閆　河　劉　婕　王　樸　楊德紅

(重慶理工大學(xué)計(jì)算機(jī)學(xué)院　重慶 400054)

?

基于SUSAN角點(diǎn)和HSV顏色模型的粒子濾波目標(biāo)跟蹤算法

閆河劉婕王樸楊德紅

(重慶理工大學(xué)計(jì)算機(jī)學(xué)院重慶 400054)

摘要針對傳統(tǒng)粒子濾波目標(biāo)跟蹤算法在目標(biāo)與背景顏色相似情況下目標(biāo)定位偏差大、易導(dǎo)致丟失目標(biāo)的缺陷，提出一種基于角點(diǎn)和顏色模型的粒子濾波目標(biāo)跟蹤算法。首先，提出一種改進(jìn)SUSAN角點(diǎn)檢測算法，采用圓形模板鄰域內(nèi)像素灰度值中值代替模板中心像素灰度值作為模板“核”來檢測區(qū)域目標(biāo)角點(diǎn)，其改進(jìn)SUSAN角點(diǎn)算法在繼承原有SUSAN算法計(jì)算簡單、定位準(zhǔn)確、具有旋轉(zhuǎn)不變性等特點(diǎn)的同時(shí)，具有更好抗噪聲性能；其次，利用HSV顏色模型光照不敏銳特性，對檢測到的角點(diǎn)建立HSV顏色模型，并將其嵌入到粒子濾波框架中，實(shí)現(xiàn)對目標(biāo)的跟蹤。實(shí)驗(yàn)結(jié)果表明，當(dāng)背景與目標(biāo)顏色相近時(shí)，該算法能夠有效避免背景對目標(biāo)的干擾，取得了較好的目標(biāo)跟蹤性能。

關(guān)鍵詞SUSAN角點(diǎn)檢測粒子濾波算法目標(biāo)跟蹤HSV顏色模型

0引言

粒子濾波目標(biāo)跟蹤算法采用粒子集表示概率分布，具有非參數(shù)化特點(diǎn)，能比較精確地表達(dá)基于觀測量和控制量的后驗(yàn)概率分布，并利用粒子和權(quán)值完成目標(biāo)狀態(tài)估計(jì)[1]。傳統(tǒng)粒子濾波目標(biāo)跟蹤算法常采用RGB顏色直方圖特征建立目標(biāo)模型進(jìn)行跟蹤。顏色特征具備持久穩(wěn)定性，對物體姿態(tài)變化和非剛體變形不敏銳，在旋轉(zhuǎn)和尺度變換上具有一定的魯棒性[2-4]。但是，在目標(biāo)和背景顏色相似較高時(shí)，RGB顏色特征表征目標(biāo)的方法難以有效區(qū)分目標(biāo)和背景[5,6]，易導(dǎo)致目標(biāo)跟蹤性能下降。近年來，人們更多研究如何合理選擇目標(biāo)視覺特征來提升粒子濾波目標(biāo)跟蹤準(zhǔn)確性。Ido等[7]利用顏色和邊緣特征結(jié)合減弱背景的干擾，實(shí)現(xiàn)目標(biāo)跟蹤；Campos等[8]利用SIFT(Scale Invariant Feature Transform)特征點(diǎn)進(jìn)行定位；王向軍等[9]利用Plessey角點(diǎn)特征進(jìn)行目標(biāo)跟蹤。

由于角點(diǎn)特征是一個(gè)重要的局部不變特征點(diǎn)，具備很強(qiáng)的目標(biāo)表征能力。其表現(xiàn)形式是圖像亮度發(fā)生劇烈變化或圖像邊緣曲線上曲率極大值的點(diǎn)，具有旋轉(zhuǎn)、平移、縮放不變的性質(zhì)。并且能夠在保留圖像重要特征的同時(shí),還能夠有效地減少背景信息的干擾，增強(qiáng)目標(biāo)與背景區(qū)域之間的辨別力，以提高目標(biāo)信息含量。因此，廣泛應(yīng)用于目標(biāo)識別、目標(biāo)跟蹤等領(lǐng)域[10]。角點(diǎn)檢測算子常用Harris[11]和SUSAN算子[12,13]，其中，SUSAN角點(diǎn)采用圓形模板，能夠檢測到各個(gè)方向角點(diǎn)，圖像旋轉(zhuǎn)對角點(diǎn)檢測無影響，并不依賴于梯度，具有計(jì)算簡單且定位準(zhǔn)確的特點(diǎn)。

為了克服背景對目標(biāo)的干擾，提出基于SUSAN角點(diǎn)和HSV顏色模型的粒子濾波目標(biāo)跟蹤算法。其改進(jìn)SUSAN算子是利用模板鄰域內(nèi)的中值來取代模板中心像素值，具有一定濾波平滑作用，起到抗噪性能。RGB顏色空間不符合人對顏色的感知心理，然而HSV顏色空間是一種面向視覺感知的顏色模型，同時(shí)HSV顏色模型降低了對光照的敏感度[14]。因此，本文首先采用改進(jìn)SUSAN角點(diǎn)檢測算子提取角點(diǎn)特征；其次，利用提取的角點(diǎn)特征建立HSV顏色直方圖描述目標(biāo)模型，能夠有效增強(qiáng)目標(biāo)與背景之間的辨識度；最后，在粒子濾波目標(biāo)跟蹤的框架下實(shí)現(xiàn)目標(biāo)跟蹤，能夠有效地提高跟蹤精確度。

1角點(diǎn)檢測

1.1改進(jìn)SUSAN角點(diǎn)檢測

圖1　SUSAN模板

角點(diǎn)為目標(biāo)輪廓上某些屬性強(qiáng)度最大或者最小孤立點(diǎn)，或者目標(biāo)輪廓線上局部曲率最大點(diǎn)。角點(diǎn)檢測實(shí)質(zhì)上就是捕捉目標(biāo)興趣點(diǎn)或特征點(diǎn)。SUSAN[12]是一種近似圓形模板角點(diǎn)檢測算法。對目標(biāo)角點(diǎn)檢測具有旋轉(zhuǎn)不變性，SUSAN角點(diǎn)模板一般包含37個(gè)像素點(diǎn)，如圖1所示。

設(shè)定圓形模板為N(x,y)，模板中心像素被稱為“核”，并使用這樣一個(gè)模板掃描整幅圖?！昂恕编徲蚩蓜澐譃?個(gè)區(qū)域，以“核”為中心模板窗中存在像素灰度值與“核”點(diǎn)像素灰度值相似的區(qū)域USAN(Univalve Segment Assimilating Nucleus)和灰度值不相似核點(diǎn)像素灰度值的區(qū)域。其中，USAN區(qū)域包含了圖像結(jié)構(gòu)的重要信息，USAN面積隨著模板所在位置不同而發(fā)生變化。當(dāng)模板中心像素點(diǎn)處于圖像目標(biāo)區(qū)域內(nèi)部時(shí)，USAN面積最大；當(dāng)該像素坐標(biāo)點(diǎn)位于圖像目標(biāo)區(qū)域邊緣時(shí)，則面積為最大的一半；當(dāng)該像素點(diǎn)為角點(diǎn)時(shí)，USAN區(qū)域面積不大于最大面積的1/4。因此，能夠根據(jù)SUSAN算子中USAN區(qū)域面積來檢測當(dāng)前像素點(diǎn)為區(qū)域內(nèi)部點(diǎn)、邊界點(diǎn)，還是角點(diǎn)。使用下面相似比較函數(shù)公式來計(jì)算USAN區(qū)域面積。首先，對模板中的像素進(jìn)行排序Sort(I(x,y))得到38個(gè)數(shù)據(jù)，令中間數(shù)據(jù)為m和n。

I(x0,y0)=(m+n)/2

(1)

(2)

其中，I(x0,y0)為改進(jìn)中心像素灰度值，即是利用模板內(nèi)像素灰度值中值代替原模板“核”中心灰度值，I(x,y)為模板內(nèi)非“核”點(diǎn)像素灰度值，(x0,y0)和(x ,y)為像素點(diǎn)位置，t為灰度值差閾值即是區(qū)分目標(biāo)特征與背景閾值。模板中所有點(diǎn)與“核”點(diǎn)灰度值比較之和即為某一點(diǎn)USAN區(qū)域面積大小，可用式(3)表示：

(3)

通過式(3)得到USAN區(qū)域的像素個(gè)數(shù)即為SUM(x0,y0)。將該值與一個(gè)給定閾值G通過以下角點(diǎn)初始響應(yīng)函數(shù)：

(4)

其中，G假設(shè)為USAN最大區(qū)域時(shí)的一半，即G=37×(1/2)。并通過對初始響應(yīng)角點(diǎn)進(jìn)行局部非極大值抑制，可以檢測出圖像目標(biāo)的大部分特征角點(diǎn)。

1.2角點(diǎn)提取實(shí)驗(yàn)

如圖2所示，飛機(jī)具有一定的結(jié)構(gòu)特征，根據(jù)角點(diǎn)檢測算子原理可知，檢測出來的角點(diǎn)將集中在飛機(jī)目標(biāo)上。圖2第一列為未加噪聲圖像提取角點(diǎn)圖，第二列表示添加了均值為0，方差為0.1的高斯噪聲圖像提取角點(diǎn)圖。(b)、(c)分別是用原始SUSAN角點(diǎn)算子和改進(jìn)SUSAN角點(diǎn)算子對(a)角點(diǎn)檢測結(jié)果。由于改進(jìn)SUSAN的角點(diǎn)檢測方法有一定濾波作用，能夠有效抑制噪聲干擾。從實(shí)驗(yàn)結(jié)果圖2可知，對于目標(biāo)與背景信息顏色相似情況下，提取的角點(diǎn)特征集中在目標(biāo)上，改進(jìn)SUSAN檢測能夠更好地定位目標(biāo)，降低背景干擾。因而，改進(jìn)SUSAN角點(diǎn)檢測在含有噪聲圖像中能夠有效提高了目標(biāo)與背景的辨識度。

圖2　角點(diǎn)提取圖像

2改進(jìn)的目標(biāo)跟蹤算法

在傳統(tǒng)粒子濾波目標(biāo)跟蹤算法(PF)[15-18]中，常常以RGB顏色直方圖建立目標(biāo)模型，實(shí)現(xiàn)對目標(biāo)的跟蹤。由于顏色特征建立模型時(shí)，區(qū)域中所有像素點(diǎn)都參與運(yùn)算，使得引入了很多背景信息，造成目標(biāo)跟蹤定位偏差大。但角點(diǎn)具有很強(qiáng)目標(biāo)表征能力，能夠有效區(qū)分目標(biāo)與背景。因此，本文算法提出利用跟蹤窗口中角點(diǎn)特征，并提取這些角點(diǎn)的HSV顏色特征構(gòu)建目標(biāo)模型和候選目標(biāo)模型，以減少背景信息，增強(qiáng)抗背景信息干擾的能力，有效提高跟蹤的準(zhǔn)確性。

改進(jìn)目標(biāo)跟蹤算法基本步驟如下：

(5)

(6)

(7)

(8)

步驟4更新過程。通過式(8)對每一個(gè)粒子進(jìn)行傳遞后，計(jì)算出每個(gè)粒子的顏色概率分布pi，i表示為第i個(gè)粒子，每個(gè)粒子表示一種候選概率，根據(jù)粒子似然性來重新確定每個(gè)粒子的權(quán)值。通過這些角點(diǎn)的HSV顏色模型得到每一個(gè)粒子的角點(diǎn)顏色相似性ρy(p,q)，并利用正態(tài)分布函數(shù)作為似然函數(shù)，即粒子的權(quán)值為：

(9)

并將其進(jìn)行粒子權(quán)值的歸一化，即為：

(10)

步驟5目標(biāo)狀態(tài)的估計(jì)值。通過式(10)計(jì)算出每一個(gè)粒子的歸一化權(quán)值，采用加權(quán)準(zhǔn)則確定目標(biāo)的最終位置，即為：

(11)

步驟6讀取下一幀圖像，若讀取幀數(shù)為總幀數(shù)，則退出，小于總幀數(shù)，返回步驟2。

3實(shí)驗(yàn)結(jié)果分析

本文通過采集2個(gè)視頻，比較幾種不同目標(biāo)跟蹤算法性能。在粒子濾波目標(biāo)跟蹤中，使用RGB顏色模型，量化空間16×16×16；采用HSV顏色模型，量化空間8×4×4。在軟件平臺opencv2.4.0結(jié)合vs2010實(shí)現(xiàn)。

本文第一個(gè)視頻序列圖像采集于天空，序列圖像大小480×640，幀速率20幀/秒，天空中飛機(jī)作為目標(biāo)對象，進(jìn)行跟蹤。圖3是不同算法部分實(shí)驗(yàn)跟蹤結(jié)果，表1和表2分別是相應(yīng)幀中心位置坐標(biāo)點(diǎn)值及相應(yīng)幀誤差，表3表示整段視頻平均誤差，用誤差均值和方差表示。從視頻中觀察，飛機(jī)運(yùn)動趨勢基本呈現(xiàn)水平，其主要誤差影響因素是水平方向。圖3(a)、(b)分別采用傳統(tǒng)粒子濾波跟蹤算法和基于HSV顏色目標(biāo)跟蹤算法進(jìn)行跟蹤。目標(biāo)與背景顏色相似時(shí)，從跟蹤視頻序列結(jié)果觀察和表3可知，采用HSV顏色比RGB顏色直方圖建立目標(biāo)特征，在跟蹤準(zhǔn)確度有所提高，但跟蹤目標(biāo)仍然出現(xiàn)較大偏差，甚至導(dǎo)致跟蹤目標(biāo)丟失。圖3(c)、(d)分別采SUSAN角點(diǎn)和本文跟蹤算法，都對背景信息對目標(biāo)信息干擾有一定抑制作用，由實(shí)驗(yàn)結(jié)果分析可知，本文算法能夠有效提高跟蹤準(zhǔn)確度。

圖3　不同的跟蹤算法的實(shí)驗(yàn)結(jié)果(從左到右，從上到下：6,15,24,46)

坐標(biāo)點(diǎn)值第6幀第15幀第24幀第46幀手動坐標(biāo)(413,280)(379,271)(332,260)(200,249)RGB(414,272)(380,263)(318,248)(257,238)HSV(413,275)(371,264)(323,262)(254,233)原始SUSAN+HSV(409.277)(375,266)(329,252)(204,241)本文算法(413,277)(379,271)(332,260)(205,248)

表2　相應(yīng)幀誤差

表3　X方向誤差及中心位置誤差(均值±方差)

第二個(gè)視頻是一段足球場視頻圖像序列，序列圖像大小720×1280，幀速率25幀/秒，跟蹤一個(gè)在足球場上穿著綠色上衣的運(yùn)動員。圖4是不同算法部分實(shí)驗(yàn)跟蹤結(jié)果，表4和表5分別是相應(yīng)幀中心位置坐標(biāo)點(diǎn)值及相應(yīng)幀誤差，表6表示整段視頻平均誤差，用誤差均值和方差表示。從視頻中觀察，運(yùn)動員的運(yùn)動趨勢基本呈現(xiàn)水平，其主要誤差影響因素是水平方向。圖4(a)、(b)分別采用傳統(tǒng)粒子濾波跟蹤算法和基于HSV顏色的目標(biāo)跟蹤算法進(jìn)行跟蹤。從跟蹤的視頻序列結(jié)果觀察和表6可知，采用HSV顏色比RGB顏色直方圖構(gòu)建目標(biāo)特征，在跟蹤準(zhǔn)確度有所提高。但該運(yùn)動員上衣與足球場地顏色相似，仍然導(dǎo)致進(jìn)行跟蹤目標(biāo)存在一定的困難。其表現(xiàn)形式為跟蹤目標(biāo)出現(xiàn)較大偏差，甚至導(dǎo)致跟蹤目標(biāo)丟失。圖4(c)、(d)分別采SUSAN角點(diǎn)和本文跟蹤算法，都對背景信息對目標(biāo)信息干擾有一定的抑制作用。由實(shí)驗(yàn)結(jié)果分析可知，本文算法能夠有效提高跟蹤的準(zhǔn)確度。

圖4　不同的跟蹤算法的實(shí)驗(yàn)結(jié)果(從上到下：3,39,59)

第3幀第39幀第59幀手動坐標(biāo)(392,354)(216,416)(290,365)RGB(406,363)(382,365)(380.358)HSV(405,364)(329,361)(323,359)原始SUSAN+HSV(398,361)(317,362)(231,412)本文算法(392,354)(217,416)(297,395)

表5　相應(yīng)幀誤差

表6　整段視頻中心誤差(均值±方差)

4結(jié)語

在目標(biāo)與背景顏色相似情況下，針對傳統(tǒng)粒子濾波目標(biāo)跟蹤算法對目標(biāo)定位產(chǎn)生一定偏差甚至導(dǎo)致跟蹤目標(biāo)丟失的缺陷?？紤]到角點(diǎn)是一種局部不變特征，具有較強(qiáng)的目標(biāo)表征能

力，能夠有效區(qū)分目標(biāo)與背景顏色信息。因此，本文提出了基于SUSAN角點(diǎn)和HSV顏色模型的粒子濾波目標(biāo)跟蹤算法。首先利用改進(jìn)SUSAN角點(diǎn)檢測算法提取目標(biāo)區(qū)域的角點(diǎn)特征；其次，利用這些角點(diǎn)的HSV顏色直方圖建立目標(biāo)模型；最后，引入粒子濾波目標(biāo)跟蹤框架，實(shí)現(xiàn)對目標(biāo)的跟蹤。通過實(shí)驗(yàn)對比，表明本文算法在目標(biāo)跟蹤準(zhǔn)確度上具有較好的效果。

參考文獻(xiàn)

[1] 周帆,江維,李樹全,等.基于粒子濾波的移動物體定位和追蹤算法[J].軟件學(xué)報(bào),2013,24(9):2196-2213.

[2] Nummiaro,E KollerMeier,LVan Gool.An adaptive color-based particle filter[J].Image and Vision Computing,2003,21(1):99-110.

[3] Czyz J,Ristic B,Macq B.A particle filter for joint detection and tracking of color object[J].Image Vison Comput,2007,25(8):1271-1281.

[4] 謝天旭,何炳蔚.基于顏色特征與SIFT特征自適應(yīng)融合的粒子濾波跟蹤算法[J].計(jì)算機(jī)應(yīng)用研究,2013,30(11):3506-3509.

[5] 劉彬,李學(xué)斌.角點(diǎn)匹配與均值漂移相結(jié)合實(shí)現(xiàn)目標(biāo)跟蹤[J].計(jì)算機(jī)應(yīng)用與軟件,2013,30(4):239-242,318.

[6] 馮增光,張烔,寧紀(jì)鋒,等.基于角點(diǎn)檢測的實(shí)時(shí)目標(biāo)跟蹤方法[J].計(jì)算機(jī)工程與設(shè)計(jì),2012,33(10):3892-3897.

[7] Ido L,Michael L,Ehud R.Tracking by affine kernel transformations using color and boundary cues[J].IEEE Transaction on Pattern Analysis and Machine Intelligence,2009,31(1):164-171.

[8] Campos F M,Correia L,Calado J M F.Mobile robot global localization with non-quantized SIFT features[C]//The 15thInternational Conference on Advanced Robotics,Tallinm,Estonia:IEEE,2011:582-587.

[9] 王向軍,王研,李智.基于特征角點(diǎn)的目標(biāo)跟蹤和快速識別算法研究[J].光學(xué)學(xué)報(bào),2007,27(2):360-364.

[10] 張桂南,劉志剛.基于角點(diǎn)匹配與譜聚類的接觸網(wǎng)絕緣破損/夾雜異物故障檢測[J].儀器儀表學(xué)報(bào),2014,35(6):1370-1377.

[11] Liu Y,Hou M,Rao X,et al.A steady corner detection of gray level images based on improved Harris algorithm[C]//Proc Int Conf on Networking Sensing and Control,20008:708-713.

[12] Smith S M,Brady J M.SUSAN:A New Approach to Low Level Image Processing[J].Int.Journal of Compuer Vision,1997,23(1):45-78.

[13] Benedikt K,Gunther H.A spatio-temporal extension of the SUSAN-Filter[C]//LNCS5163:Proceedings of the 18thinternational conference on Artificial Neural Networks,2008:867-876.

[14] 時(shí)建桃,王國胤,王進(jìn).縮微交通環(huán)境下的錐形標(biāo)識方法[J].合肥工業(yè)大學(xué)學(xué)報(bào):自然科學(xué)版,2012,35(12):1644-1647.

[15] Nummiaro K,KollerMeier E,Van Gool L.An adaptive color-based particle filter[J].Image and Vision Computing,2003,21(1):99-110.

[16] Nummiaro K,KollerMeier E,Van Gool L.Color Features for tracking non-rigid objects[J].Acta Automatica Sinica,2003,29(3):345-355.

[17] 朱良誼,王慶.一種基于粒子濾波的優(yōu)化目標(biāo)跟蹤算法研究[J].西北工業(yè)大學(xué)學(xué)報(bào),2013,31(6):967-973.

[18] 陳善靜,楊華,曾凱,等.基于多特征融合的粒子濾波算法研究[J].計(jì)算機(jī)工程,2011,37(7):178-180.

[19] 李睿,劉昌旭,年福忠.基于自適應(yīng)背景的多特征融合目標(biāo)跟蹤[J].計(jì)算機(jī)應(yīng)用,2013,33(3):651-655.

PARTICLE FILTER OBJECT TRACKING ALGORITHM BASED ON SUSAN CORNER DETECTION AND HSV COLOUR MODEL

Yan HeLiu JieWang PuYang Dehong

(SchoolofComputerScience,ChongqingUniversityofTechnology,Chongqing400054,China)

AbstractFor deficiencies of traditional particle filter object tracking algorithm in bigger deviation of object localisation and being prone to object missing when its colour is similar to background, we proposed a particle filter object tracking algorithm which is based on corner and colour model. First, we presented an improved SUSAN corner detection algorithm, which uses median grayscale value of the pixel in neighbourhood of circular template instead of the greyscale value of the pixel in template centre as the “kernel” of the template to detect regional object corner, the improved SUSAN corner algorithm not only inherits the characteristics of original SUSAN algorithm, such as simple calculation, accurate positioning, rotation invariance, etc., but also has better anti-noise performance. Secondly, we utilised the characteristic of illumination invariant in HSV colour model to build HSV colour model for the detected corner, and then embedded it into the particle filter framework to realise object tracking. Experimental results showed that when the background closed to the target colour, this algorithm could effectively prevent the interference of background and achieved a better object tracking performance.

KeywordsSUSAN corner detectionParticle filter algorithmObject trackingHSV colour model

收稿日期：2014-10-09。國家自然科學(xué)基金面上項(xiàng)目(61173184)；重慶理工大學(xué)研究生創(chuàng)新基金項(xiàng)目(YCX2013219)。閆河，教授，主研領(lǐng)域：圖像多尺度幾何分析，目標(biāo)跟蹤，模式識別。劉婕，碩士生。王樸，碩士生。楊德紅，講師。

中圖分類號TP391

文獻(xiàn)標(biāo)識碼A

DOI:10.3969/j.issn.1000-386x.2016.05.043