厲 丹，田 雋, 肖理慶,孫金萍,程德強(qiáng)

(1.徐州工程學(xué)院，江蘇 徐州 221000；2.徐州市機(jī)器視覺應(yīng)用工程技術(shù)研究中心，江蘇 徐州 221000；3.中國礦業(yè)大學(xué) 信電學(xué)院，江蘇 徐州 221000)

基于主動(dòng)輪廓模型聯(lián)合Camshift算法的目標(biāo)跟蹤方法

厲 丹1，2，田 雋1，2, 肖理慶1，2,孫金萍1，2,程德強(qiáng)3

(1.徐州工程學(xué)院，江蘇 徐州 221000；2.徐州市機(jī)器視覺應(yīng)用工程技術(shù)研究中心，江蘇 徐州 221000；3.中國礦業(yè)大學(xué) 信電學(xué)院，江蘇 徐州 221000)

針對城市道路交通環(huán)境中傳統(tǒng)Camshift算法跟蹤窗不能描述運(yùn)動(dòng)目標(biāo)輪廓以及易受近似顏色干擾跟蹤丟失的問題，提出基于Snake主動(dòng)輪廓模型聯(lián)合Chamshift區(qū)域模型的目標(biāo)跟蹤方法，算法將原Camshift算法中使用的HSV顏色特征和LTP紋理特征融合，增加了抗干擾能力，同時(shí)利用多尺度小波改進(jìn)的Snake主動(dòng)輪廓模型進(jìn)一步對物體輪廓檢測，去除陰影區(qū)域，更為直觀地描述了物體的輪廓。實(shí)驗(yàn)證明，新方法在城市道路交通監(jiān)控中有良好的應(yīng)用前景。

主動(dòng)輪廓模型；Camshift；交通；目標(biāo)跟蹤

基于機(jī)器視覺的智能交通車輛跟蹤技術(shù)在城市道路交通監(jiān)控中發(fā)揮著越來越重要的作用。通過對車輛實(shí)時(shí)監(jiān)控可以獲取車速、流量等信息，為后續(xù)的行為識別打下基礎(chǔ)[1-2]。目前的目標(biāo)跟蹤方法主要包括輪廓模型跟蹤、區(qū)域模型跟蹤及特征模型跟蹤。然而，受戶外交通環(huán)境車輛形變、光照不均、目標(biāo)背景顏色接近等復(fù)雜環(huán)境的影響，常用的跟蹤算法易丟失目標(biāo)致使跟蹤失敗。

Snake主動(dòng)輪廓模型[3]將目標(biāo)形狀信息利用輪廓描述，能夠形成連續(xù)、閉合的光滑輪廓線，于1987年由Kass等人提出。該模型有較強(qiáng)的抗噪能力，定義能量函數(shù)描述灰度、輪廓信息，利用邊緣特征，在收斂于自身能量極小值過程中不斷地迭代逼近真實(shí)輪廓。但該模型存在動(dòng)態(tài)規(guī)劃時(shí)間開銷大、對初始位置敏感的問題。連續(xù)自適應(yīng)均值漂移Camshift算法[4-5]是一種無需參數(shù)的基于核密度的快速模式匹配算法，計(jì)算簡單、實(shí)時(shí)性高，雖可自適應(yīng)目標(biāo)大小調(diào)整跟蹤窗，但僅通過矩形或橢圓跟蹤窗無法描述目標(biāo)輪廓信息，從而影響后續(xù)目標(biāo)分類和行為識別，且在復(fù)雜環(huán)境中該算法易受到干擾。

本文針對城市道路交通環(huán)境，提出了基于Snake主動(dòng)輪廓模型聯(lián)合基于Chamshift區(qū)域模型的目標(biāo)跟蹤方法。新方法具有較好的抗環(huán)境干擾特性，在目標(biāo)運(yùn)動(dòng)過程中，通過多尺度小波改進(jìn)的Snake主動(dòng)輪廓模型準(zhǔn)確對物體進(jìn)行精確輪廓檢測，同時(shí)利用Camshift算法將顏色、紋理特征融合跟蹤目標(biāo)，提高了監(jiān)控系統(tǒng)中城市道路車輛辨識能力，使跟蹤具有更好的魯棒性。

1 Snake活動(dòng)輪廓模型

Snake模型參數(shù)化描述為v(s)=(x(s),y(s))，s∈[0, 1]，通過參數(shù)化曲線和曲面表示變形，曲線參數(shù)為s，輪廓點(diǎn)坐標(biāo)為(x,y)?？偰芰抗奖硎救缦?/p>

(1)

(2)

1.1 輪廓離散化

以曲線控制點(diǎn)集合描述輪廓曲線v(s)?？刂泣c(diǎn)之間的關(guān)系應(yīng)符合如下公式

(3)

(xi+2-2xi+1+xi)2+(yi+2-2yi+1+yi)2

(4)

式中：vi-1和vi+1是曲線上vi鄰接的2個(gè)控制點(diǎn)，第i+1個(gè)控制點(diǎn)為vi，vi=(xi,yi)，V=(v0,v1,…,vi-1,vi,…,vn-1)，i=0,1,…,n-1。

內(nèi)部能量函數(shù)微分形式表示如下

Eint= (α(s)((xi+1-xi)2+(yi+1-yi)2)+β(s)·

((xi+2-2xi+1+xi)2+(yi+2-2yi+1+yi)2))

(5)

外部能量函數(shù)表示如下

(6)

β((xi+2-2xi+1+xi)2+

(yi+2-2yi+1+yi)2)-ω(gi)2)

(7)

1.2Snake模型改進(jìn)

為了解決傳統(tǒng)Snake模型迭代過程運(yùn)算量大、對初始位置敏感、抗噪能力較差的問題，利用文獻(xiàn)[6]提出的多尺度小波能量方法，得到公式

(8)式中：vi為蛇點(diǎn)，n(vi)為內(nèi)法線矢量。令k是方向參數(shù)，其值為1或-1。選擇尺度為2j，多層小波變換圖像，新外力表示如下

(9)

(10)

(11)

3)使j=j+1，J為最大層的層數(shù)，j

給定模型參數(shù)后，初始輪廓離散成2M-J+1投影在尺寸為2N-J+1×2N-J+1的圖像上，由粗尺度收斂于高尺度。由于改進(jìn)算法使得復(fù)雜細(xì)節(jié)變平滑，因此蛇點(diǎn)數(shù)量降低，運(yùn)算時(shí)間降低，迭代的次數(shù)也隨之減少。多尺度小波變換的Snake主動(dòng)輪廓模型提取方法通過結(jié)合小波邊緣檢測，在減少對初始位置敏感性的同時(shí)節(jié)省了時(shí)間開銷。

2 運(yùn)動(dòng)目標(biāo)輪廓檢測

Camshift算法選擇HSV顏色模型作為跟蹤特征減少了光照影響，利用圖像顏色概率密度的分布特征跟蹤目標(biāo)，通過搜索窗二階矩估計(jì)目標(biāo)大小、方向角從而自適應(yīng)調(diào)節(jié)窗口大小和角度。算法計(jì)算簡單，匹配速度快，實(shí)時(shí)性高，但復(fù)雜環(huán)境易受相近顏色干擾。所以本文利用Camshift算法將顏色和紋理多類特征融合，提高目標(biāo)識別率，取Camshift算法搜索框區(qū)域和高斯背景建模后的相同位置區(qū)域求差，獲取目標(biāo)初始邊緣后進(jìn)一步利用形態(tài)學(xué)及多尺度小波變換的Snake主動(dòng)輪廓模型搜索目標(biāo)輪廓，精確提取運(yùn)動(dòng)目標(biāo)。

2.1 紋理特征融合的Camshift

紋理特征相對運(yùn)動(dòng)目標(biāo)較為穩(wěn)定，體現(xiàn)了圖像灰度級空間分布的特性。本文采用Tan、Bill提出的對噪聲有良好的抗噪能力的LTP局部三值模式紋理模型[7-8]，解決了運(yùn)動(dòng)車輛顏色相近時(shí)容易相互干擾的問題。融合過程如下：

選取初始大小為s，位置中心為(xc,yc)的搜索窗口，內(nèi)部像素為{xi,i=1,2,…,n}，窗口中心y，寬h，在以(xc,yc)為中心的搜索窗1.5倍范圍內(nèi)，用直方圖分別描述不同特征空間，建立候選目標(biāo)、目標(biāo)模板的特征概率密度分布函數(shù)如下

(12)

(13)

(14)

a1wi(u1)+…+akwi(uk)

(15)

利用建立的多特征模板，不同特征設(shè)置不同的權(quán)值，提高了前景和背景的區(qū)分能力，保證了跟蹤的穩(wěn)定性。

2.2 運(yùn)動(dòng)目標(biāo)輪廓提取

利用紋理特征融合的Camshift算法獲取每幀中運(yùn)動(dòng)目標(biāo)的中心位置(xc,yc)，同時(shí)根據(jù)搜索窗大小提取前景矩形區(qū)域，并將相同區(qū)域的高斯模型統(tǒng)計(jì)的背景圖像也提取出來，兩者相減，即得到初始目標(biāo)邊緣。由于光線被目標(biāo)遮擋時(shí)會(huì)存在陰影，影響輪廓提取準(zhǔn)確度，因此本文根據(jù)顏色模型的特性，利用HSV顏色空間去除陰影。從RGB到HSV轉(zhuǎn)換過程如下

(18)

(19)

HSV顏色空間中H和S通道對陰影區(qū)域不敏感，V通道比較敏感，利用將飽和度S、色度H同亮度分量V分離，僅使用飽和度和色度來反應(yīng)運(yùn)動(dòng)目標(biāo)的本質(zhì)特性進(jìn)行聚類可以較好地消除陰影。

如圖1所示，圖1a為根據(jù)Camshift算法的當(dāng)前幀搜索窗大小提取的矩形區(qū)域通過高斯背景模型重建的背景區(qū)域，圖1b為相同區(qū)域的前景區(qū)域，圖1c中白色區(qū)域?yàn)榍罢弑尘安詈筮M(jìn)行形態(tài)學(xué)腐蝕膨脹后的目標(biāo)區(qū)域,根據(jù)圖1c獲取運(yùn)動(dòng)目標(biāo)如圖1d所示，圖1e為對目標(biāo)區(qū)域進(jìn)行邊緣檢測后初始邊緣輪廓，圖1f為利用多尺度小波變換的Snake模型提取并通過HSV顏色空間去除陰影后尋找到的目標(biāo)精確輪廓。

圖1 輪廓提取

3 實(shí)驗(yàn)驗(yàn)證

對部分路段車輛視頻通過改進(jìn)算法進(jìn)行實(shí)驗(yàn)分析。圖2為本文部分跟蹤結(jié)果，可以看出，由于將Snake主動(dòng)輪廓模型聯(lián)合Camshift區(qū)域模型，并融合了LTP紋理模型，在跟蹤過程中利用圖像空間分布特性，跟蹤準(zhǔn)確且輪廓清晰，能自適應(yīng)仿射變換，且在光照變換情況下仍有較好魯棒性。

圖2 車輛和行人輪廓跟蹤

表1列出了對8組視頻中不同的運(yùn)動(dòng)目標(biāo)分別用傳統(tǒng)Camshift算法和本文算法進(jìn)行跟蹤準(zhǔn)確率和耗時(shí)比較的情況。從跟蹤準(zhǔn)確率上看，由于本文融合了紋理特征，跟蹤過程較為穩(wěn)定，準(zhǔn)確率較高，而原Camshift算法由于僅用顏色模型，當(dāng)目標(biāo)和環(huán)境中其他物體顏色接近時(shí)較為敏感，易被干擾，因此在復(fù)雜環(huán)境中易導(dǎo)致跟蹤失敗，準(zhǔn)確率較低。從平均耗時(shí)上看，本文算法由于融合了LTP紋理特征，且目標(biāo)分割后對其實(shí)施Snake主動(dòng)輪廓迭代搜索及陰影去除，因此在跟蹤過程中平均每幀的耗時(shí)稍高于原Camshift算法，但仍符合監(jiān)控系統(tǒng)實(shí)時(shí)性的要求。

表1 跟蹤準(zhǔn)確率及平均耗時(shí)統(tǒng)計(jì)

視頻序號跟蹤準(zhǔn)確率/%平均耗時(shí)/msCamshift本文Camshift本文18569943414272774975428488373596350756646829583824395847995296321679597734537276829784274758811986315367

4 小結(jié)

本文提出了基于Snake主動(dòng)輪廓模型聯(lián)合Chamshift區(qū)域模型的目標(biāo)跟蹤方法。在目標(biāo)跟蹤過程中，對原Camshift算法中使用的HSV顏色模型融合紋理特征進(jìn)行跟蹤，在搜索窗區(qū)域，利用高斯模型建立的背景圖像和前景圖像獲取目標(biāo)初始輪廓，同時(shí)利用多尺度小波改進(jìn)的Snake主動(dòng)輪廓模型進(jìn)一步對物體輪廓檢測，去除陰影區(qū)域，較好地描述了物體的真實(shí)輪廓，使跟蹤具有更好的魯棒性，為交通視頻監(jiān)控系統(tǒng)中進(jìn)一步的目標(biāo)分類打下良好基礎(chǔ)。

[1] 甘玲，潘小雷.一種應(yīng)用于交通環(huán)境中的運(yùn)動(dòng)車輛跟蹤方法[J].重慶郵電大學(xué)學(xué)報(bào)：自然科學(xué)版，2013，25(3)：408-411.

[2] 王相海，方玲玲，叢志環(huán).卡爾曼粒子濾波的視頻車輛跟蹤算法研究[J].中國圖象圖形學(xué)報(bào)，2010，15(11)：1615-1622.

[3] KASS M，WITKIN A，TERZOPOULOS D.Snake：active contour models[J].International Journal of Computer Vision，1988，1(4)：321-331.

[4] 鄔大鵬，程衛(wèi)平，于盛林.基于幀間差分和運(yùn)動(dòng)估計(jì)的Camshift目標(biāo)跟蹤算法[J].光電工程，2010，37(1)：55-60.

[5] SORN S. CAMSHIFT-based algorithm for multiple object tracking[C]//Proc. 9th International Conference on Computing and Information Technology.[S.l.]：IEEE Press，2013：301-310.

[6] 馬波，張?zhí)镂?，李培華.基于改進(jìn)外部力的多尺度蛇算法[J].計(jì)算機(jī)學(xué)報(bào)，2003，26(5)：563-568.

[7] TAN Xiaoyang，TRIGGS B. Enhanced local texture feature sets for face recognition under difficult lighting conditions[C]//Proc. Analysis and Modeling of Faces and Gestures.Rio de Janeiro， Brazil：[s.n.]，2007：168-182.

[8] 袁寶華，王歡，任明武.融合LTP與Fisherfaces的分塊人臉識別[J].計(jì)算機(jī)工程，2012，38(10)：154-156.

責(zé)任編輯：任健男

海信智能電視聯(lián)合華數(shù)、荔枝推VIP院線

繼6月海信宣布智能電視激活用戶突破一千萬之后，從9月起，海信智能電視聯(lián)合華數(shù)、荔枝推VIP院線，正式在其實(shí)體店和電商渠道開放在線影視點(diǎn)播VIP年卡購買服務(wù)。這也預(yù)示著經(jīng)過幾年的發(fā)展，智能電視逐步擴(kuò)大市場、培育用戶并實(shí)現(xiàn)增值后,向商業(yè)運(yùn)營迎來破局。

海信延用行業(yè)在線視頻VIP收費(fèi)模式，但又與樂視依托自身視頻資源收取服務(wù)費(fèi)模式不同。海信依托華數(shù)播控平臺，聯(lián)合華數(shù)牌照資源和荔枝內(nèi)容牌照資源共同搭建了龐大的智能電視視頻資源庫。在線付費(fèi)點(diǎn)播設(shè)置了信封年卡、華數(shù)年卡、荔枝年卡3個(gè)付費(fèi)選項(xiàng)。信封年卡用戶支付490元，可免費(fèi)收看全年在線精品影視，包括最新更新的院線新片、好萊塢片庫，以及4K、3D、杜比等優(yōu)質(zhì)家庭影院專區(qū)。

Target Tracking Method Based on Active Contour Models Combined Camshift Algorithm

LI Dan1，2, TIAN Jun1，2, XIAO Liqing1，2, SUN Jinping1，2，CHENG Deqiang3

(1.XuzhouInstituteofTechnology，JiangsuXuzhou221000，China；2.MachineVistonApplicationsEngineeringandTechnologyResearchCenterofXuzhou，JiangsuXuzhou221000，China；3.CollegeofInformationandElectricEngineering,ChinaUniversityofMiningandTechnology,JiangsuXuzhou221000,China)

In the environment of urban road traffic, the traditional Camshift algorithm tracking window can not describe the outline of the moving target tracking and exists the problem of the approximate color interference makes tracking missing. A target tracking method is proposed jointed with Snake active contour model and Chamshift regional model. It combines HSV color feature of original Camshift algorithm with LTP texture. Noise immunity is increased and multi-scale wavelet is used to improve the Snake active contour model. New method can move the shadow area and contours of the object can be better described. Experimental results show that the new method has a good prospect in urban road traffic monitoring.

active contour model; Camshift; traffic; object tracking

住房城鄉(xiāng)建設(shè)部科學(xué)技術(shù)計(jì)劃項(xiàng)目(2014-K5-027)；江蘇省高校自然科學(xué)研究面上項(xiàng)目(15KJB520033)；江蘇省大型工程裝備檢測與控制重點(diǎn)建設(shè)實(shí)驗(yàn)室開放課題(JSKLEDC201211)；國家自然科學(xué)基金項(xiàng)目(51204175；U1261105)

TP391

A

10.16280/j.videoe.2015.19.025

厲 丹(1981— )，女，博士，副教授，研究方向?yàn)閳D像處理，視頻監(jiān)控；

田 雋(1981— )，女，博士，副教授，研究方向?yàn)橹悄軋D像處理；

肖理慶(1981— )，博士，講師，研究方向?yàn)樽詣?dòng)化控制、圖像處理；

孫金萍(1980— )，女，博士在讀，講師，研究方向?yàn)閳D像處理；

程德強(qiáng)(1978— )，博士，教授，研究方向?yàn)閿?shù)字視頻傳輸控制。

2015-02-22

【本文獻(xiàn)信息】厲丹，田雋, 肖理慶，等.基于主動(dòng)輪廓模型聯(lián)合Camshift算法的目標(biāo)跟蹤方法[J].電視技術(shù),2015，39(19).