基于證據(jù)理論和多核函數(shù)融合的目標(biāo)跟蹤

楊 欣 沈 雷 費樹岷 周大可

(1南京航空航天大學(xué)自動化學(xué)院，南京210016)

(2東南大學(xué)自動化學(xué)院，南京210096)

隨著計算機視覺技術(shù)的蓬勃發(fā)展，利用計算機視覺技術(shù)對圖像和視頻進(jìn)行處理、理解、分析得到廣泛的普及.其中運動目標(biāo)跟蹤是一個熱點研究問題[1].因 Mean-Shift(均值偏移)算法簡單易行，對目標(biāo)變形和局部遮擋有一定適應(yīng)性而被廣泛地研究與應(yīng)用[2].傳統(tǒng)的 Mean-Shift跟蹤算法[3-4]是以顏色直方圖為特征對運動目標(biāo)進(jìn)行跟蹤，對于復(fù)雜背景情況下的跟蹤效果不佳.文獻(xiàn)[4]中顏色直方圖只包含了圖像中顏色值出現(xiàn)的頻數(shù)，僅反映了目標(biāo)的顏色信息.

基于上述討論，本文給出了一種新穎的基于證據(jù)理論和多核函數(shù)融合的目標(biāo)跟蹤方法.該方法首先對目標(biāo)區(qū)域進(jìn)行顏色和邊緣特征的融合;然后將此區(qū)域分成4個子區(qū)域，算出子區(qū)域的顏色與邊緣方向直方圖融合的聯(lián)合概率密度，并計算出各個區(qū)域的巴氏權(quán)重系數(shù);再根據(jù)加權(quán)后的聯(lián)合概率密度，采用多個核函數(shù)計算出多個目標(biāo)位置估計;最后利用D-S證據(jù)理論信息融合方法[5]對多個目標(biāo)位置估計進(jìn)行融合判斷獲得準(zhǔn)確的目標(biāo)位置.實驗結(jié)果表明，該方法在目標(biāo)被大面積長時間遮擋的情況下，能達(dá)到良好的跟蹤效果.

1 目標(biāo)模型

1.1 目標(biāo)模型建立

基于顏色直方圖的方法[6]簡單靈活，但目標(biāo)區(qū)域有光照變化時，會造成目標(biāo)丟失，因此本文融合邊緣方向直方圖，利用邊緣特征信息來有效應(yīng)對光照變化，進(jìn)而對目標(biāo)區(qū)域進(jìn)行分塊處理，以提高目標(biāo)的辨識能力.

1)分塊處理 當(dāng)目標(biāo)被遮擋時，被遮擋部分的直方圖會有明顯的改變，所以被遮擋的部分應(yīng)賦予較小的權(quán)值.將目標(biāo)框等分成4份，以便于更好地區(qū)分各個部分被遮擋的情況，分塊方法如圖1所示.

圖1 目標(biāo)框分塊示意圖

2)顏色直方圖 顏色直方圖是一種較為實用的區(qū)域顏色建模方法.對于一個半徑為R的特定區(qū)域，在建立顏色分布模型時，不同位置像素對于顏色直方圖的貢獻(xiàn)不同，距離目標(biāo)中心近的被賦予較大權(quán)值，遠(yuǎn)的被賦予較小權(quán)值，其顏色直方圖模型的計算公式見文獻(xiàn)[7].

3)邊緣方向直方圖 邊緣方向直方圖是對運動目標(biāo)的邊緣點方向分布的一種統(tǒng)計，首先將其劃分為8個方向，再將目標(biāo)分成4塊進(jìn)行運算.這樣可包含目標(biāo)的輪廓信息，從而對遮擋情況具有良好的抑制作用.模型見文獻(xiàn)[8].

1.2 目標(biāo)遮擋對巴氏系數(shù)的影響

當(dāng)目標(biāo)被遮擋時，遮擋區(qū)域的直方圖有很大變化，而未被遮擋區(qū)域的直方圖變化較小.圖2表示目標(biāo)下半部被汽車遮擋，表1為圖2中不同的分塊位置被汽車遮擋后對巴氏系數(shù)的影響.

圖2 被遮擋目標(biāo)圖像

表1 每個分塊對巴氏系數(shù)的影響

由表1可知，目標(biāo)跟蹤框下半部分的相似性系數(shù)非常小，這說明跟蹤目標(biāo)下半部被遮擋后，對跟蹤的影響較大，而遮擋上半部分的影響較小.因此，基于未遮擋區(qū)域的巴氏系數(shù)進(jìn)行目標(biāo)跟蹤，能有效提高目標(biāo)跟蹤的魯棒性.

2 直方圖特征融合

2.1 融合概率密度計算

根據(jù)顏色模型，采用下式求出圖像像素點的顏色概率估計值:

通過Sobel算子檢測出的邊緣二值圖像包含了目標(biāo)的邊緣特征空間信息，同時聯(lián)合上述像素點的估計值，可以獲得邊緣特征與顏色特征相聯(lián)合的像素點概率估計值，即

式中，g(x，y)是利用Sobel算子進(jìn)行邊緣檢測后坐標(biāo)(x，y)處的值，存在邊緣時為1，否則為0.

2.2 子塊加權(quán)系數(shù)

考慮光照、形變和遮擋等情況的影響，巴氏系數(shù)大的分塊，權(quán)重系數(shù)大;反之，權(quán)重系數(shù)小.記各塊的權(quán)值系數(shù)為w(k)，即

3 基于證據(jù)理論的目標(biāo)位置估計

3.1 證據(jù)理論

根據(jù)證據(jù)理論[9]方法構(gòu)建數(shù)學(xué)模型，采用N個不同的核函數(shù)，分別利用Mean-Shift方法，獲得當(dāng)前目標(biāo)跟蹤框中N個不同的位置估計(l1，l2，…，ln)，令l'為前一幀中的目標(biāo)位置.基于D-S證據(jù)理論中焦元結(jié)構(gòu)定義的方法[10]，定義一組 mass函數(shù)，即

利用式(5)構(gòu)造的信任函數(shù)，再采用D-S組合公式計算得到目標(biāo)位于ln的概率:

3.2 遮擋程度的判定規(guī)則

本文主要針對跟蹤目標(biāo)的大面積長時間遮擋情況.當(dāng)目標(biāo)被遮擋，可視面積將發(fā)生變化，巴氏系數(shù)也會發(fā)生相應(yīng)的改變，利用這一特性可以判斷目標(biāo)被遮擋的程度.定義遮擋判斷因子為

4 算法

根據(jù)上述分析，給出目標(biāo)跟蹤算法步驟如下:

①手動選擇目標(biāo)的初始位置并用紅色框表示，初始化當(dāng)前幀中目標(biāo)位置為^y0，將目標(biāo)跟蹤區(qū)域等分成4個子區(qū)域.

②根據(jù)文獻(xiàn)[6]中公式分別求解出4塊原目標(biāo)模型特征直方圖qu和候選目標(biāo)模型特征直方圖qu(y).

③采用式(3)計算出每個子分塊的權(quán)值系數(shù).

④計算目標(biāo)新位置y1:

式中，wi為權(quán)值系數(shù).

⑤計算候選目標(biāo)聯(lián)合直方圖 {pk(y1)}，k=1，2，3，4，同時計算

⑥通過判定規(guī)則，對遮擋情況進(jìn)行判定.如果大面積遮擋，執(zhí)行⑦;否則，先利用單個核函數(shù)進(jìn)行迭代跟蹤目標(biāo)位置，然后轉(zhuǎn)到⑨.

⑦對已經(jīng)計算出的多組目標(biāo)位置，采用基于D-S證據(jù)理論信息融合方法，對多組目標(biāo)位置進(jìn)行融合判斷，得到最佳的目標(biāo)位置，結(jié)果記為

5 實驗結(jié)果與分析

采用傳統(tǒng)Mean-Shift算法和本文算法進(jìn)行對比實驗.圖3(a)是傳統(tǒng)Mean-Shift算法目標(biāo)跟蹤結(jié)果.由圖可知，當(dāng)目標(biāo)未進(jìn)入遮擋區(qū)域時可以較好地跟蹤上運動目標(biāo);但跟蹤到第50幀左右時，目標(biāo)大部分面積被遮擋，在長時間遮擋過程中，目標(biāo)跟蹤區(qū)域始終出現(xiàn)抖動滯后現(xiàn)象.圖3(b)為本文所提出的目標(biāo)跟蹤算法跟蹤的效果，從圖中可以看出，跟蹤效果有明顯的提高，在整個遮擋過程中，可以很好地跟蹤上原目標(biāo).

圖3 視頻1跟蹤效果

6 結(jié)語

針對長時間大面積遮擋情況下的目標(biāo)跟蹤問題，本文提出了基于證據(jù)理論和多核函數(shù)融合的目標(biāo)跟蹤方法，較好地解決了目標(biāo)部分遮擋問題.而當(dāng)目標(biāo)被全部遮擋時，目標(biāo)的特征信息無法獲取，對目標(biāo)實時跟蹤帶來嚴(yán)重的影響，下一步作者將著重解決該問題.

References)

[1] 楊欣，劉加，周鵬宇，等.基于多特征融合的粒子濾波自適應(yīng)目標(biāo)跟蹤算法[J].吉林大學(xué)學(xué)報:工學(xué)版，2015，45(2):533-539.Yang Xin，Liu Jia，Zhou Pengyu，et al.Adaptive particle filter for object tracking based on fusing multiple features[J].Journal of Jilin University:Engineering and Technology Edition，2015，45(2):533-539.(in Chinese)

[2] Comaniciu D，Ramesh V，Meer P.Kernel-based object tracking[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2003，25(5):564-577.

[3] 楊欣，費樹岷，李剛，等.基于復(fù)雜特征融合的改進(jìn)Mean Shift目標(biāo)跟蹤[J].控制與決策，2014，29(7):1297-1300.Yang Xin，F(xiàn)ei Shumin，Li Gang，et al.Improved Mean Shift tracking algorithm based on complicated feature fusion[J].Control and Decision，2014，29(7):1297-1300.(in Chinese)

[4] 何志勇，蔡樂才，許繼家.基于 Mean Shift算法跟蹤視頻中運動目標(biāo)[J].鄭州大學(xué)學(xué)報:理學(xué)版，2010，42(1):38-40.He Zhiyong，Cai Lecai，Xu Jija.Tracking moving objects based on Mean Shift algorithm in video[J].Journal of Zhengzhou University:Natural Science Edition，2010，42(1):38-40.(in Chinese)

[5] 易建政，汪金軍，張俊坤，等.DS證據(jù)理論在信息融合中的應(yīng)用研究[J].國外電子測量技術(shù)，2010(12):31-34.Yi Jianzheng，Wang Jinjun，Zhang Junkun，et al.Application research on D-S evidence theory in data fusion[J]. Foreign ElectronicMeasurement Technology，2010(12):31-34.(in Chinese)

[6] Comaniciu D，Meer P.Mean shift:a robust approach toward feature space analysis[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2002，24(5):603-619.

[7] 劉惟錦，章毓晉.基于Kalman濾波和邊緣直方圖的實時目標(biāo)跟蹤[J].清華大學(xué)學(xué)報:自然科學(xué)版，2008，48(7):1104-1107.Liu Weijin，Zhang Yujin.Edge-color-histogram and Kalman filter-based real-time object tracking[J].Journal of Tsinghua University:Science and Technology，2008，48(7):1104-1107.(in Chinese)

[8] Pylkko H，Riekki J，Roning J.Real-time color-based tracking via a marker interface[C]//IEEE International Conference on Robotics and Automation.Seoul，Korea，2001，2:1214-1219.

[9] Gao L P，Jia J，Dong L B.An improved fusion algorithm of evidence theory[C]//Conference on Cross Strait Quad-Regional Radio Science and Wireless Technology.Harbin，China，2011，2:1495-1498.

[10] Li Y B，Wang N，Zhou C.Based on D-S evidence theory of information fusion improved method[C]//International Conference on Computer Application and System Modeling.Taiyuan，China，2010，1:416-419.