吳晶鑫 仲梁維

摘 要：動態(tài)前景目標識別和提取是計算機視覺領域的重要內容。對動態(tài)圖像進行前景目標提取與運動跟蹤，通過改進高斯混合背景模型，提出一種基于自適應特征加權的前景目標提取算法，目的是對動態(tài)畫面中的圖像特征進行識別并精確提取所需要的畫面。根據(jù)高斯模型組合多個圖像特征，針對組合特征空間的各個子空間構建似然圖像，通過似然圖像特征分析與加權，提取最具有差異性的特征。根據(jù)圖像前景特征在圖像幀與幀之間的不同，提高前景目標跟蹤的魯棒性。試驗結果表明，改進算法在提取前景目標上比傳統(tǒng)算法提高了精度，目標跟蹤效果好。

關鍵詞：MATLAB;目標跟蹤;高斯混合模型;圖像特征;均值漂移

DOI：10. 11907/rjdk. 182013

中圖分類號：TP303文獻標識碼：A文章編號：1672-7800（2019）004-0016-05

0 引言

前景動態(tài)目標提取與跟蹤是視覺圖像處理領域的重要技術。目前，常用的運動前景檢測與提取方法有光流差法[1]、背景消減法[2]、幀差法[3]、均值漂移法[4]、中值濾波等[5-6]。其中，光流法和均值漂移法廣泛應用于運動目標檢測中。光流法用光流場反映像素點運動的方向和速度，根據(jù)光流場分布特征提取出運動目標區(qū)域[7]。該方法檢測精度高，但是無法獲得運動目標的準確輪廓[8-9]。均值漂移算法運算速度快，通過在視頻幀與目標幀匹配目標直方圖的最大相似性區(qū)域對運動目標進行跟蹤[10-11]，但在前景目標顏色與背景色相差不大或存在光線變化的跟蹤場景下，跟蹤效果大打折扣[12]。

為提高前景模型的準確性，Heikkila & Pietikainen[13]提出了LBN（Local Binary Patterns）紋理特征，利用每個像素點周圍的圓形區(qū)域計算一組適應的局部二值模式直方圖，對每個像素點進行建模。Sheikh[14]等在最大后驗概率-馬爾科夫隨機場框架下利用空間先驗信息，使每個像素不再獨立進行標記。

本文提出一種基于自適應特征加權的動態(tài)前景目標提取算法。根據(jù)高斯混合模型（Gaussian Mixture Model， GMM）的初始結果，利用提出的自適應特征算法對圖像特征的顏色和大小進行度量，對圖像進行特征加權，提取最具有差異性的特征，從而得到新的圖像特征提取結果。結合均值漂移算法檢測運動前景，達到對運動目標進行跟蹤的目的。

1 目標前景提取

1.1 前景提取模型

一個良好的前景提取模型在目標檢測、識別與跟蹤等任務中起著重要作用。本研究采用高斯混合模型，針對動態(tài)目標提取前景問題，提出自適應圖像特征優(yōu)化方法。該方法采用圖像灰度理論[15]，基于高斯混合模型描述灰度直方圖的正態(tài)分布，將圖像信息轉化為高斯模型特征。利用模型特征構建似然圖像，通過計算似然比大小，初步識別圖像中的背景區(qū)域或前景區(qū)域。分析圖像特征區(qū)域大小信息，計算權重并將權值分配到圖像特征上，以排除微小特征干擾。通過前景目標和背景對比，最終區(qū)分圖像信息是背景還是前景，達到提取前景目標的目的，最終實現(xiàn)前景動態(tài)目標跟蹤。前景提取模型如圖1所示。

1.2 高斯混合模型建立

高斯混合模型是單一高斯概率密度函數(shù)的延伸，是由等式給出的M分量高斯密度的加權和，如公式（1）所示：

圖像在顏色空間中，每一個像素分為R、G、B三個像素通道[16-17]，分別用K個高斯分布構成的混合高斯模型表示圖像中各個像素點特征。用當前圖像中的每個像素點與混合高斯模型匹配，如果成功則判定該點為背景點，否則為前景點。

1.3 高斯混合模型求解

求解高斯的參數(shù)估計方法中，期望最大化算法（Expectation Maximization，簡稱EM算法）通常是最好的選擇。EM算法根據(jù)一定分布中某些可能包含信息丟失的樣本估計樣本所服從的分布參數(shù)，其核心思想是根據(jù)采集到的數(shù)據(jù)遞歸估計似然函數(shù)[18]。定義“完全數(shù)據(jù)”的似然函數(shù)見式（2）：

將高斯模型應用到動態(tài)圖像并求解，結果如圖2所示。圖2（a）為原始圖像，圖2（b）為高斯混合模型下對圖像特征分布求解后的結果，可以看出高斯混合模型可提取前景目標大小和形狀，但存在微小圖像信息干擾。

2 基于高斯混合模型的自適應特征算法

2.1 圖像特征提取

在原始彩色圖像中，前景區(qū)域中的像素大多具有正值，而背景主要由可能性圖像中的負值像素組成，大多數(shù)像素會正確分類。本研究中，特征提取的目標是識別具有最低維度的最具差異性的圖像，以降低計算復雜度并提高識別精度。此外，線性方法比非線性方法快得多[19]。

基于以上分析，本文使用PCA算法進行特征提取。PCA算法可減少數(shù)據(jù)維度，通過線性變換將原始數(shù)據(jù)變換為一組各維度線性無關的表示，據(jù)此提取數(shù)據(jù)的主要特征分量。PCA計算過程如下：

如圖3所示，經(jīng)計算得出每個圖像特征投影到PCA空間，將多維特征降為線性特征然后進行分類。圖3（a）為原始圖像特征分布，圖3（b）為PAC降維之后的圖像特征。

2.2 圖像特征加權

通常在似然性圖像中，原始目標圖像被轉變成一個明亮的相同塊狀區(qū)域。因為許多前景像素在該區(qū)域被壓縮，所以目標區(qū)域中的大且亮區(qū)域具有較大的權重。相反，目標區(qū)域中小的分塊具有小的權值。另一方面，微小區(qū)域不是目標區(qū)域，很可能是噪音[20]。將圖像像素的空間大小信息加入權值計算中。根據(jù)區(qū)域大小信息以及每個特征的強度值計算權重，從而消除小而亮的信息影響，消除圖像噪聲獲得更準確的圖像特征，以合理分配圖像特征權重。圖像特征加權流程如圖4所示。

分配計算所有特征權重并更新圖像特征區(qū)域，加權后的前景目標區(qū)域提取效果有較大提高。如圖5所示，圖5（a）為圖像特征加權處理前，圖5（b）為通過圖像特征加權算法的結果。將圖5（a）與圖5（b）比較，可以看出圖像特征經(jīng)加權處理后，對圖像的噪聲有很好的過濾，尤其是疵點部分的特征有效地忽略了，圖像前景更加明顯突出，很好地提取了圖像目標的前景特征。

3 前景目標跟蹤

將自適應特征提取方法結合均值漂移算法應用到動態(tài)畫面的動態(tài)目標跟蹤中。均值漂移算法是用于定位密度函數(shù)最大值的非參數(shù)特征空間分析技術?；谙惹皥D像中的對象色直方圖，在新圖像中創(chuàng)建置信度圖，并使用均值移位找到對象原先位置附近的置信度圖的峰值。置信度圖是新圖像上的概率密度函數(shù)，為新圖像的每個像素分配概率，該概率是在先前圖像的對象中出現(xiàn)像素顏色的概率。均值漂移算法鎖定概率函數(shù)的局部加權平均值后的密度最大值，通過迭代運算找到目標位置，將目標收斂到一個穩(wěn)定點，對目標進行跟蹤。前景目標跟蹤處理流程如圖6所示。

均值漂移向量的基本形式為：

將本研究的自適應特征加權算法應用到動態(tài)圖像中，將均值漂移算法和自適應特征加權進行融合，最終目標跟蹤結果如圖7所示。

圖7（a）為在平坦的馬路上拍攝的車輛動態(tài)畫面，圖7（b）為目標跟蹤的俯視圖，圖7（c）為目標跟蹤斜視圖，圖7（d）為目標跟蹤的水平視圖。試驗結果表明，本算法在兼顧計算實時性的同時，有著較高的定位精度，精確識別了畫面中的動態(tài)車輛，實現(xiàn)了動態(tài)目標跟蹤。

4 結語

本文針對前景提取與運動目標檢測，提出一種基于高斯混合模型的自適應圖像特征提取前景目標方法?；贛ATLAB建模軟件對動態(tài)前景運動目標進行檢測，并融合均值漂移算法實現(xiàn)了目標精確跟蹤。試驗證明自適應特征算法減少了背景圖像與微小圖像特征對前景目標的干擾，有效區(qū)分了背景區(qū)域和前景區(qū)域，提高了前景運動目標提取精度，是一種性能良好、效率高的動態(tài)前景目標提取與運動跟蹤技術。

參考文獻：

[1] 劉潔. 基于光流法的運動目標檢測和跟蹤算法研充[D]. 徐州：中國礦業(yè)大學，2015.

[2] 夏瑜. 圖像處理技術研究[D]. 無錫：江南大學，2015.

[3] 嚴曉明. 一種基于改進幀差法的運動目標檢測[J]. 莆田學院學報，2011（5）：69-72.

[4] 李鍵，丁學明. 視頻前景提取算法研究[J].? 軟件導刊，2018（2）：135-139.

[5] 劉國宏，郭文明. 改進的中值濾波算法[J]. 計算機光盤軟件與應用，2012（6）：122-123.

[6] 劉嘉敏，彭玲，袁佳成. 基于二維變分模態(tài)分解和自適應中值濾波的圖像去噪方法[J]. 計算機應用研究，2017，34（5）：1700-1705.

[7] 江登表，程小輝. 基于高斯運動模型的車輛檢測[J]. 電視技術，2009，33（8）：103-106.

[8] 張學習，楊宜民. 彩色圖像工程中常見的顏色空間及其轉換[J]. 計算機工程與設計，2008，29（5）：1210-1212.

[9] 黃玉. 基于改進混合高斯模型的前景檢測算法研究[D]. 長沙：長沙理工大學，2014.

[10] 于明，郭團團. 基于高斯混合模型的人群異常檢測[J]. 軟件導刊，2017（11）：59-62.

[11] 李鴻. 基于混合高斯模型的運動檢測及陰影消除算法研究[D]. 天津：中國民航大學，2013.

[12] 劉令芝. 基于視頻的車輛檢測與跟蹤研究[D]. 湘潭：湘潭大學，2011.

[13] HEIKKILA M，PIETIKAINEN M，HEIKKILA J. A texture-based method for detecting moving objects[EB/OL]. http：//www.docin.com/p-1395391692.html.

[14] JIAN M，JUNG C. Interactive image segmentation using adaptive constraint propagation[J]. IEEE Transactions on Image Process，2016，25 （3）：1301-1311.

[15] 李培華. 序列圖像中運動目標跟蹤方法[M]. 北京：科學出版社，2010：32-35.

[16] 李霉，劉昌化，年福忠. 基于自適應背景的多特征融合目標跟蹤[J]. 計算機應用，2013（3）：891-902.

[17] 胡小鋒，趙輝. Visual C++/MATLAB圖像處理與識別實用案例精選[M]. 北京：人民郵電出版社，2004.

[18] GHASSABEH Y A. Asymptotic stability of equilibrium points of mean shift algorithm[J]. Machine Learning，2015，98（3）：359-368.

[19] 王強光，伍鐵軍. 智能監(jiān)控系統(tǒng)中的運動目標分類方法研究[J]. 工業(yè)控制計算機，2011，24（1）：16-20.

[20] 黃超群. 基于混合高斯模型和Kalman濾波器的運動目標檢測與跟蹤[D]. 昆明：云南大學，2010.

（責任編輯：杜能鋼）