一種融合多特征與子快的抗遮擋算法

摘 要：為解決復(fù)雜情況下運(yùn)動(dòng)目標(biāo)的檢測問題，本文提出一種基于多特征融合和新子塊分割的算法。該算法通過綜合目標(biāo)的顏色和紋理特征加強(qiáng)對(duì)目標(biāo)的跟蹤，并通過新的子塊分割完成對(duì)不同子塊的權(quán)值賦予，對(duì)發(fā)生遮擋時(shí)不同區(qū)域進(jìn)行差別處理。同時(shí)在發(fā)生完全遮擋時(shí)還采用kalman濾波模型對(duì)軌跡進(jìn)行預(yù)測，獲得運(yùn)動(dòng)目標(biāo)信息并更新。實(shí)驗(yàn)結(jié)果表明：該算法能夠較好的完成遮擋情況下的目標(biāo)跟蹤。

關(guān)鍵詞：遮擋；子塊；卡爾曼濾波

中圖分類號(hào)：TP391.41

目標(biāo)的運(yùn)動(dòng)跟蹤檢測在交通監(jiān)管、視頻安防、航空航天等很多領(lǐng)域都有著廣泛的應(yīng)用，隨著社會(huì)的進(jìn)一步發(fā)展其在我們生活中將扮演越來越重要的地位[1][2]。同時(shí)遮擋情況下的目標(biāo)跟蹤也是研究的熱點(diǎn)之一[3]。運(yùn)動(dòng)目標(biāo)檢測即是目標(biāo)在場景中存在運(yùn)動(dòng)的情況下，完成對(duì)目標(biāo)的捕獲，主要面對(duì)的問題是：背景的干擾、目標(biāo)的遮擋、外界光線的變化和模板的更新。本文主要研究遮擋情況下的運(yùn)動(dòng)目標(biāo)檢測。已有的研究算法主要有：文獻(xiàn)[4]中基于中心加權(quán)的算法，就是中心區(qū)域大于邊緣區(qū)域；文獻(xiàn)[5]提出了一種多特征融合的算法，這種算法通過將運(yùn)動(dòng)目標(biāo)的顏色、位置和速度等特征進(jìn)行綜合應(yīng)用，提高了對(duì)運(yùn)動(dòng)目標(biāo)跟蹤的可靠性和實(shí)時(shí)性；文獻(xiàn)[6]提出了一種自適應(yīng)的子塊模板匹配和更新原則，算法可以通過目標(biāo)大小自動(dòng)對(duì)子快進(jìn)行分割，并通過統(tǒng)計(jì)子塊加權(quán)平均的方法確定目標(biāo)運(yùn)動(dòng)位移。

本文通過研究以上各種算法將多特征融合、中心加權(quán)和子塊分割等檢測方法進(jìn)行整合，同時(shí)結(jié)合kalman濾波模型進(jìn)一步加強(qiáng)了遮擋條件下的運(yùn)動(dòng)目標(biāo)檢測。

1 跟蹤算法的改進(jìn)

1.1 紋理的特征

在大多數(shù)算法中對(duì)跟蹤目標(biāo)的特征描述大多采用顏色特征[7]，就是用顏色的Bhattacharyya系數(shù)來判定，即：

（1）

該公式的計(jì)算方法是利用目標(biāo)區(qū)域的顏色直方圖與跟蹤區(qū)域的相似性來區(qū)分是否發(fā)生遮擋，但顏色直方圖只是對(duì)不同灰度值像素個(gè)數(shù)統(tǒng)計(jì)，并未涉及圖像的空間信息，因此當(dāng)跟蹤目標(biāo)的色彩信息與遮擋物的色彩信息相近時(shí)，通過計(jì)算Bhattacharyya系數(shù)的方法就不在適用。

針對(duì)上述問題，本文引入紋理特征來解決顏色特征相對(duì)于空間的不敏感。因?yàn)榧y理特征是區(qū)域特征[8]，不是針對(duì)單個(gè)像素而言。設(shè)圖像中的點(diǎn)為f（x，y），則定義圖像灰度差值為：

△f（x，y）=f（x，y）-f（x+△x，y+△y） （2）

設(shè)△f（x，y）共有M級(jí)，使點(diǎn)f（x，y）在整個(gè)圖像上移動(dòng)，同時(shí)統(tǒng)計(jì)△f（x，y）不同級(jí)的次數(shù)，就可得到△f（x，y）的直方圖，并計(jì)算出其概率P（△f（x，y））。

在紋理特征分析時(shí)，要對(duì)像素的8個(gè)鄰域灰度差值，范圍為0-255進(jìn)行計(jì)算，主要關(guān)注以下4個(gè)指標(biāo)：對(duì)比度（Con）、紋理一致性（Asm）、熵（Ent）及平均值（Mean）。

（3）

（4）

（5）

（6）

式中，L為灰度值，P（L）為其出現(xiàn)的概率，這4個(gè)指標(biāo)就是紋理特征。利用這4個(gè)紋理指標(biāo)與顏色信息相結(jié)合來完成對(duì)運(yùn)動(dòng)目標(biāo)的特征描述。

1.2 改進(jìn)的子塊分割

在有遮擋情況下的運(yùn)動(dòng)目標(biāo)跟蹤更多關(guān)注的是目標(biāo)的主體部分，對(duì)其邊緣則可以進(jìn)行模糊處理。一般發(fā)生遮擋時(shí)首先影響的是邊緣部分，因此在進(jìn)行圖像處理時(shí)，應(yīng)賦予中心區(qū)域較大的權(quán)值，離中心越遠(yuǎn)權(quán)值越小。

基于這樣的理念，本文提出了一種新的子塊分割方法，如圖1所示：

圖1 改進(jìn)后的子塊分割方式

新的子塊分割方法是在初始化時(shí)將前景圖像分為7個(gè)子塊，按照順時(shí)針的次序，從左上角開始編號(hào)，最后將中間區(qū)域編為7號(hào)。本文通過子塊面積的大小來標(biāo)定在算法進(jìn)行過程中權(quán)值的大小。因?yàn)榘l(fā)生遮擋時(shí)，首先被遮擋的是目標(biāo)的邊緣信息，但對(duì)觀察者來說如果此時(shí)目標(biāo)的主體信息是完整的，目標(biāo)的檢測仍是能夠完成的。所以如圖1所示，本文將中心區(qū)域的7號(hào)子塊賦予了較大的面積，其余6個(gè)邊緣子塊賦予較小的相等面積。具體的算法運(yùn)算如下，權(quán)值

（7）

其中Si為子塊的面積，St為前景圖像的面積。在此基礎(chǔ)上結(jié)合文獻(xiàn)[6]中提出的基于加權(quán)平均的表示方法，從而得到改進(jìn)后的運(yùn)動(dòng)位移：

（8）

接著繼續(xù)根據(jù)文獻(xiàn)[6]中的方法對(duì)子塊模板進(jìn)行更新。

1.3 雙向卡爾曼濾波

當(dāng)目標(biāo)發(fā)生完全遮擋時(shí)，應(yīng)當(dāng)采用kalman濾波器對(duì)運(yùn)動(dòng)軌跡進(jìn)行預(yù)測，本文運(yùn)用kalman濾波方法對(duì)運(yùn)動(dòng)采用雙向預(yù)測[9]。因?yàn)楫?dāng)目標(biāo)發(fā)生遮擋時(shí)，目標(biāo)可能可能保持原來的運(yùn)動(dòng)狀態(tài)繼續(xù)前進(jìn)，也可能到此為止，反向離開。

運(yùn)動(dòng)模型1： （9）

運(yùn)動(dòng)模型2： （10）

觀測模型： （11）

運(yùn)動(dòng)模型1主要描述的是運(yùn)動(dòng)目標(biāo)保持原有運(yùn)動(dòng)狀態(tài)的情況，運(yùn)動(dòng)模型2則是對(duì)運(yùn)動(dòng)目標(biāo)反向運(yùn)動(dòng)情形的預(yù)測。當(dāng)目標(biāo)重新出現(xiàn)在監(jiān)視區(qū)時(shí)，采用文獻(xiàn)[6]方法對(duì)目標(biāo)保持跟蹤。

1.4 算法流程

（1）初始化選定目標(biāo)。

（2）當(dāng)目標(biāo)沒發(fā)生遮擋時(shí)。

1）提取目標(biāo)顏色特征進(jìn)行跟蹤。

2）根據(jù)方程（3）-（6）提取紋理特征進(jìn)行檢測。

（3）目標(biāo)發(fā)生遮擋時(shí)

1）目標(biāo)未完全遮擋

①按圖1所示，對(duì)子塊進(jìn)行分割。

②基于加權(quán)平均的方法計(jì)算出運(yùn)動(dòng)平均位移。

③得出目標(biāo)位置。

2）完全遮擋

采用kalman濾波進(jìn)行預(yù)測搜尋。若未尋找到目標(biāo)保持搜索。反之，確定確定歷史目標(biāo)模板，并進(jìn)行匹配。匹配成功進(jìn)行下一步，不成功則返回步驟（1）。

（4）對(duì)歷史目標(biāo)和kalman模型進(jìn)行更新，跳轉(zhuǎn)到步驟（2）進(jìn)行下一幀處理。

2 實(shí)驗(yàn)結(jié)果及分析

為了驗(yàn)證本文算法的性能，選用了相關(guān)視頻做了如下的實(shí)驗(yàn)。實(shí)驗(yàn)環(huán)境基于matlab，測試視頻為個(gè)人室外錄制。如圖2所示的a、b、c為采用傳統(tǒng)算法所得到的結(jié)果。圖3中的a、b、c為采用本文算法的結(jié)果。對(duì)比兩圖可明顯得出當(dāng)目標(biāo)發(fā)生遮擋時(shí)本文算法能夠更加準(zhǔn)確的對(duì)目標(biāo)進(jìn)行檢測。這是因?yàn)楸舅惴ǔ私Y(jié)合了多特征融合，且通過對(duì)不同區(qū)域進(jìn)行權(quán)重的優(yōu)化使算法更加關(guān)注目標(biāo)的主體部分，從而減弱了因遮擋產(chǎn)生的部分信息丟失的影響。

圖2 傳統(tǒng)算法的結(jié)果圖

圖3 改進(jìn)后算法的結(jié)果圖

比較圖4與圖5則可看出本文算法在kalman濾波算法上提出雙向預(yù)測的優(yōu)越性。傳統(tǒng)的kalman預(yù)測僅對(duì)目標(biāo)保持原有狀態(tài)進(jìn)行預(yù)測檢測，但對(duì)目標(biāo)在遮擋后可能發(fā)生的反向運(yùn)動(dòng)不是很敏感而且在目標(biāo)在前景區(qū)出現(xiàn)一段時(shí)間后傳統(tǒng)算法需要一定時(shí)間才能對(duì)目標(biāo)進(jìn)行準(zhǔn)確檢測。本文就是通過雙向預(yù)測的方法，對(duì)目標(biāo)發(fā)生反向運(yùn)動(dòng)的情況進(jìn)行了針對(duì)性的處理。

圖4 傳統(tǒng)算法反向時(shí)的檢測結(jié)果

圖5 改進(jìn)算法反向時(shí)的檢測結(jié)果

3 結(jié)束語

文章針對(duì)目標(biāo)跟蹤過程中可能出現(xiàn)的遮擋問題，運(yùn)用了多特征融合，將顏色特征和紋理特征融合進(jìn)行匹配；同時(shí)通過特定的子塊分割方法，進(jìn)一步減小了圖像邊緣部分的影響；而且對(duì)于遮擋時(shí)可能發(fā)生的反向問題也采用了kalman雙向預(yù)測的方法進(jìn)行處理。運(yùn)用上述的各種方法，通過實(shí)驗(yàn)證明本文算法有其一定的優(yōu)越性。

參考文獻(xiàn)：

[1]顧鑫，王海濤，汪凌峰.基于不確定性度量的多特征融合跟蹤[J].自動(dòng)化學(xué)報(bào)，2011，（05）：550-559.

[2]李安平.復(fù)雜環(huán)境下的視頻目標(biāo)跟蹤算法研究[D].上海：上海交通大學(xué)，2006.

[3]HARINI V，PAUL S，NIKOS P. Robust target detection and tracking through integration of motion，color，and geometry[J].Computer Vision and Image Understanding，2006，103（2006）：121-138.

[4]薛陳，朱明，劉春香.遮擋情況下目標(biāo)算法綜述[J].中國光學(xué)和應(yīng)用光學(xué)，2009（05）：389-392.

[5]閆輝，許廷發(fā).多特征融合匹配的多目標(biāo)跟蹤[J].中國光學(xué)，2013（02）：164-169.

[6]趙龍，肖軍波.一種改進(jìn)的運(yùn)動(dòng)目標(biāo)抗遮擋跟蹤算法[J].北京航空航天大學(xué)學(xué)報(bào)，2013（04）：517-520.

[7]Zhang Zui，Gunes H，Piccardi M.Tracking people in crowds by a part matching approach[C]//Proceedings IEEE 5th International Conference on Advanced Video and Signal Based Surveillance.New Mexico：IEEE，2008：88-93.

[8]黃元元，郭麗，楊靜宇.基于目標(biāo)區(qū)域顏色與紋理的圖像檢索[J].南京理工大學(xué)學(xué)報(bào)，2003（03）：286-289.

[9]韓日升.基于核的變尺度視頻目標(biāo)跟蹤算法研究[D].上海：上海交通大學(xué)，2009.

作者簡介：張彬（1989-），男，山西省萬榮縣人，碩士，研究方向：安全防范工程；曾昭龍（1976-），男，黑龍江省泰來縣人，講師，工學(xué)博士，研究方向：視頻偵查。

作者單位：中國人民公安大學(xué) 警務(wù)信息工程學(xué)院，北京 102623

基金項(xiàng)目：本文受中國人民公安大學(xué)基本科研業(yè)務(wù)費(fèi)項(xiàng)目（2013LGX01-4）資助。