劉少林，朱文球，孫文靜，王業(yè)祥

(1.湖南工業(yè)大學(xué) 計(jì)算機(jī)學(xué)院，湖南 株洲 412007；2.智能信息感知及處理技術(shù)湖南省重點(diǎn)實(shí)驗(yàn)室，湖南 株洲 412007)

0 引 言

實(shí)時(shí)的運(yùn)動(dòng)目標(biāo)跟蹤算法一直是當(dāng)今計(jì)算機(jī)視覺與圖像處理領(lǐng)域中的一個(gè)熱門研究領(lǐng)域，在日常生活以及科學(xué)研究中具有廣泛的應(yīng)用[1-2]。目標(biāo)在圖像中的描述在目標(biāo)跟蹤中至關(guān)重要，通常采用的特征包括灰度、顏色、邊緣和LBP紋理等[3]。

1993年由Gordon等[4]等提出了一種基于貝葉斯理論的粒子濾波算法，但將其引入計(jì)算機(jī)視覺領(lǐng)域進(jìn)行運(yùn)動(dòng)目標(biāo)跟蹤卻是在1998年由Isard M等提出[5-6]。由于粒子濾波跟蹤算法在處理非線性、非高斯問題時(shí)的獨(dú)特優(yōu)勢，因此在目標(biāo)跟蹤領(lǐng)域受到了更多研究者的重視。但是，它的缺陷也是很明顯的，即只有當(dāng)粒子數(shù)量足夠時(shí)，加權(quán)粒子才能更好地模擬后驗(yàn)概率分布，因此計(jì)算量十分大，無法保證算法的實(shí)時(shí)性，這使得它無法在目標(biāo)跟蹤中得到廣泛的應(yīng)用。為了解決粒子濾波計(jì)算量龐大的問題，近年來涌現(xiàn)出很多解決方法。其中，最常見的是將粒子濾波算法與快速收斂的mean shift算法[7]相結(jié)合的Kernel粒子濾波[8]。基于上述分析，文中提出一種基于顏色紋理聯(lián)合直方圖的自適應(yīng)粒子濾波跟蹤算法。

1 基礎(chǔ)理論

1.1 顏色直方圖模型

顏色直方圖[9-10]是一種全局特征，由于其計(jì)算簡便、處理速度快、對(duì)目標(biāo)尺度、旋轉(zhuǎn)部分遮擋不敏感等優(yōu)點(diǎn)而受到廣泛應(yīng)用。

假設(shè)被跟蹤的目標(biāo)是中心為y0，窗寬為h的矩形。文獻(xiàn)[5]將目標(biāo)在圖像中的大小以及每一個(gè)像素點(diǎn)在矩形中所處的位置對(duì)直方圖構(gòu)建的影響體現(xiàn)在算法中，依據(jù)像素點(diǎn)在矩形中的位置分配不同的權(quán)值，位置離目標(biāo)中心的距離越小其權(quán)值越大，權(quán)值函數(shù)為：

(1)

其中，r為像素點(diǎn)位置到矩形中心的距離。

目標(biāo)的加權(quán)顏色直方圖為：

(2)

其中，Ch為歸一化系數(shù)。

(3)

1.2 LBP紋理直方圖模型

局部二值模式[11](local binary pattern，LBP)是一種用來描述圖像局部紋理特征的算子，具有灰度和旋轉(zhuǎn)不變性且計(jì)算復(fù)雜度低等優(yōu)點(diǎn)。

原始的LBP算子定義在3×3的窗口內(nèi)，對(duì)比窗口中心像素與相鄰的8個(gè)像素的灰度值，若周圍像素值大于中心像素值，則該像素點(diǎn)賦值為1，反之為0，從而得到一串二進(jìn)制串，作為該像素點(diǎn)的LBP紋理特征值。計(jì)算公式如下：

(4)

其中，P為鄰域像素的數(shù)目；R為中心像素xi與鄰域像素的距離；gc為對(duì)應(yīng)圖像塊中心的灰度；gp表示以yc為圓心，半徑為R的圓環(huán)上第p個(gè)等分點(diǎn)的灰度。函數(shù)s(x)僅與像素點(diǎn)的相對(duì)灰度有關(guān)，不受像素整體亮度變化的影響 。函數(shù)s(x)的定義如下：

(5)

其中,T為減輕噪聲及局部灰度變化影響所設(shè)置的閾值。

1.3 巴氏距離

某一區(qū)域的顏色直方圖pu和目標(biāo)顏色直方圖qu之間的相似性用巴氏距離[9]來描述：

(6)

其中，ρ∈[0,1]稱為巴氏系數(shù)。

巴氏距離表示為：

(7)

d越小，表明該矩形為目標(biāo)的概率越高。

2 自適應(yīng)粒子濾波跟蹤算法

2.1 聯(lián)合顏色紋理直方圖

(8)

(9)

其中,r為抗擾動(dòng)因素，r的絕對(duì)值越大，表明該值對(duì)于灰度變化越魯棒。

(10)

在維度的選取上，在實(shí)驗(yàn)中令m=8×8×8×5，其中用前三維分別計(jì)算HSV顏色通道的值，第四維按照式10計(jì)算5種紋理模式中的值[14]。

2.2 算法流程

(11)

在算法重采樣過程中，不考慮權(quán)值小于閾值的粒子，而將權(quán)值比閾值大的粒子，按照粒子權(quán)值重新分配粒子。

基于聯(lián)合直方圖的自適應(yīng)粒子濾波跟蹤算法實(shí)現(xiàn)過程分為以下4個(gè)步驟：

步驟1：粒子初始化。粒子數(shù)的初始值設(shè)定為N，t= 0時(shí)刻，在初始幀手動(dòng)框選跟蹤區(qū)域，根據(jù)式10得到目標(biāo)的顏色紋理直方圖表達(dá)式q(u)。

步驟2：狀態(tài)預(yù)測。粒子通過運(yùn)動(dòng)模型進(jìn)行傳播，使用的運(yùn)動(dòng)模型如下：

(12)

其中，Vt-1為一個(gè)高斯隨機(jī)變量。

步驟3：權(quán)值更新。

(1)利用式10計(jì)算經(jīng)過運(yùn)動(dòng)傳播之后新粒子所在區(qū)域的顏色紋理直方圖P(u)。

(2)利用式7計(jì)算巴氏距離d。

(3)利用式11計(jì)算更新權(quán)重，并歸一化權(quán)值。

(13)

(14)

(2)生成一組服從均勻分布的隨機(jī)數(shù)u～U(0,1)。

步驟5：輸出。目標(biāo)狀態(tài)的均值估計(jì)為：

(15)

3 實(shí)驗(yàn)與分析

為了驗(yàn)證提出的跟蹤算法的性能，在主頻為3.30 GHz、內(nèi)存為8 G的PC機(jī)上使用VS2013編程實(shí)現(xiàn)。實(shí)驗(yàn)過程中第一幀使用鼠標(biāo)指定待跟蹤目標(biāo),分別使用傳統(tǒng)的粒子濾波算法與文字中算法進(jìn)行目標(biāo)跟蹤，跟蹤效果分別如圖1、圖2所示。

圖1 傳統(tǒng)的粒子濾波算法

圖2 基于顏色紋理聯(lián)合直方圖的自適應(yīng)粒子濾波跟蹤算法

傳統(tǒng)的粒子濾波算法由于目標(biāo)被部分遮擋導(dǎo)致跟蹤效果不理想，如圖1中第93～105幀所示，后續(xù)幀中算法不斷在圖像中搜索目標(biāo)，最終在第388幀中正確鎖定目標(biāo)。改進(jìn)算法由于采用顏色紋理直方圖進(jìn)行跟蹤，穩(wěn)定性有了保障，最終實(shí)現(xiàn)對(duì)目標(biāo)物體魯棒的跟蹤，如圖2第93～388幀所示。

兩種算法在處理速度、平均迭代次數(shù)以及成功率的對(duì)比如表1所示。實(shí)驗(yàn)數(shù)據(jù)表明，改進(jìn)算法雖然損失了處理速度，但還是滿足實(shí)時(shí)性的要求，并且跟蹤結(jié)果更加可靠和魯棒。

表1 算法性能對(duì)比結(jié)果

4 結(jié)束語

提出了一種基于聯(lián)合顏色與紋理特征直方圖的自適應(yīng)粒子濾波目標(biāo)跟蹤算法，在利用空間顏色特征的基礎(chǔ)上，加入了改進(jìn)的LBP紋理特征，增強(qiáng)了目標(biāo)特征的描述。多個(gè)不同場景的室內(nèi)外實(shí)驗(yàn)表明，與經(jīng)典的粒子濾波跟蹤算法相比，該算法在抗相似目標(biāo)的干擾上更加可靠和魯棒。

參考文獻(xiàn):

[1] YILMAZ A,JAVED O,SHAH M.Object tracking:a survey[J].ACM Computing Survey,2006,38(4):13.

[2] TREPTOW A,ZELL A.Real-time object tracking for soccer-robots without color information[J].Robotics and Autonomous Systems,2004,48(1):41-48.

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

[4] GORDON N J,SALMOND D J,SMITH A F M.Novel approach to nonlinear/non-Gaussian Bayesian state estimation[C]//IEE proceedings F (radar and signal processing).[s.l.]:IET,1993:107-113.

[5] ISARD M,BLAKE A. ICONDENSATION:unifying low-level and high-level tracking in a stochastic framework[C]//European conference on computer vision.[s.l.]:[s.n.],1998:893-908.

[6] MENG Bo,ZHU Ming.Nonlinear object tracking using particle filter[J].Optics & Precision Engineering,2007,15(9):1421-1426.

[7] 董恩增,蘇麗婭,付艷紅,等.融合顏色紋理特征的自適應(yīng)粒子濾波跟蹤算法[J].計(jì)算機(jī)測量與控制,2014,22(4)：1182-1184.

[8] DEGUCHI K,KAWANAKA O,OKATANI T.Object tracking by the mean-shift of regional color distribution combined with the particle-filter algorithm[C]//International conference on pattern recognition.Cambridge,UK:IEEE,2004:506-509.

[9] 莊 嚴(yán),戰(zhàn)洪斌,王 偉，等.基于加權(quán)顏色直方圖和粒子濾波的彩色物體跟蹤[J].控制與決策,2006,21(8):868-872.

[10] 張 楠,蔡 念,張海員.基于空間直方圖的粒子濾波目標(biāo)跟蹤算法[J].計(jì)算機(jī)工程與應(yīng)用,2011,47(21):210-213.

[11] 劉 豪,楊永全,郭仙草,等.用于紋理特征提取的改進(jìn)的LBP算法[J].計(jì)算機(jī)工程與應(yīng)用,2014,50(6):182-185.

[12] NING Jifeng,ZHANG Lei,ZHANG D,et al.Robust object tracking using joint color-texture histogram[J].International Journal of Pattern Recognition & Artificial Intelligence,2011,23(7):1245-1263.

[13] 于亞風(fēng),劉光帥,馬子恒,等.用于紋理特征提取的改進(jìn)的成對(duì)旋轉(zhuǎn)不變共生局部二值模式算法[J].計(jì)算機(jī)應(yīng)用,2016,36(12):3389-3393.

[14] 王保云,范保杰.基于顏色紋理聯(lián)合特征直方圖的自適應(yīng)Meanshift跟蹤算法[J].南京郵電大學(xué)學(xué)報(bào):自然科學(xué)版,2013,33(3):18-25.