基于特征確定性的目標(biāo)跟蹤算法

李志國，顧 鑫，祝樹生，王小輝，劉百奇

(中國運載火箭技術(shù)研究院研究發(fā)展中心，北京100076)

1 引言

目標(biāo)跟蹤是自動駕駛、視頻監(jiān)控、模式識別、機器人視覺跟蹤及導(dǎo)彈末制導(dǎo)［1］等領(lǐng)域內(nèi)的一個重要研究課題。在實際的工程應(yīng)用中，為解決場景快速變化及突發(fā)性干擾影響而導(dǎo)致跟蹤失敗的問題，目標(biāo)的顏色、紋理、邊緣等具有不同鑒別能力的多種特征被融合利用［2］。但是，在多種特征融合過程中，對不同特征確定性的度量成為一個比較麻煩的問題。一個好的度量方法能夠使各種目標(biāo)特征的度量方便和簡潔，便于多種特征的融合和統(tǒng)一處理，甚至能夠根據(jù)不同的場景實現(xiàn)多種特征的自適應(yīng)加權(quán)調(diào)整，達(dá)到優(yōu)化跟蹤算法的目的。本文提出了一種自適應(yīng)的特征確定性度量，并在粒子濾波的框架下采用加性特征融合［3］的方法實現(xiàn)了跟蹤算法的優(yōu)化。

2 特征確定性

近年來出現(xiàn)的各種多特征融合粒子濾波算法的主要區(qū)別是特征的提取及融合的策略不同。Brichfield等人提出了顏色和梯度特征的融合跟蹤算法，實現(xiàn)了對人的頭部運動的跟蹤［4］。在該算法中，兩個特征在融合結(jié)果中的貢獻(xiàn)相等，即采用了固定的特征加權(quán)值。該算法在某些背景變化較大的場景下，跟蹤效果急劇惡化，甚至出現(xiàn)目標(biāo)跟丟的情況。

為實現(xiàn)特征融合過程中各特征加權(quán)值的自適應(yīng)調(diào)整，需要確定一種對各種目標(biāo)特征進(jìn)行統(tǒng)一描述的方法，通過該方法定義一個統(tǒng)計量，實現(xiàn)對目標(biāo)特征的統(tǒng)一度量，并以此作為算法中特征加權(quán)值的表示和自適應(yīng)調(diào)整依據(jù)。

通過研究多個特征融合算法，發(fā)現(xiàn)在目標(biāo)的特征識別能力變?nèi)?即特征似然函數(shù)尖銳程度小)或粒子空間分布分散(即位置估計的方差小)時，跟蹤效果快速變差。由此對目標(biāo)的特征識別能力和粒子空間分布情況進(jìn)行綜合分析，以確定特征的確定性度量方法。

將目標(biāo)單個特征的跟蹤過程作為一個假想的粒子濾波過程。對應(yīng)特征的粒子經(jīng)預(yù)測后進(jìn)行更新，此時，特征的觀測概率值在其對應(yīng)的粒子上分布情況發(fā)生變化。同時，更新后的粒子空間分布也將發(fā)生改變。根據(jù)分布的不同，可以分為以下幾種情況，如圖1所示。

圖1 粒子濾波過程中的四種情況Fig.1 The diagrammatic sketch of four case in process of particle filter

圖1 (a)中，粒子位置的空間分布很分散，并且經(jīng)過加權(quán)求和后，跟蹤目標(biāo)的位置估計值方差也較大。特征的觀測概率值在粒子上的分布比較均勻，似然概率分布較為平緩，識別能力較弱，可以認(rèn)為該特征的確定性最低;

圖1(b)中，粒子位置的空間分布很分散，并且經(jīng)過加權(quán)求和后，跟蹤目標(biāo)的位置估計值方差也較大。特征的觀測概率值只集中在比較少的個別粒子上，因此特征的似然概率分布比較尖銳，識別能力較好，可以認(rèn)為該特征的確定性較圖1(a)高;

圖1(c)中，粒子位置的空間分布很集中，并且經(jīng)過加權(quán)求和后，跟蹤目標(biāo)的位置估計值方差也較小。特征的觀測概率值在粒子上的分布比較均勻，似然概率分布較為平緩，識別能力不是很強，可以認(rèn)為該特征的確定性較圖1(a)高;

圖1(d)中，粒子位置的空間分布很集中，并且經(jīng)過加權(quán)求和后，跟蹤目標(biāo)的位置估計值方差也較小。特征的觀測概率值只集中在比較少的個別粒子上，因此特征的似然概率分布比較尖銳，識別能力較強，可以認(rèn)為該特征的確定性最高。

通過以上4種情況的分析，可以定義如下的特征確定性度量:

其中，p(zj|xl)為第j個目標(biāo)特征在第l個粒子下的觀測概率。H(pjt)越大，該目標(biāo)特征下在粒子上的觀測概率分布越均勻。

3 特征融合及算法實現(xiàn)

本文選取廣泛使用的顏色和邊緣兩個特征來表征目標(biāo)，采用加性融合方法來實現(xiàn)對目標(biāo)的跟蹤，特征的權(quán)值通過確定性度量來自適應(yīng)調(diào)整。對顏色特征的表示，采用文獻(xiàn)［5］中顏色直方圖的方法。對邊緣特征的表示，采用文獻(xiàn)［6］中基于圖像灰度信息的加權(quán)梯度方向直方圖的方法。融合策略采用文獻(xiàn)［3］中的方式，其觀測概率值可表示為:其中，λj為第j個目標(biāo)特征的觀測概率加權(quán)值，并且有通過對式(1)定義的目標(biāo)特征的確定性做歸一化處理，并作為該特征的加權(quán)值引入到式(3)中，實現(xiàn)自適應(yīng)加權(quán)的特征融合。

算法具體實現(xiàn)步驟如下:

a)確定初始值:根據(jù)目標(biāo)的初始狀態(tài)值x0，計算顏色特征和邊緣特征的直方圖h10和h20;

b)狀態(tài)預(yù)測:依據(jù)xt=Axt－1+W，計算下一幀狀態(tài)的預(yù)測值xt;

c)計算兩種特征下的觀測概率值p(z1|xt，l)和p(z2|xt，l)，根據(jù)式(2)計算觀測概率熵H(p1t)和

d)對目標(biāo)顏色和目標(biāo)邊緣特征下的粒子進(jìn)行重采樣，計算M個粒子的位置方差;

e)由式(3)計算兩個特征融合后的觀測概率p(z1，z2|x)，由式(1)計算顏色和邊緣的確定性值，并進(jìn)行歸一化處理;

f)更新:依據(jù)融合之后的似然概率計算粒子權(quán)值wt，l=wt－1，lp(zt|xt，l);

h)重采樣檢查:判斷粒子的權(quán)值，檢查是否需要重采樣。如果需要，則重采樣M次，并設(shè)定粒子權(quán)值均為1/M，否則不做任何處理;

i)轉(zhuǎn)向b)繼續(xù)處理。

4 試驗與結(jié)果

本文選取一段公共視頻集作為數(shù)據(jù)源進(jìn)行算法驗證和跟蹤效果對比，跟蹤對象為道路上行進(jìn)的汽車，如圖2所示。比較對象分別為單一顏色特征跟蹤結(jié)果(圖2(a))和固定權(quán)值特征融合跟蹤結(jié)果(圖2(b)，歸一化后的權(quán)值設(shè)為0.5)。

圖像尺寸為320×240，粒子數(shù)目設(shè)定為100。本文三種算法均在Intel Core(TM)i7 CPU 2.93 GHz，4 G運行內(nèi)存的計算機上用Matlab R2010a編程實現(xiàn)。

下面對各算法的跟蹤效果進(jìn)行分析。算法驗證選取的視頻序列跟蹤的難點是目標(biāo)所處的背景存在樹枝等較強邊緣信息的干擾，目標(biāo)不斷的進(jìn)出有樹蔭的陰影區(qū)，導(dǎo)致其顏色特征變化較大。

對單一顏色特征跟蹤，當(dāng)目標(biāo)進(jìn)入有樹蔭遮擋的陰影區(qū)時，其所處環(huán)境的光照發(fā)生了較大變化，在第206幀顏色跟蹤的位置和目標(biāo)實際所處的位置相差很大。當(dāng)目標(biāo)出陰影區(qū)后再次進(jìn)入有樹蔭遮擋的區(qū)域時(第346幀)，顏色跟蹤完全失效了。

對固定權(quán)值為0.5的多特征融合跟蹤，由于背景中較強邊緣信息的干擾，同時特征融合的過程中并沒有根據(jù)外部環(huán)境的變化自適應(yīng)的調(diào)整邊緣特征在觀測概率中所占的權(quán)重，導(dǎo)致最終跟蹤失效(第246幀)。

圖2 試驗結(jié)果Fig.2 Result of the experiment

對本文提出的基于特征確定性的跟蹤，在外部場景變化較大和背景中存在干擾的情況下，跟蹤效果都比較理想，沒有出現(xiàn)跟蹤失效的情況，如圖2(c)所示。

表1是試驗結(jié)果的比較，在復(fù)雜光照和背景情況下，單一特征對目標(biāo)的跟蹤結(jié)果較差，固定權(quán)值的加權(quán)特征融合跟蹤對外部環(huán)境變化情況適應(yīng)性較差，本文的跟蹤算法在跟蹤過程中根據(jù)外部環(huán)境的變化，通過實時計算特征確定性，自適應(yīng)的調(diào)整特征加權(quán)值，實現(xiàn)了不同特征對跟蹤結(jié)果貢獻(xiàn)量的實時調(diào)整。試驗的結(jié)果可實現(xiàn)對目標(biāo)的全程跟蹤。

表1 試驗結(jié)果比較Tab.1 Comparasion of experimental results

5 結(jié)論

本文針對傳統(tǒng)的多特征加性融合算法中各目標(biāo)特征加權(quán)值固定不變，不能適應(yīng)場景變化及外部干擾的問題，提出了一種基于特征確定性的跟蹤算法，該算法充分利用了粒子空間分布和粒子觀測概率信息，實現(xiàn)了特征加權(quán)值的自適應(yīng)調(diào)整，提高了跟蹤的穩(wěn)定性及精度。該算法可應(yīng)用于場景監(jiān)控、自主導(dǎo)航及多模目標(biāo)探測等領(lǐng)域。

［1］ LI Shaojun，LI Liren，LIU Zhongling，et al．Terminal guidance target tracking based on region covariance matrix［J］．Laser＆Infrared，2010，40(3):330－333．(in Chinese)李少軍，李立仁，劉忠領(lǐng)，等．基于區(qū)域協(xié)方差矩陣的末制導(dǎo)目標(biāo)跟蹤［J］．激光與紅外，2010，40(3):330－333．

［2］ GU Xin，WANG Hua，LI Zhe，et al．Particle filter target tracking based on integral covariance matrix［J］．Laser＆Infrared，2014，44(12):1384－1386．(in Chinese)顧鑫，王華，李喆，等．基于積分協(xié)方差矩陣的粒子濾波目 標(biāo) 跟 蹤［J］．激 光 與 紅 外，2014，44(12):1384－1386．

［3］ Wang X，Tang Z M．Modified particle filter-based infrared pedestrian tracking［J］．Infrared Physics and Technology，2010，53(4):280－287．

［4］ Birchfield S．Elliptical head tracking using intensity gradients and color histograms［C］//Proceedings of the IEEEComputer Society Conference on Computer Vision and Pattern Recognition．Santa Barbara，USA:IEEE，1998．232－237．

［5］ HOU Zhiqiang，HAN Chongzhao．A survey of visual tracking［J］．Acta Automatica Sinica，2006，32(4):603－617．(in Chinese)侯志強，韓崇昭．視覺跟蹤技術(shù)綜述［J］．自動化學(xué)報，2006，32(4):603－617．

［6］ Dalal N，Triggs B．Histograms of oriented gradients for human detection［C］//Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition．San Diego，USA:IEEE，2005．886－893．