濾波算法在圖像跟蹤中的應(yīng)用綜述

戴廣軍　張樂　李亞霖　余雷

摘要：本文分析和描述了當(dāng)前常用的運動目標(biāo)跟蹤的有關(guān)算法，通過分類介紹的形式，從跟蹤方法的算法性能，實現(xiàn)難度和應(yīng)用場景等方面進(jìn)行討論，分別闡述了幾種方法的優(yōu)缺點以及研究過程中所面臨的難題。最后對運動目標(biāo)跟蹤算法提出了展望。

關(guān)鍵詞：圖像跟蹤；機(jī)器視覺；目標(biāo)跟蹤算法

中圖分類號：TP18 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-3044（2016）23-0151-02

視頻對象中的運動目標(biāo)跟蹤作為現(xiàn)在圖像處理和機(jī)器視覺領(lǐng)域中的研究熱點，在人工智能，軍事偵察，人機(jī)互動，安全監(jiān)控等眾多領(lǐng)域中具有廣泛的研究前景。但由于目標(biāo)運動的不確定特性，目標(biāo)與場景之間的遮擋，攝像機(jī)的運動等因素，使得圖像跟蹤的精準(zhǔn)度存在較大誤差[1][2]。本文通過分析大量文獻(xiàn)，綜述了不同的圖像跟蹤算法，并且分析了其中的問題和不足，并指出了之后的應(yīng)用研究方向。

1 目標(biāo)檢測跟蹤算法

在目標(biāo)跟蹤的過程中，圖像序列的背景一般分為兩種情況，一種是背景變化，一種是背景靜止。前者來說運動的背景是一直在變化的，即攝像機(jī)處于不停的運動中。后者來說，攝像機(jī)處于靜止?fàn)顟B(tài)，只有跟蹤的目標(biāo)在運動。這種情況下，可以采用幀間差分法去除背景噪聲的干擾，從而獲取運動目標(biāo)的相對位置[3]。

幀間差分法是通過對圖像序列中相鄰的圖像做差分運算來提取出運動區(qū)域的。通常提取現(xiàn)時段的運動狀態(tài)數(shù)據(jù)，同前兩個時刻的數(shù)據(jù)的均值做差分運算，差值若大于預(yù)設(shè)的閾值，則保留數(shù)據(jù)，反之去除。將保留下的數(shù)據(jù)組成集合G，該集合就是要提取的運動區(qū)域[4]。

該方法簡單有效，同時因為是對圖像序列做差分運算，故對光線變化不敏感。其缺點是只能檢測背景圖像中的運動目標(biāo)，當(dāng)目標(biāo)處于靜止?fàn)顟B(tài)或者運動較慢時，跟蹤常常會失效。另外，幀間差分法適應(yīng)于背景靜止的場景，因此如果攝像機(jī)在移動，該方法同樣會失效。

2 圖像相關(guān)匹配跟蹤算法

圖像的相關(guān)；匹配跟蹤算法是將實時檢測到的圖像與模板圖像相匹配，按照指定的相似度的度量方法，在實時圖像中確定運動目標(biāo)的位置。針對于不同的度量函數(shù)，會形成不同的度量方法。同時，不同的搜索路徑也會對搜索的精度和算法的運算時間造成影響。

在相關(guān)匹配跟蹤算法中，通常是采用某一區(qū)域圖像的灰度特征作為目標(biāo)的特征選擇，因此，當(dāng)跟蹤目標(biāo)受到遮擋或者背景光線變化時，對該算法會造成很大的影響。相關(guān)匹配跟蹤算法的另一個缺點是迭代搜索時間過長。因為在匹配目標(biāo)跟蹤時，為了保證跟算法的精度，通常會將目標(biāo)模板與很多的待匹配點進(jìn)行匹配，因此搜索時間會很長。當(dāng)目標(biāo)模板與待匹配區(qū)域進(jìn)行逐點匹配運算時，可以保證得到全局最優(yōu)的待匹配點。但以目前的運算速度，在大視場范圍內(nèi)，還無法滿足系統(tǒng)的實時性要求[5][6]。

3 粒子濾波跟蹤算法

粒子濾波是求解序列貝葉斯估計的一種非線性濾波算法。這里的“粒子”指的是一種尺度很小的濾波器。粒子濾波實質(zhì)是目標(biāo)狀態(tài)的后驗概率可以利若干個粒子濾波器來近似，通過非參數(shù)化的蒙特卡羅模擬來實現(xiàn)遞推貝葉斯濾波，因此粒子濾波適用于任意非線性，非高斯系統(tǒng)估計問題[7][8]。

粒子濾波跟蹤算法屬于一種非線性濾波算法，從理論上說可以達(dá)到全局最優(yōu)。但通過對粒子濾波算法的跟蹤模型以及算法步驟的研究，發(fā)現(xiàn)算法的實時性問題、狀態(tài)初始概率選取問題，使粒子濾波距離工程應(yīng)用尚有一定的差距，還不能完全應(yīng)用在實時系統(tǒng)中。同時，粒子濾波里的粒子還會存在退化問題，當(dāng)?shù)螖?shù)增加，一些粒子濾波的權(quán)值會不斷減小癡線退化現(xiàn)象。

4 Mean shift（均值漂移）算法

Mean shift算法是一種非參數(shù)密度估計過程，最早是由Fukunaga等人提出的一種基于特征空間密度梯度方向進(jìn)行迭代搜索，從而獲得局部密度極大值的樣本數(shù)據(jù)[9]。Mean shift算法的核心是基于核密度估計的無參數(shù)估計方法，它將每個點移動到密度函數(shù)的局部極大值點處，即密度梯度為0的點，也叫模式點。該跟蹤算法以人體區(qū)域像素灰度值的概率分布為特征，進(jìn)行跟蹤。對邊緣遮擋，目標(biāo)旋轉(zhuǎn)，變形和背影運動不敏感，因此有很好的魯棒性，適用于目標(biāo)的追蹤。

相較于其他濾波，它的優(yōu)點是不需要提前了解特征空間的特點，只需要根據(jù)提供的樣本點就可以進(jìn)行估計濾波。同時該算法計算量小，易于實現(xiàn)，因此算法計算時間短，很適合實時性要求很高的場合。但是該算法對于小目標(biāo)和快速移動的目標(biāo)往往會失效[10]。

5 總結(jié)

本文綜述了幾種圖像跟蹤的算法，結(jié)論如下：

1） 目標(biāo)檢測跟蹤算法簡單且有效。同時該算法對光線的變化不敏感，能夠有效適應(yīng)光線變化明顯的環(huán)境。缺點是只能檢測到運動目標(biāo)，對靜止或者移速慢的目標(biāo)往往無效。另外，目標(biāo)檢測跟蹤算法是基于背景的一種算法，因此當(dāng)背景大范圍改動的時候，該方法也會失效。

2） 圖像相關(guān)匹配跟蹤算法是采用某一區(qū)域圖像的灰度特征作為目標(biāo)的特征選擇，進(jìn)行圖像跟蹤的。因此相較于目標(biāo)檢測算法來說，無論目標(biāo)是否運動，都能檢測。但是該算法對光線變化敏感，且算法實時性不高，搜索時間較長。

3） 粒子濾波跟蹤算法是一種非線性濾波方法，因此相對于基于圖像匹配和目標(biāo)檢測的算法，不需要考慮物體的運動狀態(tài)和光線變化。但是粒子濾波算法難度較大，導(dǎo)致其實時性不高，不能用于實時的檢測系統(tǒng)。

4） 均值漂移算法作為聚類濾波的一種，以人體區(qū)域像素灰度值的概率分布為特征進(jìn)行無參數(shù)估計。相對于基于圖像檢測的目標(biāo)跟蹤方法，該算法對邊緣遮擋，目標(biāo)旋轉(zhuǎn)，變形和背影運動不敏感。但是在跟蹤小目標(biāo)和快速運動的目標(biāo)時，往往會失效。

綜上所述所得，每種算法都有各自的優(yōu)缺點，比如迭代速度，物體運動狀態(tài)的選擇，背景變化的適應(yīng)度等等。因此我們在選取濾波方法的時候，一定要充分考慮跟蹤目標(biāo)和背景環(huán)境的問題，結(jié)合實際情況，選取最優(yōu)方法。

同時，目標(biāo)跟蹤算法還有很多亟待解決的問題，比如如何協(xié)調(diào)算法的實時性與準(zhǔn)確度之間的矛盾，如何強(qiáng)化算法的通用性等等。相信在之后的研究過程中，這些問題都能夠被很好解決，運動目標(biāo)的跟蹤技術(shù)也會得到飛速的發(fā)展。

參考文獻(xiàn)：

[1] 王熙贏，陳熙源.強(qiáng)跟蹤濾波器在高動態(tài)GPS信號跟蹤中的應(yīng)用[J].東南大學(xué)學(xué)報：自然科學(xué)版，2014，44（5）：946-951.

[2] Xu P， Hu Z L， Jiang N， et al. Transient reflectance spectra of adaptive filters based on dynamic population gratings[J]. Optics Letters， 2012， 37（11）： 1992-1994.

[3] 黃大羽. 復(fù)雜環(huán)境下弱目標(biāo)檢測與跟蹤算法研究[D].華東理工大學(xué)，2012.

[4] 鐘必能. 復(fù)雜動態(tài)場景中運動目標(biāo)檢測與跟蹤算法研究[D].哈爾濱工業(yè)大學(xué)，2010.

[5] 谷會濤. 視頻和圖像處理中像素匹配運算的加速技術(shù)研究[D].國防科學(xué)技術(shù)大學(xué)，2011.

[6] 薛利軍，李自田，李英才. 一種基于圖像分層的快速相關(guān)匹配算法[J]. 計算機(jī)工程與科學(xué)，2006（7）：65-66.

[7] 張波. 基于粒子濾波的圖像跟蹤算法研究[D].上海交通大學(xué)，2007.

[8] Ning X， Wang H， Zhang Q， Chen L. Interval diffracted particle filter.ACTA PHYSICA SINICA，2010（59）：4426-4433.

[9] Fukunaga， K.， & Hostetler， L. （1975）. The estimation of the gradient of a density function， with applications in pattern recognition. IEEE Transactions on Information Theory， 21（1）， 32-40.

[10] 周芳芳，樊曉平，葉榛. 均值漂移算法的研究與應(yīng)用[J]. 控制與決策，2007（8）：841-847.