鄭 穎， 周 影

（淮北師范大學 計算機科學與技術(shù)學院，安徽 淮北 235000）

基于計算機視覺的運動目標跟蹤算法研究

鄭 穎， 周 影

（淮北師范大學 計算機科學與技術(shù)學院，安徽 淮北 235000）

隨著計算機技術(shù)的飛速發(fā)展，視頻圖像處理技術(shù)得到了顯著的提高.本文提出了一種基于計算機視覺的運動目標跟蹤方法.在Marr的計算理論框架下，我們引入通過自下而上的視覺跟蹤處理方法來進行運動目標跟蹤，本文以車輛視頻為例，選用Robert算子對車輛進行邊緣檢測，針對車輛在運動過程中大小和姿態(tài)變化的情況，提出了基于多關(guān)聯(lián)模板匹配方法進行跟蹤.實驗表明本文的算法分離的精度增強，跟蹤效果好，并且能很好地滿足實時性.

機器視覺；分割算法；跟蹤算法；分割的準確性

1 引言

“智慧城市”是目前國內(nèi)最前沿、最熱門的研究課題之一，而智能交通是構(gòu)建智慧城市的關(guān)鍵因素.現(xiàn)在各地均遇到了交通擁堵問題，由于不斷增加的車輛和相對不足的公路通行能力，致使我國公路交通事故不斷增加、交通擁堵日益嚴重，因此智能交通系統(tǒng)已引起越來越多的重視.本文以道路交通視頻圖像序列為研究對象，對視頻跟蹤方法中的關(guān)鍵技術(shù)進行了深入的研究，有利于更好的開發(fā)智能交通系統(tǒng).

文獻[1]中針對運動目標跟蹤算法的應(yīng)用，改進了LBP算子，經(jīng)過對LBP的二進制位串的01跳變情況進行統(tǒng)計，合并了出現(xiàn)概率較低的模式，從而大大降低LBP紋理類型，使后續(xù)使用LBP紋理的運動目標檢測與跟蹤算法在特征匹配時速度得到提高.文獻[2]中改進的跟蹤算法是基于傳統(tǒng)的Kalman濾波和Mean-Shift優(yōu)化框架,算法融合了色度直方圖和梯度方向直方圖，以解決運動目標的旋轉(zhuǎn)和形變，構(gòu)建了運動目標圖像區(qū)域的綜合直方圖金字塔,以實現(xiàn)多尺度的目標跟蹤，采用Kalman濾波預測耦合Mean-Shift算法，在尺度、位移空間內(nèi)進行優(yōu)化匹配搜索，確定最佳候選目標區(qū)域的位置信息.文獻[3]提出了改進的Camshift算法，在HSV顏色空間采用背景加權(quán)三維直方圖建立目標模型，將輸入圖像轉(zhuǎn)化為顏色概率分布圖，然后根據(jù)目標的運動強弱自適應(yīng)地結(jié)合顏色概率分布特征圖與目標的運動差分圖像，有效地克服了背景中的顏色干擾.文獻 [4]提出了基于Kalman濾波的Camshift跟蹤算法和基于SURF的Camshift跟蹤算法，當目標運動速度快時，在Camshift跟蹤的基礎(chǔ)上加入Kalman濾波，對目標的質(zhì)心位置進行預測估計，當目標顏色與背景顏色相近時，引入SURF算法對前后兩幀的運動目標進行特征點匹配，重新確定目標位置，從而實現(xiàn)準確持續(xù)的跟蹤.

本文在Marr的計算理論框架下，在采用自底向上的視覺跟蹤的處理方法的基礎(chǔ)上，借鑒前人的一些研究.并以車輛視頻為例，針對車輛目標分割問題，通過Robert邊緣檢測算子得到車輛的邊緣特征.結(jié)合灰度車輛圖像的邊緣檢測，獲得最大類間方差，提高分割的準確性和實時性.在相對復雜的背景下，采用模板匹配的方法對車輛進行跟蹤研究，從而有利于更好的提取交通參數(shù).

2 視覺計算的理論框架

計算機視覺的理論框架影響著計算機視覺領(lǐng)域的發(fā)展，是計算機視覺領(lǐng)域的一個指導思想.Marr視覺理論是結(jié)合物理學、神經(jīng)生理學和圖像處理總結(jié)的一種信息處理領(lǐng)域的觀點.在此理論框架下，視覺圖像的生成被分為三個階段:

（1）二維簡圖:初始簡圖用邊緣段、線、斑點和端點描述圖像中亮度的變化，然后利用虛擬線來完全而明確的表示幾何關(guān)系，最后得到描述層次可以覆蓋某一尺度范圍的初始簡圖.

（2）2.5維簡圖:通過對初始簡圖進行一系列處理運算，推導出一個能反映可見表面幾何特征的表象，其中包括表面朝向，觀察者距離，以及朝向和距離的不連續(xù)性，表面的反射情況，以及對主要照明情況的某種粗略的描述.

（3）三維模型:實現(xiàn)對觀察對象的三維結(jié)構(gòu)在以物體為中心的坐標系中的表象和對物體表面性質(zhì)進行一些描述，從而得到圖像的空間結(jié)構(gòu).

對于視覺跟蹤問題，主要有兩種思路.一種是自底向上的方法，另一種是自上而下的方法.本文采用自底向上的方法，結(jié)合視覺計算理論Marr視覺過程本文的方法可以劃分為三個階段:層視覺、中間層視覺和高層視覺.低層視覺到中間層視覺是圖像特征描述，中間層視覺到高層視覺是2.5維描述，高層視覺往上是3維描述.

自底向上的跟蹤過程顯然是獲得場景的位置，速度和加速度.因此，首先我們需要檢測運動目標，然后確定該目標是否為跟蹤目標.最后獲得目標位置、軌跡等信息.我們現(xiàn)在要以移動車輛作為跟蹤目標，在Marr的理論的幫助下視覺跟蹤框架很容易實現(xiàn).主要有以下三個階段:車輛的檢測屬于早期階段；目標的提取和識別，判斷是否跟蹤處于中間階段；獲取目標位置、軌跡等信息是后期階段.

3 運動目標分割算法性能分析

圖像分割方法是計算機運動目標跟蹤中的重要方法.針對車輛跟蹤問題，利用Robert邊緣檢測算子檢測目標車輛的邊緣，大大提高了分割精度.此外，我們還提出了一種最大類間方差的車輛目標分割策略，實驗結(jié)果表明算法具有良好的分割效果.

Otsu方法是基于判別分析和最小二乘法原理提出的最大類間方差法，是一種閾值分割方法.在該方法中，將像素閾值分為兩部分，目標C0和背景C1，然后得到類間方差:

假設(shè)某一范圍的圖像灰度值為{0，1，…,l-1},像素ni的灰度級i，整個像素表示為灰度級i出現(xiàn)的概率為

選擇閾值t來區(qū)分目標和背景區(qū)域，C0={0,1,…,t}；C1= {t+1,t+2,…,l-1}；目標C0and背景C1可能出現(xiàn)的概率為

均值為

圖像的平均灰度級為:

通過公式(2)(3)和(4),計算類間方差為

接著，我們定義類內(nèi)方差為

總方差定義為:

針對二階統(tǒng)計量OW2(t),并且OT2獨立于t,我們做了簡單的判斷

在這樣的準則下，兩種類型的t值都屬于最優(yōu)閾值，所以η(t)為最大準則.

4 目標跟蹤算法性能分析

在許多視覺跟蹤算法中，基本可分為兩類:一類是基于運動的算法，另一類是基于特定模型的算法.本文主要是基于模型的跟蹤方法，通過相互匹配實現(xiàn)跟蹤.模板匹配可以分為基于目標和目標區(qū)域的兩種類型.基于目標的是通過角、顏色等來匹配，在復雜環(huán)境下，其匹配效果優(yōu)于邊界匹配法.實際上，由于目標自身的運動，對于無法長期穩(wěn)定的固定目標模型，需要實時更新目標特征，以適應(yīng)目標的變化.如果當前一幀的目標模型不能準確地描述當前的目標，這將導致錯誤的模型更新，為了解決這個問題，我們提出了一種基于多關(guān)聯(lián)模板的圖像匹配跟蹤算法，算法流程如圖1所示:

圖1 跟蹤算法流程圖

在目標跟蹤問題中，目標跟蹤信息由圖像相對于原始圖像的匹配來確定，實際上參與圖像匹配的模板與潛在匹配因子存在一定程度的差異.因此，在未知的圖像上檢測到的匹配對象是一個復雜的任務(wù).模板T和潛在匹配對象p之間的關(guān)系如下所示:

其中，(x,y)∈T,(x',y')∈p,βij,αi是一個常量.結(jié)合相似性度量準則、平均絕對差分法和均方誤差法，得到了平均絕對誤差相似性測度:

其中,參考圖像f1(x,y)的大小為m×n,實時圖像f2(x,y)大小也為m×n,均方誤差相似性度量可以表示為

在公式(11)和(12)中,滿足D(x0,y0)的偏移量(x0,y0)稱為匹配點，但是當目標嚴重被照明影響，跟蹤效果將不是非常理想的.圖像的線性變化可以通過歸一化算法來跟蹤.歸一化算法的相似性度量可以表示為

5 算法實現(xiàn)及結(jié)果分析

為了驗證本算法的準確性，實驗選用PC機配置為Intel Core I5,2GB內(nèi)存，并分別在兩段視頻下進行了實驗.跟蹤結(jié)果如圖4、5所示.

圖4 跟蹤實驗結(jié)果:紅車跟蹤效果

圖5 跟蹤實驗結(jié)果:白車跟蹤效果

從實驗對比可以看出Camshift方法對運動目標和背景顏色相差很大的跟蹤效果比較好，如果運動目標和背景顏色相似，其跟蹤就會失敗，甚至會造成目標丟失.本文所提出的車輛跟蹤方法相對于Kalman Filter方法省時，相對于Camshift方法有所費時.但整體來看本文的方法相對于兩種傳統(tǒng)的方法漂移誤差都比較小，跟蹤準確性好，耗時有所減少，跟蹤實時性有所增強.

5 結(jié)論

在Marr的理論的幫助下，我們研究了基于計算機視覺的目標跟蹤算法，這大大有助于圖像處理技術(shù)的進步和對車輛的跟蹤問題的一種新的計算方法的建立.針對車輛目標分割問題，通過Robert邊緣檢測算子得到車輛的邊緣特征.結(jié)合灰度車輛圖像的邊緣檢測，獲得最大類間方差，提高分割的準確性和實時性.在相對復雜的背景下，采用模板匹配的方法對車輛進行跟蹤研究，從而有利于更好的提取交通參數(shù).

〔1〕袁國武.智能視頻監(jiān)控中的運動目標檢測和跟蹤算法研究[D].云南大學,2012.

〔2〕劉雪.基于圖像序列的運動目標檢測與跟蹤算法研究[D].山東大學,2013.

〔3〕孟祥怡.運動目標的跟蹤與識別算法研究[D].吉林大學, 2014.

〔4〕G.Tian,R.M.Hu,and Z.Y.Wang,A method of shift Mean shift target tracking based on motion vector analysis.[J].Journal of Image and Graphics,2010,01：85-90.

〔5〕H.P.Yin,Y.Liang,J.J.Kuang,and X.Y.Yang,A method of moving object tracking based on multi feature adaptive fusion.[J].Photoelectron,Laser,2010,06：917-923.

〔6〕T.Gao,Z.G.Liu,and J.Liu,A method of multi moving target tracking based on traffic video sequences.[J].Journal of Central South University(natural science edition),2010,03：1028-1036.

〔7〕H.Y.Li,Z.Mao,J.J.Yuan,J.S.Qu,and Z.R.Wu,A method of moving target tracking based on algorithm fusion.[J].Foreign Electronic Measurement Technology,2013,12：36-40.

〔8〕Zampoglou M,Papadimitriou T,DiamantarasK I.Support Vector Machines Content-Based Video Retrieval based solely on Motion Information[A].2012 IEEE Workshop on Machine Learning for Signal Processing[C].2010.1551～2541.

〔9〕Amin M A,Hong Y.Sign Language Finger Alphabet Recognition from Gabor-PCA Representation of Hand Gestures[A].2007 International Conference on Machine Learning and Cybernetics[C].2009.2218～2223.

TP391.4

A

1673-260X（2017）02-0012-03

2016-11-19

安徽省高校自然科學研究一般項目《基于Hadoop大數(shù)據(jù)平臺的短時交通流預測方法研究》(KJ2017B014)；淮北市2015科技攻關(guān)計劃項目《交通違章檢測系統(tǒng)的研究與開發(fā)》（2015005）