亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        結(jié)合稀疏表示的跨攝像頭運動目標(biāo)跟蹤算法

        2021-04-30 02:48:40廖桂生黃慶享
        關(guān)鍵詞:亮度攝像頭光照

        逯 彥,廖桂生,2,黃慶享

        (1.西安科技大學(xué) 能源學(xué)院,陜西 西安 710054;2.西安電子科技大學(xué) 電子工程學(xué)院,陜西 西安 710071)

        目標(biāo)跟蹤作為智能視覺科學(xué)的一個重要研究課題,廣泛應(yīng)用于視頻監(jiān)控、交通識別、行為分析等領(lǐng)域。該課題相關(guān)算法日趨成熟[1-3],其應(yīng)用模式也從單攝像頭拓展到了多個攝像頭。但在該模式下,仍存在諸多難點??鐢z像頭下的運動目標(biāo)跟蹤主要分為兩類:一類存在重疊區(qū)域,根據(jù)攝像頭間的空間幾何關(guān)系以及坐標(biāo)位置完成信息銜接,但是對攝像頭安裝方位有一定要求;另一類基于非重疊區(qū)域,該類方法在結(jié)合目標(biāo)空間關(guān)聯(lián)信息的基礎(chǔ)上,通過特征匹配實現(xiàn)目標(biāo)跟蹤[4-5]。此類跟蹤的難點在于,當(dāng)目標(biāo)所處不同場景時,由于光照影響不同,導(dǎo)致亮度不均勻,從而降低了特征對目標(biāo)的描述能力。如何構(gòu)造穩(wěn)定魯棒的特征模型是亟需解決的問題。文獻[6]通過提取目標(biāo)的顏色特征使其在單攝像頭時獲得了較好的跟蹤效果,但應(yīng)用于多攝像頭時,無法穩(wěn)定跟蹤到目標(biāo)。文獻[7]通過調(diào)整不同視角的顏色特征提高了跟蹤精度,但實用性較差。不同于跨攝像頭,單攝像頭下改善光照影響的目標(biāo)跟蹤算法發(fā)展迅速。文獻[8]通過似然估計判別亮度值大小與方位,以應(yīng)對光照變化的不同情況,提高了跟蹤準(zhǔn)確率,但算法計算過于復(fù)雜。文獻[9]將背景區(qū)域局部化,并賦予不同權(quán)值,通過構(gòu)造背景加權(quán)直方圖來描述目標(biāo),算法在保持運算速度的同時降低了光照變化對跟蹤的影響,但背景光照突變時,跟蹤效果不佳。

        近年來,基于稀疏表示的相關(guān)算法在目標(biāo)跟蹤方向[10-11]取得了顯著進步。而重構(gòu)算法作為稀疏表示的重要組成部分,通過模板矩陣實現(xiàn)了高維與低維向量的空間映射。其中,貪婪算法因其復(fù)雜度低且具有一定重構(gòu)精度而被廣泛使用。傳統(tǒng)的匹配追蹤算法[12]通過逐個原子匹配,完成對目標(biāo)的重構(gòu),但計算量相對較大。文獻[13]提出的稀疏度自適應(yīng)匹配追蹤(Sparsity Adaptive Matching Pursuit,SAMP)算法,在稀疏度未知的情況下,通過殘差更新步長以完成對信號的線性逼近,但運算速度相對較慢。文獻[14]提出的改進算法通過預(yù)估稀疏度的方式對支撐集更新,并引入模糊閾值完成對原子的二次篩選,通過基于殘差的相關(guān)系數(shù),確定最優(yōu)原子集完成高維信號重構(gòu)。該算法顯著地提高了迭代速度,但重構(gòu)精度一般。

        基于以上分析,筆者以稀疏表示為框架,提出一種基于跨攝像頭的光照補償運動目標(biāo)跟蹤模型。該模型通過不同場景下的背景亮度比值獲得補償系數(shù),并對運用三幀差法[15]差分得到的待檢測目標(biāo)進行光照補償,以降低不同場景下光照差異性對目標(biāo)跟蹤的影響;在求解模型階段,筆者在分析了波達方向(Direction Of Arrival,DOA)估計領(lǐng)域中BLOOMP算法[16]的基礎(chǔ)上,利用算法中的帶寬排除方法和局部優(yōu)化方法降低原子間干擾的同時,采用新的相干性判別機制,使其在迭代過程中獲得更為緊湊的相關(guān)帶來更新支撐集,以改善原子選擇精度;并在更新階段,結(jié)合相關(guān)帶中原子匹配時的權(quán)重系數(shù)對模板矩陣進行替換,提高了模板對外界實時變化的適應(yīng)能力。仿真實驗表明,相較于主流算法,所提算法有較好的跟蹤精度與魯棒性。

        1 模型建立

        1.1 光照補償

        不同攝像頭下采集的視頻圖像所受亮度不同,受文獻[11]啟發(fā),同時考慮到目標(biāo)所受光照影響與其附近背景所受光照影響近似,并且由于局部背景亮度值趨于平穩(wěn),基于此,所提算法以首個攝像頭中手動框選的感興趣的運動目標(biāo)為中心,在其附近區(qū)域提取一組背景塊,并以塊為單位計算背景平均亮度作為參考指標(biāo),而后以相同的方式得到目標(biāo)出現(xiàn)在第r個攝像頭時待測目標(biāo)區(qū)域內(nèi)的局部背景亮度均值,則第r個攝像頭與首個攝像頭中對應(yīng)的第j個背景塊亮度均值之比ηrj為

        (1)

        其中,α1j與βij分別是首個以及第r個攝像頭中第j個背景塊的亮度均值。

        1.2 稀疏檢測模型

        筆者將目標(biāo)出現(xiàn)的首個攝像頭與其余攝像頭做區(qū)分,分3步構(gòu)造基于稀疏表示的跨攝像頭跟蹤模型:

        (1) 構(gòu)造過完備字典:稀疏表示模型[10]以粒子濾波為框架,通過提取感興趣目標(biāo)特征,構(gòu)造過完備特征字典A=[a1,a2,…,an]∈Rm×n作為變換域。每列原子由一幅模板生成,其中,aq∈Rm×1,q∈(1,2,…,n)。并且以上一幀確定的目標(biāo)為中心,獲取d個粒子樣本作為候選目標(biāo),對其進行矢量化,得到y(tǒng)i∈Rm×1,i∈(1,2,…,d)。yi可通過變換域得到與其具有空間映射關(guān)系的稀疏系數(shù)向量?;诖?,候選目標(biāo)可通過字典中少量原子的線性組合進行重構(gòu),并表示為

        (2)

        其中,ξi=[ξi1,ξi2,...ξin],為與候選目標(biāo)yi對應(yīng)的系數(shù)向量。由于構(gòu)造的字典是過完備的(m<

        (3)

        文中以首個攝像頭初始幀目標(biāo)為中心,通過高斯分布獲取n個模板,進行歸一化處理構(gòu)造字典矩陣。

        (2) 檢測模型:當(dāng)目標(biāo)出現(xiàn)在第r個攝像頭中時,由于傳統(tǒng)幀差法在時間間隔過短,目標(biāo)移動過慢時,無法提取整個目標(biāo)?;诖?,采用三幀差法[15]差分出視頻中的運動目標(biāo)并對其進行向量化,得到待測目標(biāo)模板集Z=[z1,z2,…,zp]∈Rm×p,考慮到三幀差法檢測目標(biāo)易受光照干擾,以及不同視角下光照條件的差異性,構(gòu)造光照補償模型。其中,局部補償系數(shù)向量ηr=[ηr1,…,ηr1,…,ηrj,…,ηrj,…,ηrl,…,ηrl]∈Rm×1由式(1)獲取,ηrj為局部背景亮度比值,基于上述分析,在稀疏表示框架下,通過系數(shù)向量ηr與待測目標(biāo)zi哈達瑪積[11]進行光照補償,考慮到在跟蹤過程中存在噪聲干擾,因此,模型描述與稀疏系數(shù)項條件分別為

        (4)

        (5)

        其中,ε為誤差項,°表示哈達瑪積。由于式(5)是一個NP-hard問題,通過σ限定可轉(zhuǎn)換為

        (6)

        并通過式(7)計算在固定條件下最小誤差,其中k為稀疏度。

        (7)

        (8)

        其中,Q為隨機降維矩陣。

        2 模型求解

        2.1 構(gòu)造相關(guān)帶

        通過式(9)和式(10)計算原子的歐氏距離和相干性[16],分別為

        (9)

        ω(i,j)=‖di-dj‖2,

        (10)

        基于此,通過式(11)和式(12)構(gòu)造以符合要求的列數(shù)j為參數(shù)的一階相關(guān)帶[16],分別為

        (11)

        (12)

        根據(jù)式(13)和式(14)構(gòu)造以上式中一階相關(guān)帶為參數(shù)的二階相關(guān)帶[16],分別為

        (13)

        (14)

        2.2 目標(biāo)重構(gòu)

        算法通過第n-1步所選原子構(gòu)造相關(guān)帶。在第n步時,為了消除原子相干性的影響,利用帶排除技術(shù)[16],避免所選原子來自第n-1步的相關(guān)帶中,且通過局部優(yōu)化(LO)算法[16]減小殘差,獲得更好的重構(gòu)效果,同時篩選出符合條件的原子。改進后的BLOOMP算法流程如下:

        輸入:測試圖像zi,稀疏度k,觀測矩陣D′,迭代次數(shù)n=1,2,…,k。

        迭代次數(shù):n=1,2,…,k。

        (2) 通過LO算法進行局部優(yōu)化:

        此時選取殘差值最小的作為匹配結(jié)果,并將該匹配結(jié)果作為當(dāng)前攝像頭下后續(xù)視頻幀的初始目標(biāo)。利用構(gòu)造好的字典模板對視頻中剩余幀的候選目標(biāo)進行稀疏表示,并采用上述重構(gòu)方法判斷候選目標(biāo)重構(gòu)殘差大小來確定匹配結(jié)果,完成稀疏表示下的目標(biāo)跟蹤。

        2.3 字典更新

        (15)

        3 實驗結(jié)果與分析

        實驗平臺:Matlab2012b;計算機環(huán)境:CPU為Intel Core i7,內(nèi)存為8 GB。為了驗證文中算法的有效性,分別在室內(nèi)和室外不同場景下對算法進行測試,提取100個目標(biāo)模板,構(gòu)造過完備字典,粒子濾波中的粒子數(shù)設(shè)置為500,BLOOMP算法為默認(rèn)參數(shù)設(shè)置。

        3.1 實驗定性分析

        實驗1:實驗針對室外環(huán)境中存在非重疊區(qū)域的跨攝像頭進行算法性能測試,并且不同場景下具有不同的光照及陰影條件,該視頻分為3個部分,每部分都存在多個運動目標(biāo)。圖1為在第1個攝像頭采集的視頻中,手動框選的運動目標(biāo)及生成的目標(biāo)模板。

        圖1 獲取目標(biāo)模板

        在第2個攝像頭采集的測試視頻中,對視頻的前幾幀圖像采用三幀間差分法可縮小候選目標(biāo)范圍,降低候選目標(biāo)集的重構(gòu)次數(shù),改善檢測性能,之后通過殘差值對候選目標(biāo)集進行判斷,以確定視頻中的運動目標(biāo)。檢測的結(jié)果如圖2所示。該段視頻部分跟蹤結(jié)果如圖3所示。圖中圓點線框為文中算法跟蹤結(jié)果,虛線框為OMP算法[12]跟蹤結(jié)果,實線框為IVT算法[18]跟蹤結(jié)果。

        圖2 第2個攝像頭運動目標(biāo)檢測結(jié)果

        圖3 第2個攝像頭部分跟蹤結(jié)果

        在第3個攝像頭下采集的視頻中,采用相同方法,利用三幀差法得到運動目標(biāo)。第3段視頻檢測的結(jié)果如圖4所示。該段視頻部分跟蹤結(jié)果如圖5所示。與上述結(jié)果一樣,黑色圓點線框為文中算法跟蹤結(jié)果,黑色虛線框為OMP算法跟蹤結(jié)果,黑色實線框為IVT算法跟蹤結(jié)果。

        圖4 第3個攝像頭幀差法的檢測結(jié)果

        圖3中第2個攝像頭采集的視頻中的跟蹤結(jié)果表明,當(dāng)存在陰影區(qū)域時,文中算法克服了外部條件的干擾,并且在跟蹤過程中具有較好的跟蹤性能,而IVT算法產(chǎn)生了跟蹤漂移,OMP算法則直接丟失了跟蹤目標(biāo);圖5中,目標(biāo)出現(xiàn)在第3個攝像頭下時,雖未發(fā)生遮擋的情況,但由于光照條件發(fā)生了變換,導(dǎo)致這兩種算法產(chǎn)生跟蹤漂移,而文中算法針對不同攝像頭下的背景環(huán)境差異性,加入背景亮度補償,有效增強了跟蹤模型對遮擋及光照變換的抗干擾能力,使跟蹤過程保持了較好的穩(wěn)定性。

        圖5 第3個攝像頭部分跟蹤結(jié)果

        實驗2:該組實驗在室內(nèi)場景的不同視角下進行,通過第1個攝像頭提取目標(biāo)特征構(gòu)造字典,在另一攝像頭采集的視頻中對目標(biāo)進行跟蹤。如圖6(a)所示,是在第1個攝像頭采集的視頻中手動框選的運動目標(biāo),圖6(b)是通過該運動目標(biāo)得到的一系列目標(biāo)模板。參數(shù)設(shè)置與實驗1相同。

        圖6 獲取目標(biāo)模板

        在本實驗的第2個攝像頭采集的視頻中,對視頻的前幾幀圖像進行三幀間差分法,從而檢測出視頻中的運動目標(biāo),對應(yīng)的檢測結(jié)果如圖7所示。該段視頻部分跟蹤結(jié)果如圖8所示。圓點線框為文中算法跟蹤結(jié)果,虛線框為OMP算法跟蹤結(jié)果,實線框為IVT算法跟蹤結(jié)果。

        圖7 第2個攝像頭幀差法檢測結(jié)果

        圖8 實驗2部分跟蹤結(jié)果

        在該實驗中,由于光照條件相對平穩(wěn),OMP及IVT算法在跟蹤過程未丟失運動目標(biāo),但是存在不同程度的跟蹤漂移,而文中算法以稀疏表示理論為基礎(chǔ),利用字典內(nèi)原子間的關(guān)聯(lián)性,通過少量稀疏向量構(gòu)造空間映射關(guān)系以表征候選目標(biāo)集,保證了每個攝像頭下檢測到的初始目標(biāo)及后續(xù)跟蹤目標(biāo)具有較高的可信度。實驗結(jié)果表明,所提算法的目標(biāo)重構(gòu)精度以及跟蹤準(zhǔn)確度更高。

        另外,需要指出的是,文中算法通過降維處理在一定程度上降低了運算復(fù)雜度,但在模型的求解階段,由于需進行多次優(yōu)化迭代以保證重構(gòu)精度,而導(dǎo)致計算量增大;此外,為了提高跟蹤的穩(wěn)定性以及準(zhǔn)確度,算法以優(yōu)先保證候選目標(biāo)集的完整性為前提,增加了采樣粒子數(shù),而粒子數(shù)的增多也直接影響了跟蹤的實時性。

        3.2 實驗定量分析

        為定量評估算法性能,分別采用x,y坐標(biāo)誤差以及覆蓋率的最大值、最小值和均值對跟蹤效果進行分析說明。每幀跟蹤結(jié)果為RT,每幀的真實值為RG。式(16)是PASCAL VOC標(biāo)準(zhǔn)下的覆蓋率:

        (16)

        表1為IVT算法、OMP算法和文中算法跟蹤結(jié)果的中心坐標(biāo)與真實值中心坐標(biāo)間的誤差最大值、最小值和平均值。實驗1-1與實驗1-2分別表示實驗1中第2和第3個攝像頭下采集的測試視頻跟蹤數(shù)據(jù)。

        表1 各個算法X、Y坐標(biāo)最小、最大和平均值

        表2為IVT算法、OMP算法和文中算法的跟蹤結(jié)果與真實結(jié)果進行比較后的覆蓋率的最大值、最小值以及平均值。

        表2 各個算法覆蓋率的最小值、最大值和平均值

        從表2中可以看出,文中算法在目標(biāo)跟蹤過程中具有較高的準(zhǔn)確度,而IVT算法與OMP算法在部分幀中出現(xiàn)了覆蓋率為0或近乎為0的情況,并且平均覆蓋率也相對較低。在實驗1的第2段視頻中,文中算法在中心坐標(biāo)的x和y方向上的平均誤差在4個像素左右,而IVT與OMP算法在該段視頻下的跟蹤結(jié)果不理想,平均誤差較大;在第3段視頻中,文中算法中心坐標(biāo)在x和y方向上的平均誤差在個位數(shù),相對于IVT與OMP算法,具有較高準(zhǔn)確度。在實驗2中,文中算法雖然在個別幀上的跟蹤出現(xiàn)了一定的誤差,但總體而言跟蹤精度相對比較穩(wěn)定,而IVT與OMP算法,在實驗2的視頻中跟蹤精度不高。因此,無論是在室內(nèi)還是室外環(huán)境,文中算法均能穩(wěn)定地跟蹤到運動目標(biāo),并且具有較高的準(zhǔn)確性與魯棒性。

        4 結(jié)束語

        針對跨攝像頭下不同視頻中亮度存在差異性,從而影響特征匹配準(zhǔn)確度,導(dǎo)致跟蹤誤差較大的問題,文中根據(jù)不同攝像頭下的背景亮度差異性對待測目標(biāo)進行光照補償。并在目標(biāo)重構(gòu)階段,引入改進后的BLOOMP算法求解稀疏系數(shù),通過構(gòu)造更為緊湊的相關(guān)帶來減少重構(gòu)誤差;并在相關(guān)帶基礎(chǔ)上,結(jié)合原子權(quán)重系數(shù)對模板矩陣及時更新,以提高跟蹤精度。實驗結(jié)果表明,與主流算法相比,所提算法具有更高的準(zhǔn)確性和魯棒性。

        猜你喜歡
        亮度攝像頭光照
        浙江首試公路非現(xiàn)場執(zhí)法新型攝像頭
        節(jié)能環(huán)保 光照萬家(公益宣傳)
        攝像頭連接器可提供360°視角圖像
        節(jié)能環(huán)保光照萬家(公益宣傳)
        春光照瑤鄉(xiāng)
        亮度調(diào)色多面手
        亮度一樣嗎?
        基于斬波調(diào)制的LED亮度控制
        人生的亮度
        奔馳360°攝像頭系統(tǒng)介紹
        日韩亚洲无吗av一区二区| 国产无套视频在线观看香蕉| 国产精品毛片99久久久久| 黄色潮片三级三级三级免费| 波多野结衣av一区二区全免费观看| 男女一边摸一边做爽爽的免费阅读| 婷婷九月丁香| 日本在线免费一区二区三区| 校园春色综合久久精品中文字幕| 精品久久久无码中字| 国产a级午夜毛片| 福利视频自拍偷拍视频| 国产精华液一区二区三区| 香蕉人人超人人超碰超国产 | 亚欧国产女人天堂Av在线播放| 国产美女胸大一区二区三区| 国产tv不卡免费在线观看| 久久综合丝袜日本网| 欧美另类在线视频| 久久久精品国产亚洲av网| 国产精品视频自拍在线| 中文字幕一区二区三区日韩精品| 国产精品无码专区综合网| 国产剧情亚洲一区二区三区| 国产精品女同久久久久电影院| 开心婷婷五月激情综合社区| 亚洲中文字幕无码不卡电影| 国产亚洲熟妇在线视频| 成人性生交大片免费| 亚洲AV一二三四区四色婷婷 | 亚洲免费视频网站在线| 亚洲精品综合中文字幕组合| 97久久精品人妻人人搡人人玩 | 亚洲熟女一区二区三区| 国产精品天堂avav在线| 亚洲中文字幕视频第一二区| 欧美成人看片一区二区三区尤物| 久久久精品免费观看国产| 国产三级在线观看高清| 久久久久亚洲av无码专区首| 国产精品 高清 尿 小便 嘘嘘|