混合特征匹配結(jié)合Viterbi數(shù)據(jù)關(guān)聯(lián)的目標跟蹤算法

摘 要： 傳統(tǒng)跟蹤算法在視頻分辨率低、幀圖像模糊或噪聲較多時跟蹤效果較差。針對此情況，提出一種混合特征匹配結(jié)合Viterbi數(shù)據(jù)關(guān)聯(lián)的目標跟蹤算法。首先，采用直方圖反向投影技術(shù)對雙局部閾值圖像中的目標邊緣進行有效分割，克服了低對比度問題；然后，將鄰域特征、區(qū)域特征、運動方向特征和直方圖特征作為目標表征特征，建立混合特征代價函數(shù)；最后，采用Viterbi 數(shù)據(jù)關(guān)聯(lián)計算代價總和，求得最相似目標。實驗結(jié)果表明，在幀圖像模糊或噪聲較多的情況下，目標跟蹤穩(wěn)定且有效，單目標跟蹤準確率為0.89，多目標跟蹤精度達0.975，召回率達0.920，優(yōu)于其他幾種同類跟蹤算法。

關(guān)鍵詞： 分割跟蹤； 混合特征匹配； 雙局部閾值； 直方圖反向投影； Viterbi數(shù)據(jù)關(guān)聯(lián)

中圖分類號： TN911.73?34； TP391 文獻標識碼： A 文章編號： 1004?373X（2016）17?0001?05

0 引 言

目標跟蹤在軍事、安防、交通等領(lǐng)域應用極其廣泛[1?2]，目前是模式識別、圖像處理等學科領(lǐng)域的熱門研究課題。根據(jù)跟蹤目標的數(shù)量，目標跟蹤可分為單目標跟蹤和多目標跟蹤，兩者的處理方式有很大不同。多目標跟蹤涉及到目標特征相似或互斥情況，有時還需解決目標遮擋、重疊和分類問題[3?5]。單目標跟蹤僅需選取目標單個特征即可[6?7]。

傳統(tǒng)跟蹤算法在視頻分辨率低，幀圖像模糊或噪聲較多時跟蹤效果較差。針對此情況，本文選擇鄰域特征、區(qū)域特征、運動方向特征和直方圖特征等多個目標特征進行跟蹤，并給出了聯(lián)合特征代價函數(shù)以及數(shù)據(jù)關(guān)聯(lián)運算方法。

1 相關(guān)工作

近年來，許多學者對單目標跟蹤[4?7]和多目標跟蹤[8?10]進行了研究。

文獻[7]提出了TLD（Tracking?Learning?Detecting）算法。算法實現(xiàn)目標檢測和跟蹤同時進行，TLD算法使用NP學習方法檢測和糾正跟蹤過程中的錯誤，但NP不適合聯(lián)合學習，在多目標情況下無法使用該算法。

文獻[8]提出了一種基于視頻的多目標跟蹤算法。算法使用碼本模型檢測前景，提取每一幀的頭部和腳部特征，根據(jù)幾何約束關(guān)系計算目標高度，具有一定精度和魯棒性。但碼本模型僅適用于簡單場景中的前景提取。

文獻[9]提出標記點處理方法（Marked Point Processes，MPP）。算法能獲取所有未知目標的后驗概率，得出時空信息；并能識別和了解特定事件變化的外力。

針對復雜、低信噪比背景的紅外小目標跟蹤問題，文獻[10]提出用閾值分割和形態(tài)學濾波檢測目標，采用鄰域軌跡和Kalman濾波跟蹤目標，避免了噪聲干擾。但跟蹤的目標數(shù)量有限，也沒考慮目標遮擋消失問題。

本文提出一種新的帶圖像分割的多目標跟蹤算法。算法將多個有用的特征用于目標匹配，并設計了總代價函數(shù)，給出了代價函數(shù)的數(shù)據(jù)關(guān)聯(lián)計算方法。實驗視頻結(jié)果證明，本文算法能獲取良好的目標跟蹤效果。

4 實驗結(jié)果與分析

4.1 參數(shù)說明及度量函數(shù)

視頻幀的尺寸為1 280×768像素，幀率為8 f/s。本文利用形態(tài)學做開操作時結(jié)構(gòu)元素設定為7×7像素大小的模板（7×7為一個經(jīng)驗值），表1為根據(jù)經(jīng)驗設定的形態(tài)學操作模板中的參數(shù)大小。

為了對多目標跟蹤的精度進行評估，本文設計了兩種類型錯誤：假陽性（FP）和假陰性（FN），兩種類型錯誤的權(quán)重相同。本文規(guī)定了真陽性（TP）的數(shù)量并提供了運動目標總的個數(shù)。運動目標總的個數(shù)（TO）是所有圖像幀中目標的總和。主要跟蹤（MT）和主要丟失（ML）的分數(shù)進而測量有多少跟蹤成功或丟失，算法的精度分別定義為：

[accuracy=TPTP+FP] （14）

[recall=TPTP+FN] （15）

4.2 單目標跟蹤效果分析

圖4所示為一段比較模糊的足球比賽視頻序列幀。從圖4可以看出，比賽雙方運動員中的一方穿著相同，很難直接辨識。利用本文算法對圖4單目標進行跟蹤，并將實驗結(jié)果與文獻[4]提出的粒子群優(yōu)化算法（PSO?PF）和文獻[5]提出的局部背景加權(quán)算法（CBWH）進行比較。圖4（a）所示為本文算法結(jié)果，從圖中可以看出，選擇的運動員基本定位完整。即使有很多類似特征的運動員，因采用了目標運動方向特征和時間信息，目標也能準確定位，圖4（b）和圖4（c）分別是CBWH和PSO?PF跟蹤結(jié)果，可以看出CBWH在第三幀已偏離目標，PSO?PF在第二幀已偏離目標。比較三種算法，本文算法精確性能明顯優(yōu)于CBWH和PSO?PF兩種算法。

此外，測試了CBWH算法[5]和TLD算法[7]所使用的部分視頻，表2為各算法的跟蹤準確率比較。跟蹤準確率是指正確分割鎖定目標的時間比上總時間?？傮w來說，本文提出的單目標跟蹤算法跟蹤準確率高于其他兩種算法。

4.3 多目標跟蹤效果分析

圖5為一段分辨率比較低的魚類視頻序列幀。從圖中可以看出，幀背景比較黑暗，圖像中目標姿態(tài)不斷變化。利用本文算法對圖5多目標進行跟蹤，并將實驗結(jié)果與文獻[9]提出的標記點處理算法MPP和文獻[10]提出的多目標Kalman跟蹤器進行比較。圖5是本文算法與MPP和Kalman的跟蹤分割結(jié)果圖。圖5（a）是本文算法結(jié)果，可以看出目標基本完全定位，圖5（b）和圖5（c）分別是MPP和Kalman跟蹤結(jié)果，其中紅色框是漏檢的目標。從圖5可以看出，本文算法漏檢率明顯低于MPP和Kalman算法。表3是精度和召回率比較，其中實驗總體目標數(shù)目設置為90個。從表3可以看出，本文算法精度和召回率明顯優(yōu)于MPP和Kalman算法。

5 結(jié) 論

本文提出一種基于混合特征匹配的多目標分割跟蹤算法，算法可用于低對比度的多目標跟蹤。算法中采用的局部雙閾值能克服低對比度和噪聲對目標跟蹤的影響，并利用直方圖反向投影進行外形分割結(jié)果，利用四種特征進行目標匹配，并設計了總體代價函數(shù)以及代價函數(shù)的數(shù)據(jù)關(guān)聯(lián)計算。實驗結(jié)果表明，本文算法取得了較高的跟蹤成功率，具有很好的實際應用價值。

下一步的研究內(nèi)容是對于不同的場景，如何自適應地選擇有效特征進行目標匹配。

參考文獻

[1] 王健.基于目標跟蹤的交通違停事件檢測的研究[D].合肥：中國科學技術(shù)大學，2011.

[2] 史志剛.視頻序列中運動目標檢測與跟蹤技術(shù)研究[D].西安：西安電子科技大學，2014.

[3] LI Z， LI G， TAN J， et al. Low observable moving target tracking based on modified PDA?AI [J]. Journal of infrared millimeter terahertz waves， 2010， 31（10）： 1245?1256.

[4] 陳志敏，薄煜明，吳盤龍，等.基于自適應粒子群優(yōu)化的新型粒子濾波在目標跟蹤中的應用[J].控制與決策，2013，28（2）：859?864.

[5] NING J， ZHANG L， ZHANG D， et al. Robust mean?shift tracking with corrected background?weighted histogram [J]. IET computer vision， 2010， 6（1）： 62?69.

[6] COMANCIU D， VISVANATHAN R， MEER P. Kernel?based object tracking [J]. IEEE transactions on pattern analysis machine intelligence， 2003， 25（5）： 564?575.

[7] KALAL Z， MIKOLAJCZYK K， MATAS J. Tracking?learning?detection [J]. IEEE transactions on pattern analysis and machine intelligence， 2012， 34（7）： 1409?1422.

[8] 姜明新，王培昌，王洪玉.基于視頻多目標跟蹤的高度測量算法[J].電子學報，2015，43（3）：591?596.

[9] IBE O C. Markov processes for stochastic modeling [M]. US： Chapman Hall， 1997.

[10] 羅寰，于雷，廖俊，等.復雜背景下紅外弱小多目標跟蹤系統(tǒng)[J].光學學報，2009，29（6）：1536?1541.

[11] 李雨朋.基于Otsu算法的圖像分割研究[D].鎮(zhèn)江：江蘇大學，2014.

[12] ZHAO Y， TAUBIN G. Real?time median filtering for embedded smart cameras [C]// Proceedings of 2006 IEEE International Conference on Computer Vision Systems. [S.l.]： IEEE， 2006： 55?57.

[13] CHANDRA E， KANAGALAKSHMI K. Noise suppression

scheme using median filter in gray and binary images [J]. International journal of computer applications， 2011， 26（1）： 49?57.

[14] KIM C， HWANG J N. Video object extraction for object?orien?ted applications [J]. Journal of VLSI signal processing systems for signal， image and video technology， 2001， 29（1/2）： 7?21.

[15] VITERBI A J. A personal history of the Viterbi algorithm [J]. IEEE signal processing magazine， 2006， 23（4）： 120?142.

[16] MUSICKI D， SONG T L， LEE H H， et al. Correlated Doppler?assisted target tracking in clutter [J]. IET radar sonar navigation， 2013， 7（1）： 94?100.

[17] 柳培忠，阮曉虎，田震，等.一種基于多特征融合的視頻目標跟蹤方法[J].智能系統(tǒng)學報，2014，17（3）：1?6.