基于局部不變特征與Camshift復(fù)雜環(huán)境跟蹤技術(shù)研究

摘 要： 針對(duì)城市道路交通中廣泛存在由于車輛形變、霧霾天氣、背景噪聲以及光照變化、遮擋干擾等復(fù)雜環(huán)境導(dǎo)致傳統(tǒng)方法跟蹤失敗的問題，提出在連續(xù)自適應(yīng)均值漂移算法的基礎(chǔ)上融合HSV顏色模型、局部不變特征的城市道路交通車輛目標(biāo)跟蹤新算法。新算法通過建立基于顏色、灰度的多特征模板，利用統(tǒng)計(jì)分析學(xué)樣本主成分分析降維提高特征匹配的效率，定義并計(jì)算加權(quán)特征在空間上的分布，使得算法對(duì)復(fù)雜環(huán)境亦能較好的應(yīng)對(duì)，保證跟蹤穩(wěn)定、準(zhǔn)確。實(shí)驗(yàn)表明新算法識(shí)別率高、實(shí)時(shí)性好，抗環(huán)境干擾魯棒性強(qiáng)。

關(guān)鍵詞： 特征融合； Camshift； SIFT算法； 降維； 目標(biāo)跟蹤

中圖分類號(hào)： TN911.73?34； TP391 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2016）19?0169?05

Abstract： Since the traditional tracking methods are failed due to the complex environments of vehicle deformation， haze weather， background noise， illumination variation and occlusion interference existing in urban road traffic， the vehicle target tracking new algorithm of urban road traffic is proposed， which integrates HSV color model and local invariant feature with the continuously adaptive mean shift （Camshift） algorithm. The multi?feature template based on color and gray level is established.The sample principal component analysis method of statistic analysis is used to reduce the feature dimension to improve the efficiency of feature matching. The spatial distribution of weighted features is defined and calculated， so the algorithm can better deal with the complex traffic environment， and ensure the stable and accurate tracking. The experimental results show that the new algorithm has high recognition rate， good real?time performance， and strong robust to resist environmental interference.

Keywords： feature fusion； Camshift； SIFT algorithm； dimension reduction； target tracking

0 引 言

目前，我國(guó)道路車輛隨著社會(huì)的發(fā)展不斷增加，公路承載能力相對(duì)不足，致使交通擁堵嚴(yán)重，事故頻發(fā)。車輛跟蹤技術(shù)在城市道路交通監(jiān)控系統(tǒng)[1]中，能夠?qū)崟r(shí)監(jiān)控記錄車輛的行為信息，獲取車輛的信息參數(shù)，從而為車輛行為識(shí)別奠定了基礎(chǔ)。目前跟蹤方法大部分依靠單一顏色信息表示被跟蹤的目標(biāo)，卡爾曼濾波器跟蹤[2]計(jì)算復(fù)雜度低，能夠跟蹤車輛的中心，但要求車輛運(yùn)行狀態(tài)滿足高斯分布，而對(duì)現(xiàn)實(shí)中大部分的非線性、非高斯環(huán)境易跟蹤失?。粔K匹配跟蹤算法[3]利用圖像之間的匹配度進(jìn)行跟蹤，但跟蹤過程中無法通過分配策略設(shè)置合理的閾值，且抗仿射變換能力差；粒子濾波算法[4]抗干擾能力強(qiáng)，但存在精度和時(shí)耗的互斥情況，且在跟蹤過程中粒子易出現(xiàn)退化現(xiàn)象。連續(xù)自適應(yīng)均值漂移（Camshift，Continuously Adaptive Meanshift）算法[5?6]是一種無需參數(shù)的基于核密度的快速模式匹配算法，可以有效解決目標(biāo)形變問題，其計(jì)算簡(jiǎn)單、實(shí)時(shí)性高，但在目標(biāo)顏色和背景接近、遮擋、光照變化時(shí)易導(dǎo)致目標(biāo)跟蹤失敗?？傊?，上述方法不具備通用性，如場(chǎng)景中出現(xiàn)光照、車輛或形變、霜霧天氣、目標(biāo)邊緣或區(qū)域特征不明顯、遮擋等因素存在時(shí)易丟失目標(biāo)。

鑒于以上情況，如何選擇有效的跟蹤方法和提取具有不變性的特征有待提高。本文針對(duì)城市道路車輛跟蹤中存在的若干問題，提出在連續(xù)自適應(yīng)均值漂移算法的基礎(chǔ)上融合局部不變特征的復(fù)雜環(huán)境車輛跟蹤算法，通過提高辨識(shí)車輛目標(biāo)的能力，為智能道路交通監(jiān)控系統(tǒng)提供有力的理論依據(jù)。

1 Camshift算法及問題

Camshift算法建立在Meanshift算法[7]基礎(chǔ)上，利用圖像顏色概率密度的分布特征跟蹤目標(biāo)，由于MeanShift 算法的核函數(shù)窗寬固定不變，影響了跟蹤效果，目標(biāo)尺度明顯變化時(shí)，會(huì)定位不準(zhǔn)確。Camshift利用像素值和搜索窗二階矩估計(jì)目標(biāo)大小、方向角從而自適應(yīng)調(diào)節(jié)窗口大小和角度。此外，Camshift選擇HSV顏色模型作為跟蹤特征減少光照影響。算法描述如下：

為了自適應(yīng)移動(dòng)目標(biāo)的方向及大小，利用像素值和搜索窗二階矩進(jìn)行估計(jì)。算法將新搜索窗的位置、大小作為下幀初始位置重新初始化，繼續(xù)在搜索窗1.1倍范圍內(nèi)計(jì)算HSV顏色概率分布情況，直到收斂，反復(fù)執(zhí)行以上算法，從而跟蹤移動(dòng)目標(biāo)。

Camshift算法計(jì)算簡(jiǎn)單，匹配速度快，實(shí)時(shí)性高，能自動(dòng)適應(yīng)目標(biāo)大小及方向角的變化，但由于僅利用圖像顏色特征，在復(fù)雜環(huán)境中易受顏色近似的干擾物影響導(dǎo)致跟蹤失敗。如圖1所示，截取視頻87，102，110，118，122幀進(jìn)行測(cè)試，被跟蹤車輛在運(yùn)動(dòng)過程中被橋柱遮擋，且車身顏色和橋柱顏色極為接近，構(gòu)成較大干擾?？梢?，Camshift算法僅使用顏色概率，易被橋柱吸引從而丟失目標(biāo)。

2 局部不變特征提取及優(yōu)化

2.1 特征提取

SIFT（Scale Invariant Feature Transform）尺度不變特征變換算法[8?9]提取圖像局部特征，能夠適應(yīng)各種仿射變換，對(duì)遮擋、亮度變化、噪聲、縮放平移有良好的不變性，將其和Camshift算法融合能更好地增加跟蹤穩(wěn)定性。SIFT算法利用高斯差分多尺度變換尋找關(guān)鍵點(diǎn)[10?11]，通過圖像方向特征向量的不變性實(shí)現(xiàn)特征匹配，過程描述如下：

2.2 特征向量?jī)?yōu)化

雖然SIFT算法抗仿射變換，由于關(guān)鍵點(diǎn)向量高達(dá)128維，時(shí)間復(fù)雜度很高，不適合直接將SIFT算法應(yīng)用在需要實(shí)時(shí)處理的交通環(huán)境。在保證生成關(guān)鍵點(diǎn)的數(shù)量和準(zhǔn)確性的前提下，本文引入統(tǒng)計(jì)分析學(xué)中的樣本主成分分析（Sample Principal Component Analyse）方法[12-13]，對(duì)關(guān)鍵點(diǎn)特征降維從而提高系統(tǒng)的實(shí)時(shí)性。

4 結(jié) 語

針對(duì)復(fù)雜環(huán)境，本文提出了基于Camshift的HSV顏色特征和局部不變特征融合的自適應(yīng)權(quán)重更新目標(biāo)跟蹤算法，為了降低算法復(fù)雜度，利用主成分的分析方法用互不相關(guān)的新樣本信息表述原樣本信息，從而降低維數(shù)，避免信息重疊，減少了特征向量的匹配時(shí)間，用直方圖分別描述不同特征空間，建立候選目標(biāo)、目標(biāo)模板的特征概率密度分布函數(shù)。改進(jìn)算法對(duì)車輛形變、霜霧天氣、背景噪聲干擾以及光線變化、遮擋等問題可以自適應(yīng)更新不同特征權(quán)重，特征之間互補(bǔ)不足，對(duì)復(fù)雜環(huán)境有良好的魯棒性。在城市道路交通實(shí)時(shí)監(jiān)控系統(tǒng)中有著良好的應(yīng)用前景。

參考文獻(xiàn)

[1] MAURYA K， SINGH M， JAIN N. Real time vehicle tracking system using GSM and GPS technology： an anti?theft tracking system [J]. International journal of electronics and computer science engineering， 2012， 1（3）： 1103?1107.

[2] 趙汝祺，趙祚喜，趙汝準(zhǔn).基于多項(xiàng)式卡爾曼濾波器的車輛定位試驗(yàn)[J].農(nóng)業(yè)工程學(xué)報(bào)，2012，28（18）：49?56.

[3] CHITALIYA N G， TRIVEDI A I. Novel block matching algorithm using predictive motion vector for video object tracking based on color histogram [C]// Proceedings of 2011 IEEE International Conference on Electronics Computer Technology. Kanyakumari： IEEE， 2011： 81?85.

[4] 陳志敏，薄煜明，吳盤龍，等.基于新型粒子群優(yōu)化粒子濾波的故障診斷方法[J].計(jì)算機(jī)應(yīng)用，2012，32（2）：432?435.

[5] BRADSKI G R. Computer vision face tracking for use in a perceptual user interface [C]// Proceedings of 1998 IEEE Workshop on Applications of Computer Vision. [S.l.]： IEEE， 1998： 214?219.

[6] 曲巨寶，林宏基.一種基于MACA的自適應(yīng)跟蹤算法[J].徐州工程學(xué)院學(xué)報(bào)，2010，25（3）：41?46.

[7] CHENG Y. Mean shift， mode seeking and clustering [J]. IEEE transactions on pattern analysis and machine intelligence， 1995， 17（8）： 790?799.

[8] LOWE D G. Distinctive image features from scale invariant key points [J]. International journal of computer vision， 2004， 60（2）： 91?110.

[9] PANCHAL P M， PANCHAL S R， SHAH S K. A comparison of sift and surf [J]. International journal of innovative research in computer and communication engineering， 2013， 1（2）： 323?327.

[10] 屠禮芬，仲思東，彭祺，等.基于高斯金字塔的運(yùn)動(dòng)目標(biāo)檢測(cè)[J].中南大學(xué)學(xué)報(bào)，2013，44（7）：2778?2786.

[11] 張克軍，竇建君.基于Contourlet變換和不變矩的圖像檢索方法[J].徐州工程學(xué)院學(xué)報(bào)，2012，27（1）：48?51.

[12] 鮑蘇寧，張磊，楊光.基于核主成分分析的異常軌跡檢測(cè)方法[J].計(jì)算機(jī)應(yīng)用，2014，34（7）：2107?2110.

[13] 霍雷剛，馮象初.基于主成分分析和字典學(xué)習(xí)的高光譜遙感圖像去噪方法[J].電子與信息學(xué)報(bào)，2014，36（11）：2723?2729.