基于智能機器視覺的目標檢測跟蹤技術研究

龔俐+厲丹+郁琳玲+黃云+張英

摘要：由于霧天、陰天、高噪環(huán)境等外部環(huán)境因素的影響，常常出現(xiàn)跟蹤過程中易丟失目標的現(xiàn)象。該文通過改進多尺度Retinex算法增強圖像，在壓縮圖像中高亮區(qū)域范圍的同時，拉伸暗區(qū)的動態(tài)范圍，使得暗區(qū)的細節(jié)信息明顯提高，并結合Camshift算法，使用預測位置誤差方法估計運動目標搜索范圍，并使用濾波器對參數(shù)修正，有效克服了Camshift算法自身的缺陷。

關鍵詞：特征檢測；目標跟蹤；Retinex算法；Chamshift算法

中圖分類號：TP18 文獻標識碼：A 文章編號：1009-3044（2016）34-0216-03

Abstract：Due to the fog， cloudy， high noise environment and other external factors， it is easy to lose target in the tracking process. In this paper， through the improved multi-scale Retinex algorithm， the highlighted area in the image is compressed while the dynamic range of the dark region is stretched. The details of the dark area increased significantly. Combined with Camshift algorithm， the predictive position error method was used to estimate the range of motion target. By using the filter to modify the parameters， effectively overcome the shortcomings of the Camshift algorithm itself.

Key words：feature detection； target tracking； retinex algorithm； chamshift algorithm

1 概述

隨著社會經濟的快速發(fā)展和城市車輛保有量的激增，城市道路交通監(jiān)控系統(tǒng)在交通管理中發(fā)揮著越來越重要的作用。由于霧天、陰天、高噪環(huán)境等外部環(huán)境使大氣的能見度降低，采集圖像發(fā)生退化，這給戶外圖像采集與處理帶來困難，并增加了交通運輸?shù)谋O(jiān)控管理難度。

圖像增強原理的方法可以不受圖像退化的影響，增強圖像信息，還原出符合人們視覺要求和計算處理要求的圖像。其中全局直方圖均勻化是基本的圖像還原方法，它通過算法使圖像灰度概率密度均勻分布以增強圖像對比度，但該方法只對場景簡單的霧霾圖像對比度有較好處理效果。之后，依次出現(xiàn)基于Retinex理論的圖像還原算法[1]；基于小波變換的圖像還原算法； He k.等在2011年提出利用暗原色規(guī)律的圖像去霧算法。

目標跟蹤在智能交通中有重要的研究價值，至今，已有不少學者進行了相關的研究工作： 如梯度、顏色特征共同建模提高跟蹤精度； 將均值漂移結合粒子濾波，提高算法效率；將SIFT方法結合運動、顏色特征提高跟蹤穩(wěn)定性等。Bradski提出的Camshift算法有較高的運算效率，不受目標形狀變化的影響，以顏色直方圖為目標，可以有效地解決遮擋、變形問題。

文章首先通過改進的多尺度Retinex增強圖像，通過顏色空間變換后拉伸并改進HSI分量后逆變換回RGB空間，提高圖像質量和對比度，然后利用改進的Camshift算法預測目標位置，縮小目標搜索的范圍，保證跟蹤穩(wěn)定可靠。

2 Retinex方法增強圖像

2.1 單尺度Retinex算法

Edwin Land提出的Retinex理論[2，3]是一種關于視覺系統(tǒng)調節(jié)被感知物體的亮度、顏色的模型，視覺理論中，因為周邊環(huán)境存在光源和物體反射，我們才能看到物體本身。[L（x，y）]環(huán)境光照度分量決定圖像動態(tài)范圍，[R（x，y）]反射分量表決定了圖像局部的對比度，描述了圖像的細節(jié)， Retinex理論的數(shù)學表達式如下，其中，I（x，y）代表被觀察或照相機接收到的圖像信號。

1997年，Rahman和Jobson在中心環(huán)繞的基礎上提出單尺度Retinex算法（Single Scale Retinex，SSR），該算法增強后的圖像具有顏色恒常特性，色彩真實，動態(tài)范圍壓縮大，是基于光照補償?shù)囊环N圖像增強算法，相比原中心環(huán)繞的算法，運算速度提高顯著。假定照射圖像具有空間平滑特性，單尺度Retinex算法表示為：

上式中，*是卷積算子， Retinex圖像第[i]個通道的輸出為[Ri（x，y）]，環(huán)繞函數(shù)為[F（x，y）]，第[i]個通道中像素值為[Ii（x，y）]，環(huán)繞函數(shù)為高斯函數(shù)，[F（x，y）=Ke-r2/c2]，K由歸一化函數(shù)決定，其中[r=x2+y2]，[c]是環(huán)繞尺度。

4 實驗驗證及分析

如圖1所示，a，e和c，g分別為原圖及改進后多尺度Retinex算法的增強結果，b，f和d，h分別為原圖及改進后多尺度Retinex算法灰度直方圖對比，改進算法灰度直方圖分布更均勻，將亮度分量和飽和度、色度分開，解決原算法在RGB空間中要分別調整R、G、B三個顏色通道而產生顏色失真的問題，細節(jié)銳化和圖像信息都得到提高。

如圖2所示，a和b分別為Camshift算法改進前后車輛跟蹤結果。分別截取視頻的76，79，83和89幀，當車輛位移過大時，原Camshift算法易丟失目標，將跟蹤窗口錯誤的定位在后面一輛車上，改進后的算法通過對目標進行運動估計，利用預測值平移搜索窗，增大聯(lián)接可能性，提高了跟蹤準確度。

5 結束語

本文通過對圖像增強處理技術進行研究，改進的多尺度的Retinex算法較好地還原了圖像特征信息，提升了視覺效果，此外，改進的Camshift跟蹤算法使用預測位置誤差方程估計搜索范圍，以及通過IIR濾波器實現(xiàn)速度和加速度的修正，提高了搜索準確性。

參考文獻：

[1] 趙曉霞，王汝琳. 改進的多尺度Retinex算法及其應用[J].計算機工程，2011，37（6）：209-211.

[2] 王科俊，熊新炎，任楨，等.基于窗口無關均值濾波的MSR圖像增強[J].哈爾濱工業(yè)大學學報，2010，42（9）：1467-1471.

[3] 陳琛，張建州.改進的多尺度Retinex醫(yī)學X射線圖像增強算法[J].計算機工程與應用，2015，51（9）：191-195.

[4] 李錦，王俊平，萬國挺，等.一種結合直方圖均衡化和MSRCR的圖像增強新算法[J].西安電子科技大學學報：自然科學版，2014，41（3）：103-109.

[5] 張宏志，張金換，岳卉，等.基于Camshift的目標跟蹤算法[J].計算機工程與設計，200，27（11）：108-110.

[6] 孫曉燕，常發(fā)亮.梯度特征稀疏表示目標跟蹤[J].光學精密工程，2013，21（12）：3191-3197.

[7] 宋曉林，王文濤，張偉偉.基于LBP紋理和改進Cam-shift算子的車輛檢測與跟蹤[J].湖南大學學報：自然科學版，2013，40（8）：52-57.

[8] 吳慧敏，鄭曉勢.改進的高效Camshift跟蹤算法[J].計算機工程與應用，2009 45（27）：178-180.