于金霞，許景民

YU Jinxia,XU Jingmin

河南理工大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，河南 焦作 454003

College of Computer Science and Technology,Henan Polytechnic University,Jiaozuo,Henan 454003,China

1 引言

在復(fù)雜背景下進(jìn)行快速魯棒的目標(biāo)跟蹤一直都是計(jì)算機(jī)視覺(jué)研究領(lǐng)域的熱點(diǎn)問(wèn)題。它的主要任務(wù)是從圖像序列中精確地定位目標(biāo)的位置、速度和姿態(tài)等信息[1]，可廣泛用于軍事和民用領(lǐng)域。目前已有很多學(xué)者在這方面進(jìn)行了大量的研究，提出了很多有效的方法，形成了以均值漂移算法[2]為代表的確定性跟蹤方法和以粒子濾波[3]為代表的概率性跟蹤方法。確定性跟蹤方法的優(yōu)勢(shì)是實(shí)時(shí)性較好，但這類方法的魯棒性較差，在復(fù)雜背景或存在遮擋情況下的跟蹤效果并不理想。概率性跟蹤方法的優(yōu)勢(shì)是具有較強(qiáng)的抗遮擋和背景干擾能力，但這類算法的計(jì)算量較大，實(shí)時(shí)性有待改進(jìn)。

近年來(lái)在國(guó)內(nèi)外的研究中，為了同時(shí)提高跟蹤的實(shí)時(shí)性和魯棒性，特征或算法的融合已成為一種必然的趨勢(shì)。有學(xué)者在粒子濾波框架下融合目標(biāo)的顏色信息、運(yùn)動(dòng)信息和邊緣信息等特征[4-6]，很大程度上提高了算法的魯棒性，但是由于需要的粒子數(shù)仍然較多，所以這些算法的實(shí)時(shí)性都不高。有學(xué)者將粒子濾波和均值漂移算法結(jié)合起來(lái)[7]，并通過(guò)聚類算法減少參與均值漂移迭代的粒子數(shù)來(lái)提高算法的實(shí)時(shí)性，但是由于只使用顏色這一個(gè)特征來(lái)表示目標(biāo)，算法的魯棒性不高。提高目標(biāo)跟蹤魯棒性的關(guān)鍵在于對(duì)目標(biāo)特征的選擇和度量圖像序列中相鄰兩幀間目標(biāo)相似性的方法[8]，而為了提高目標(biāo)跟蹤的實(shí)時(shí)性，就必須降低在跟蹤過(guò)程中所使用的粒子數(shù)目，提高粒子的有效性。實(shí)際上，當(dāng)目標(biāo)在運(yùn)動(dòng)過(guò)程中受到周圍環(huán)境干擾較小時(shí)，使用少量粒子就可以達(dá)到穩(wěn)定跟蹤的目的，當(dāng)目標(biāo)在運(yùn)動(dòng)過(guò)程中受到周圍環(huán)境干擾較大或存在遮擋的情況下，可以分配較多的粒子來(lái)增大粒子的多樣性以保證穩(wěn)定跟蹤。為此本文在文獻(xiàn)[9]提出的跟蹤算法基礎(chǔ)上，根據(jù)跟蹤預(yù)測(cè)的準(zhǔn)確程度自適應(yīng)調(diào)整采樣粒子數(shù)，從而可以在保障跟蹤魯棒性的前提下，通過(guò)整體上降低跟蹤目標(biāo)所需的粒子數(shù)目，達(dá)到提高算法實(shí)時(shí)性的目的。

2 目標(biāo)跟蹤模型

本文采用一階動(dòng)態(tài)模型來(lái)描述目標(biāo)的運(yùn)動(dòng)規(guī)律，目標(biāo)的狀態(tài)(Sk)及其隨時(shí)間的變化過(guò)程可以描述為：

其中，(x，y)表示目標(biāo)的中心坐標(biāo)；Hx和Hy分別表示目標(biāo)區(qū)域的長(zhǎng)半軸和短半軸；x′和 y′分別表示目標(biāo)中心在圖像中X和Y方向的速度；α表示目標(biāo)區(qū)域的縮放變化；A表示狀態(tài)轉(zhuǎn)移矩陣；wk-1是一個(gè)多變量的高斯白噪聲。

2.1 目標(biāo)顏色特征的提取

顏色特征由于具有對(duì)目標(biāo)的旋轉(zhuǎn)及姿態(tài)變化不敏感性的優(yōu)點(diǎn)，經(jīng)常被用于對(duì)目標(biāo)的跟蹤。本文采用基于HSV顏色空間的加權(quán)顏色直方圖表示以y為中心點(diǎn)的目標(biāo)顏色分布

采用Bhattacharyya系數(shù)來(lái)描述目標(biāo)特征 py和候選區(qū)域qy之間的相似性。

2.2 目標(biāo)結(jié)構(gòu)特征的提取

除了顏色這一特征外，在度量相鄰兩幀圖像間目標(biāo)相似性的時(shí)候還可以選擇其他的特征，如紋理、方向梯度直方圖等。目前一種新的評(píng)價(jià)方法是通過(guò)比較對(duì)比度、亮度和結(jié)構(gòu)相似性三個(gè)參數(shù)來(lái)衡量圖像之間的差異，這種方法易于實(shí)現(xiàn)且計(jì)算量較小。本文就是使用這種方法在灰度圖像的基礎(chǔ)上建立目標(biāo)的結(jié)構(gòu)模型。兩幅大小一致的圖像x和 y的結(jié)構(gòu)相似性S(x，y)定義為：

其中，μ表示灰度圖像的均值，σ表示灰度圖像的方差，σxy表示這兩幅灰度圖像的協(xié)方差。

2.3 粒子權(quán)值的計(jì)算

每個(gè)粒子經(jīng)過(guò)狀態(tài)方程進(jìn)行傳遞后，就表示目標(biāo)在下一時(shí)刻的可能的狀態(tài)，其與目標(biāo)真實(shí)狀態(tài)的相似度也即粒子的觀測(cè)概率為：

其中，αk和βk為顏色和結(jié)構(gòu)這兩種相似性的融合系數(shù)，這兩個(gè)融合系數(shù)在跟蹤的過(guò)程中會(huì)進(jìn)行自適應(yīng)的調(diào)整。在當(dāng)前預(yù)測(cè)的位置處，分別計(jì)算顏色相似性ρ′y(p，q)和結(jié)構(gòu)相似性S′(x，y)，哪個(gè)相似性越大，就說(shuō)明當(dāng)前該特征越可靠，應(yīng)該賦予較大的系數(shù)。

2.4 粒子數(shù)量的自適應(yīng)選擇

當(dāng)目標(biāo)在劇烈運(yùn)動(dòng)或存在遮擋的情況下，需要使用較多的粒子以增加粒子的多樣性，從而可以盡可能地覆蓋目標(biāo)的真實(shí)狀態(tài)。當(dāng)目標(biāo)所處的背景比較簡(jiǎn)單時(shí)，采用較少的粒子數(shù)即可保證穩(wěn)定的跟蹤。當(dāng)前時(shí)刻采樣粒子數(shù)量的計(jì)算依據(jù)是，若上一時(shí)刻目標(biāo)預(yù)測(cè)比較準(zhǔn)確，則說(shuō)明粒子的有效性越好，可以適當(dāng)減少粒子數(shù)。反之，則表明當(dāng)前粒子的有效性較低，這有可能是由于目標(biāo)的運(yùn)動(dòng)狀態(tài)有明顯的變化或發(fā)生了遮擋等情況，此時(shí)應(yīng)當(dāng)增加采樣粒子數(shù)，以包含目標(biāo)的真實(shí)狀態(tài)。

其中，Nt表示當(dāng)前幀的采樣粒子數(shù)；Nmin和Nmax分別表示粒子數(shù)的上限和下限；pe表示前一幀目標(biāo)預(yù)測(cè)狀態(tài)與真實(shí)目標(biāo)狀態(tài)的相似度；系數(shù)a，b的選擇應(yīng)使得粒子數(shù)位于合理的范圍內(nèi)，大量實(shí)驗(yàn)表明，取參數(shù)a=300，b=3使得Nt位于[60，150]的范圍內(nèi)，此范圍可以保證粒子群的質(zhì)量和跟蹤的實(shí)時(shí)性。

3 算法流程

本文采用基于多特征融合的自適應(yīng)性粒子濾波跟蹤算法，以實(shí)現(xiàn)在復(fù)雜環(huán)境下對(duì)目標(biāo)進(jìn)行快速魯棒的跟蹤。算法的具體步驟如下：

步驟1初始化：粒子數(shù)的初始值設(shè)定為N0；在初始幀中手動(dòng)選擇目標(biāo)區(qū)域；通過(guò)式（3）建立目標(biāo)的顏色模型；在選定的目標(biāo)區(qū)域中，以目標(biāo)中心為坐標(biāo)原點(diǎn)按照高斯分布隨機(jī)采樣，并賦予每個(gè)樣本相同的權(quán)值，記為：

步驟4重采樣：隨著預(yù)測(cè)時(shí)間的推移，粒子有可能出現(xiàn)蛻化的現(xiàn)象。粒子的蛻化程度可以表示為Eff=，Eff越小，粒子蛻化就越嚴(yán)重，當(dāng)Eff小于設(shè)定的閾值時(shí)，就進(jìn)行重采樣。

步驟5融合系數(shù)更新：根據(jù)式（8）和式（9）調(diào)整在預(yù)測(cè)t+1時(shí)刻目標(biāo)狀態(tài)時(shí)，顏色和結(jié)構(gòu)這兩種特征的融合系數(shù)。

步驟6粒子集更新：根據(jù)式（10）調(diào)整在預(yù)測(cè)t+1時(shí)刻目標(biāo)狀態(tài)時(shí)的粒子數(shù)Nt+1，從步驟2所得到的粒子集中復(fù)制出N個(gè)粒子。t+1

步驟7置t=t+1，轉(zhuǎn)到步驟2。

4 實(shí)驗(yàn)結(jié)果及分析

為了驗(yàn)證本文所提算法的有效性，對(duì)該算法在Matlab環(huán)境下進(jìn)行仿真實(shí)現(xiàn)。分別設(shè)計(jì)了針對(duì)汽車和飛機(jī)模型的跟蹤實(shí)驗(yàn)，其中初始粒子的數(shù)目設(shè)為100，顏色和結(jié)構(gòu)兩種特征的融合系數(shù)初始都為0.5，加權(quán)顏色直方圖由8×8×2個(gè)條柱組成，以粒子位置為中心點(diǎn)的寬為20個(gè)像素的正方形區(qū)域建立結(jié)構(gòu)模型。

圖1給出了本文算法和單純使用顏色這一特征對(duì)汽車進(jìn)行跟蹤的結(jié)果，圖1（a）為單純采用顏色跟蹤所達(dá)到的效果，圖1（b）為本文算法所達(dá)到的效果，其中，綠色的橢圓形框表示算法輸出的目標(biāo)位置。從圖中可以看出，在跟蹤的過(guò)程中，單純使用顏色的跟蹤算法，橢圓形框一直都在目標(biāo)中心擺動(dòng)，到第120幀時(shí)，橢圓形框已經(jīng)發(fā)生了漂移，而到第180幀時(shí)，漂移現(xiàn)象更嚴(yán)重。本文的算法由于利用了目標(biāo)的顏色和結(jié)構(gòu)特征融合來(lái)進(jìn)行跟蹤，兩者互為補(bǔ)充，一直能夠穩(wěn)定地跟蹤目標(biāo)。

圖1 汽車的跟蹤實(shí)驗(yàn)

圖2給出了文獻(xiàn)[9]算法和本文算法在對(duì)飛機(jī)模型進(jìn)行跟蹤的結(jié)果，圖2（a）為文獻(xiàn)[9]算法的跟蹤結(jié)果，圖2（b）為本文算法的跟蹤結(jié)果，其中，綠色的橢圓形框表示算法輸出的目標(biāo)位置。從圖中可以看出，本文算法和文獻(xiàn)[9]算法均能夠穩(wěn)定地跟蹤目標(biāo)，圖2（c）給出了本文算法和文獻(xiàn)[9]算法在每一幀中跟蹤的誤差，可以看出，本文算法在跟蹤精度上與文獻(xiàn)[9]算法相接近。圖2（d）給出了這兩種算法在跟蹤過(guò)程中粒子數(shù)及消耗時(shí)間的變化情況，可以看出，本文算法可以在跟蹤過(guò)程中自適應(yīng)調(diào)整粒子數(shù)目，剛開(kāi)始時(shí)，飛機(jī)模型所處的背景較為簡(jiǎn)單，在跟蹤過(guò)程中所使用的粒子數(shù)比較少；從第15幀開(kāi)始，由于有樹(shù)木的干擾，加上人對(duì)飛機(jī)模型的遮擋，所以在跟蹤過(guò)程中所使用的粒子數(shù)目開(kāi)始增加；到第41幀時(shí)，飛機(jī)模型被人完全遮擋了，此時(shí)跟蹤所使用的粒子數(shù)達(dá)到最大值；從第60幀開(kāi)始，飛機(jī)模型再次運(yùn)動(dòng)到背景較為簡(jiǎn)單的區(qū)域，所以在此后跟蹤過(guò)程中所使用的粒子數(shù)目開(kāi)始逐漸下降。由表1可以看出，由于本文算法可以在跟蹤過(guò)程中自適應(yīng)調(diào)整粒子數(shù)目，因而本文算法與文獻(xiàn)[9]算法相比，總體上降低了跟蹤所花費(fèi)的時(shí)間，提高了算法的實(shí)時(shí)性。

表1 圖2所示兩種算法跟蹤過(guò)程中仿真數(shù)據(jù)的變化情況

圖2 飛機(jī)模型的跟蹤實(shí)驗(yàn)

5 結(jié)束語(yǔ)

本文提出了一種基于多特征融合的自適應(yīng)性粒子濾波跟蹤算法，其特點(diǎn)是：利用顏色和結(jié)構(gòu)特征表示目標(biāo)，動(dòng)態(tài)地更新這兩種特征的融合系數(shù)，實(shí)現(xiàn)了復(fù)雜情形下的魯棒跟蹤；根據(jù)跟蹤預(yù)測(cè)的準(zhǔn)確程度自適應(yīng)調(diào)整采樣粒子數(shù)，總體上減少了用于跟蹤目標(biāo)的所需粒子數(shù)目，提高了算法的效率。實(shí)驗(yàn)結(jié)果驗(yàn)證了本文算法的優(yōu)越性，該算法能夠在保證跟蹤精度的前提下，對(duì)目標(biāo)進(jìn)行快速跟蹤。

[1]王歡，王江濤，任明武，等.一種魯棒的多特征融合目標(biāo)跟蹤新算法[J].中國(guó)圖象圖形學(xué)報(bào)，2009，14（3）：489-498.

[2]朱勝利.Mean Shift及相關(guān)算法在視頻跟蹤中的研究[D].杭州：浙江大學(xué)，2006.

[3]胡士強(qiáng)，敬忠良.粒子濾波原理及其應(yīng)用[M].北京：科學(xué)出版社，2010：1-7.

[4]Yin Minhao，Zhang Jin，Sun Hongguang，et al.Multi-cuebased camShift guided particle filter tracking[J].Expert Systems with Application，2011，38：6313-6318.

[5]Han Zhenjun，Ye Qixiang，Jiao Jianbin.Combined feature evaluation for adaptive visual object tracking[J].Computer Vision and Image Understanding，2011，115：69-80.

[6]曾偉，朱桂斌，陳杰，等.多特征融合的魯棒粒子跟蹤算法[J].計(jì)算機(jī)應(yīng)用，2010，30（3）：643-645.

[7]李科，徐克虎，黃大山.改進(jìn)的均值漂移和粒子濾波混合跟蹤方法[J].計(jì)算機(jī)應(yīng)用，2012，32（2）：504-506.

[8]Peter D，Bogdan M.Choice of similarity measure，likelihood function and parameters for histogram based particle filter tracking in CCTV gray scale video[J].Image and Vision Computing，2011，29：178-189.

[9]張笑微，師改梅，周建雄，等.結(jié)合顏色和結(jié)構(gòu)信息的粒子濾波跟蹤算法[J].光電工程，2008，35（10）：1-6.