目標區(qū)的一階矩計算獲得目標尺度和跟蹤窗,依靠連續(xù)迭代計算,獲取目標形心位置[4]。該算法可以對人臉等具有特定顏色的目標進行跟蹤,但在復雜背景中、運動目標色彩豐富或者當目標與背景顏色接近時,跟蹤結果往往難以令人滿意。為此,本文在深入研究了CamShift算法之后,提出了基于自適應顏色識別、傾角旋轉、信息識別的改進CamShift算法,以應用于復雜場景情況下車輛目標的精確跟蹤。

1 CamShift算法

CamShift算法是一個基于隨機顏色概率模型的跟蹤算法,它通過聚類的方式搜尋運動目標,而與跟蹤對象的具體模型無關,利用區(qū)域內(nèi)的顏色信息實現(xiàn)快速可變核窗寬跟蹤。它由反向投影、MeanShift算法和CamShift跟蹤三個主要部分構成[5-6]。

1.1 反向投影圖

1.2 CamShift算法

CamShift算法是在顏色概率分布圖中執(zhí)行MeanShift算法,MeanShift算法根據(jù)反向投影和初始搜索窗口位置,利用迭代方法尋求質(zhì)心,當搜索窗口中心的移動小于某個給定值或者函數(shù)已經(jīng)達到最大迭代次數(shù)時,認為收斂條件滿足,停止迭代。設I（x,y）是反向投影圖中（x,y）處的像素值,x和y的變化范圍為搜索窗的范圍。

CamShift算法流程如下:

2 改進CamShift算法

2.1 存在的問題

由于CamShift算法使用單一的HSV顏色模型,很難適應物體大范圍運動或場景背景變化和大幅度光照變化[4];其以HSV模型中H分量作為目標建模特征,當S或者V值較小或者較大時勢必降低灰色、黑色等色調(diào)模糊的目標模型與背景模型的可分度,導致跟蹤失敗[7-8];其次是當目標發(fā)生傾斜、角度變化時無法正確識別目標,當目標被遮擋、瞬間消失等情況發(fā)生時都無法正確跟蹤。如圖1的a列所示。在a1和a2兩圖中目標能被CamShift算法準確跟蹤,在a3和a4兩圖中天空突然變晴朗,亮度增大,可以看到此時的跟蹤已經(jīng)發(fā)生偏離。

2.2 自適應顏色組合識別

圖1 兩種算法實驗結果比較

2.3 車輛傾角識別

當車輛在運動中與攝像機間的視角發(fā)生變化時,其目標圖像內(nèi)的像素組成就發(fā)生了變化,僅靠一階CamShift是無法正確識別目標的,為此進一步利用二階矩陣求取車輛目標傾角和搜索窗[9]構造目標二階矩分別為

2.4 車輛狀態(tài)信息識別

為能更好地預測車輛目標在下一時刻可能出現(xiàn)的位置和運動特性,為運動目標建立狀態(tài)信息模型和加速度位移方程[10]:

其中:α,β是一個介于0≤α,β≤1的常數(shù)。

3 算法實現(xiàn)與效果分析

利用VC6.0及MATLAB7.0為平臺,在P4 3.0GHz 512M的機器上開發(fā)了本算法的實驗系統(tǒng),對各種場景下的車輛視頻序列進行連續(xù)跟蹤實驗。在實驗中,首先利用自適應HSV顏色組合模型對場景中H,S,V三分量進行凸組合建模,通過多目標規(guī)劃法求取最優(yōu)組合系數(shù),實現(xiàn)自適應CamShift跟蹤識別;為確保當車輛發(fā)生旋轉、傾斜時也能夠正確識別,采用二階矩進行傾角預測;通過構造車輛狀態(tài)信息方程,預測車輛在下一時刻可能出現(xiàn)的位置和運動特性,避免因車輛遮擋、瞬間消失、重現(xiàn)時給跟蹤系統(tǒng)帶來的擾動,同時對系統(tǒng)跟蹤效率也有很大提高。其算法實現(xiàn)流程如圖2所示。

圖2 自適應組合CamShift算法流程圖

圖3 深色度車輛超車時兩種算法跟蹤結果比較

為驗證本算法的有效性,對道路上的實際車輛視頻進行了大量的跟蹤測試實驗。圖1是使用本算法前后的實驗結果比對。其中a列圖像是利用傳統(tǒng)CamShift算法進行目標跟蹤的結果,b列是本文算法。盡管在b3和b4兩圖中目標快速地移向攝像機,且天空光照增強,本文算法依然可以很好地跟蹤到目標,而傳統(tǒng)的CamShift算法已經(jīng)丟失了目標。圖3是一輛深色轎車超車過程視頻跟蹤過程。從第1幀標定了該車輛到第53幀,傳統(tǒng)CamShift算法（圖a）都能很好地跟蹤到目標,但當進入到第68幀超車后,由于H分量的作用,使得搜索窗將兩部色度相近的車都框入跟蹤區(qū),到第97幀時已經(jīng)完全失去了目標車輛;圖b是利用本文算法進行的跟蹤。在第68幀時由于運用了車輛狀態(tài)信息識別算法,對車輛質(zhì)心、加速度等信息做了很好的預測,因此保證了跟蹤質(zhì)量和效率。圖4是兩種算法在跟蹤時的車輛質(zhì)心狀態(tài)仿真圖,在第 420幀至 620幀時亮度增大,傳統(tǒng)CamShift算法明顯偏離目標,而本算法卻沒有受到干擾,能夠正常跟蹤。

圖4 車輛質(zhì)心跟蹤仿真圖

4 結論

針對CamShift算法只適于跟蹤H分量等特定顏色目標的不足,本文采用HSV空間的H,S,V三個分量建立目標的三維直方圖,并利用凸函數(shù)和多目標規(guī)劃最優(yōu)求解法獲得自適應顏色識別最佳組合算法,提高了算法適應場景變化的能力。進一步提高車輛目標跟蹤過程的識別率,建立了多變量狀態(tài)模型和旋轉的跟蹤和預測,提高了目標跟蹤的準確性和魯棒性。經(jīng)大量的現(xiàn)場實驗表明,本文算法跟蹤效果好,識別率高,實時性強,易于工程實現(xiàn),有很好的應用前景。

[1]石曉瑛,許智榜.車牌自動識別系統(tǒng)設計與實現(xiàn)[J].華東交通大學學報,2009,26（3）:48-51.

[2]CRISAN D,DOUCET A.A survey of convergence results on particle filtering methods for practitioners[J].IEEETransSpeech and Audio Proc,2002,10（3）:173-185.

[3]李靜,陳兆乾.基于顏色的粒子濾波非剛性目標實時跟蹤算法[J].鄭州大學學報:理學版,2006,38（4）:60-63.

[4]JINMAN K,COHEN I,MEDIONI G.Continuous Tracking within and across Camera Streams[C]//2003 IEEE Computer Society Conference on Computer Vision and Pattern Recognition.2003:267-272.

[5]BOYLE M.The Effects of Capture Conditions on the CAMSHIFT Face Tracker[R].Alberta,Canada:Department of Computer Science,University of Calgary,2001:45-47.

[6]NOUAROULD-DRIS,ALI GANOUN,RAPHAEL CANALS.ImprovedObjectTracking withCamShiftAlgorithm[C]//IEEE International Conference on Acoustics,Speech and Signal Procession,2006:165-167.

[7]NUMMIAR O K,KOLLER-MEIER E,VAN GOOL L.An adaptive color-based particle filter[J].Image and Vision Computing,2003,21（1）:99-110.

[8]COMANICIU D,RAMESH V,MEER P.Kernel based object tracking[J].IEEE Trans Pattern Analysis Machine Intelligence,2003,25（5）:564-575.

[9]ALLEN J G.Object tracking using CamShift algorithm and multiple quantizedfeature space[C]//Proceedingsof 2003 Pan-Sydney Area Workshop onVisual Information Processing.Darlinghurst,Australia:Australian Computer Society,2004:3-7.

[10]COMANICIU D,RAMESH V,Meer P.Kernel-based object tracking[J].PAMI,2003,5:564-577.