自適應(yīng)算法在視覺目標(biāo)跟蹤中的研究

陶偉偉 王占剛

摘 要：目標(biāo)跟蹤運(yùn)用發(fā)展特別普遍，向來都是電腦代替人眼對(duì)目標(biāo)進(jìn)行識(shí)別、跟蹤和測(cè)量等機(jī)器視覺，并進(jìn)一步做圖形圖像處理，再用電腦處理成更適合人眼觀察或傳送給儀器檢測(cè)的圖像的探索方向。該論文適合應(yīng)用Mean Shift跟蹤為主線研究算法的交通體系，探索了依據(jù)帶寬窗口自適應(yīng)的均值漂移算法和依據(jù)卡爾曼濾波的目標(biāo)跟蹤算法.，重點(diǎn)針對(duì)復(fù)雜環(huán)境下的剛性活動(dòng)目標(biāo)與跟蹤算法的檢測(cè)。就繁雜的交通狀況下目標(biāo)的追蹤問題，同視覺追蹤辦法相結(jié)合，結(jié)合如下層面的內(nèi)容像：特點(diǎn)抉擇的目標(biāo)、目標(biāo)追蹤予以深層次的探究，爭(zhēng)取于繁雜狀況下促使目標(biāo)追蹤算法展示更佳的魯棒性、及時(shí)性。

關(guān)鍵詞：目標(biāo)追蹤；均值漂移追蹤；卡爾曼濾波；智能視頻監(jiān)控

人類與外界聯(lián)系的主要方式有：視覺、聽覺及觸覺，其中視覺能夠接受大約 80%的外界信息，是人類感覺外界的最主要來源。但是，人類視覺受人的活動(dòng)范圍和視野的限制，因此，作為人類視覺的延伸—計(jì)算機(jī)視覺（Computer Vision，CV）油然而生。此后，隨著計(jì)算機(jī)軟硬件的飛速發(fā)展，計(jì)算機(jī)視覺技術(shù)越來越受到全世界來自計(jì)算機(jī)、數(shù)學(xué)、生物學(xué)等眾多領(lǐng)域?qū)W者的廣泛關(guān)注與研究。

1 跟蹤算法基礎(chǔ)

視覺追蹤是多種視頻處置的基礎(chǔ)，近些年來已成為探究機(jī)構(gòu)和探究者們重點(diǎn)關(guān)注的探究層面，成為計(jì)算機(jī)視覺層面基礎(chǔ)核心科技之一。

1.1 貝葉斯估計(jì)

貝葉斯估算（Bayesian parameter estimation，BPE），其為一類依仗于觀察訊息集先驗(yàn)知識(shí)的狀態(tài)估算辦法。

狀態(tài)空間模型是動(dòng)態(tài)體系能夠敘說成：

Xk=F（xk-1）+uk-1

Yk=H（xk）+vk

上式中，Xk是k時(shí)刻的體系狀態(tài)，Yk是k時(shí)刻的觀察值，uk和vk分別為體系的狀態(tài)噪聲和觀察噪聲。

用Xk=x0∶k={x0，x1，…，xk}與Yk=y1∶k={y1，…，yk}分別表示0到k時(shí)刻所有的狀態(tài)體系與觀察值。

1.2 卡爾曼濾波

線性、高斯的動(dòng)態(tài)體系，依照公式，我們能夠用一個(gè)線性隨機(jī)微分方程（線性隨機(jī)差分方程）來描述動(dòng)態(tài)體系：

h（x，θ）=p（x|θ）π（θ）

Xk=AkXk-1+Uk

該體系的丈量值：

Yk=BkXk+Vk

在公式中，Xk表示k時(shí)刻的體系狀態(tài)，Yk表示k時(shí)刻的丈量值。由狀態(tài)轉(zhuǎn)移方程F（·）得到Ak是體系狀態(tài)的傳遞矩陣，由狀態(tài)觀察方程H（·）得到Bk為體系的觀察矩陣。Vk表示觀察噪聲，Uk表示體系噪聲，這都是Gauss white噪聲（白噪聲）。Uk的平均值是0，協(xié)方差是Var（Uk）=Qk，Vk的均值為0，協(xié)方差為Var（Vk）=Rk。

1.3 均值漂移跟蹤算法

均值漂移追蹤算法借助于目標(biāo)模板的色彩直方圖和候選范圍的相似度視作代價(jià)函數(shù)，經(jīng)由梯度下降迭代辦法找到最大值。

1.3.1目標(biāo)模型

設(shè)置{xi}i=1，…，n為目標(biāo)模型的中心坐標(biāo)集合的像素坐標(biāo)。定義核函數(shù)k（x），目標(biāo)模型直方圖的核函數(shù)u={u}u=1，2，…，m定義為：

1.3.2候選模型

候選范圍為運(yùn)動(dòng)目標(biāo)于每幀里原始幀中就目標(biāo)予以轉(zhuǎn)移，其囊括目標(biāo)的范圍的可能性頗大，用y就候選范圍的中心坐標(biāo)予以表示，候選范圍中的像素坐標(biāo)用集合{xi}來表示，候選模型的核函數(shù)直方圖展現(xiàn)為：

2 自適應(yīng)窗寬均值漂移跟蹤算法

2.1 帶寬窗口自適應(yīng)問題

在傳統(tǒng)的均值漂移算法的基礎(chǔ)上，將目標(biāo)區(qū)域的輪廓的尺寸作為帶寬窗口的尺寸，并根據(jù)目標(biāo)輪廓的變化實(shí)時(shí)的更新帶寬窗口的尺寸。

2.2 自適應(yīng)窗寬的均值漂移跟蹤算法實(shí)驗(yàn)

實(shí)驗(yàn)采集交通路口的視頻數(shù)據(jù)為標(biāo)準(zhǔn)測(cè)試視頻。

圖1（a）-（f）分別為目標(biāo)尺碼顯現(xiàn)變化較大時(shí)常規(guī)均值漂移算法所追蹤的效果，（a）-（f）顯示的是目標(biāo)車輛自遠(yuǎn)至近，（d）-（f）為目標(biāo)車輛自近至遠(yuǎn)離去。于追蹤窗口的定量固定的境況下，目標(biāo)尺碼將增大，促使所追蹤的窗口只能追蹤至目標(biāo)的局部，再用一部分和整體與目標(biāo)去相配對(duì)，如此極易致使追蹤無效。

圖2（d）-（f）為利用適應(yīng)窗寬的均值漂移算法來獲取追蹤算法的成效。由于其借助于自適應(yīng)窗寬的均值漂移算法，追蹤窗口能夠自主地予以整改，其所依仗的是目標(biāo)尺度的調(diào)節(jié)。

3 改進(jìn)的均值漂移算法與卡爾曼濾波相結(jié)合的算法

卡爾曼濾波算法與改進(jìn)均值漂移相結(jié)合的算法步驟如下：

第1步：于視頻的啟動(dòng)幀中，手動(dòng)抉擇需追蹤的目標(biāo)（鼠標(biāo)選擇區(qū)間的寬和高分開設(shè)作a，b）；

第2步：讀取影像的下一幀，借助于高斯混合法將目前幀及上一幀的影像范圍內(nèi)取得前景、去噪及濾波處置；

第3步：卡爾曼濾波器能夠預(yù)判當(dāng)下幀目標(biāo)中的原始范圍yk

0，并計(jì)算目前幀的中心區(qū)域yk

0當(dāng)作范圍的目標(biāo)直方圖q；

第4步：經(jīng)由健全GMM辦法驗(yàn)證目前幀中yk

0點(diǎn)周邊范圍的外圍區(qū)域，并計(jì)算范圍的高及寬度，即a，b。

第5步：倘若目前幀并非影像最后一幀，則步入步驟2持續(xù)運(yùn)行；不然，退出程序。

利用卡爾曼濾波器對(duì)體系的目標(biāo)范圍的方程予以預(yù)判，在一定程度上能夠改善提高遮蔽目標(biāo)帶來的追蹤丟失現(xiàn)象。

4 跟蹤算法實(shí)驗(yàn)

實(shí)驗(yàn)借助于文獻(xiàn)所供給的影像序列驗(yàn)證。

由圖3（a）-（f）可見，于常規(guī)的均值漂移算法里，當(dāng)色彩差別很大的運(yùn)動(dòng)目標(biāo)遮蔽住追蹤目標(biāo)（如第79幀），短暫的偏離出現(xiàn)在追蹤窗口?？稍诘?5幀中，因?yàn)闊o背景干擾，目標(biāo)的實(shí)際范圍又被追蹤窗口漂移到。在第116幀中，當(dāng)色彩相似的其他運(yùn)動(dòng)目標(biāo)遮蔽住追蹤目標(biāo)，追蹤窗口在第135和155幀時(shí)出現(xiàn)了目標(biāo)追蹤錯(cuò)誤，使得追蹤無效。

圖4中（a）-（f）借助于整改的均值漂移算法與卡爾曼濾波相結(jié)合算法的追蹤結(jié)果，能夠追蹤目標(biāo)相近色彩和色差很大的遮蔽運(yùn)動(dòng)目標(biāo)，并且具有良好的及時(shí)性能。

5 結(jié)語(yǔ)

目標(biāo)追蹤是計(jì)算機(jī)視覺層面中的廣泛應(yīng)用，并已經(jīng)是當(dāng)下計(jì)算機(jī)視覺層面的又一新寵。此文借助于交通體系里的均值漂移目標(biāo)追蹤算法視作探究目標(biāo)，談久了相關(guān)的符合窗寬的均值漂移算法，以及卡爾曼濾波器的目標(biāo)追蹤算法，且于剛性繁雜境況下就驗(yàn)證及追蹤辦法的行為標(biāo)的予以探究。

此文的探究操作，側(cè)重于就目標(biāo)追蹤的繁雜交通境況所出現(xiàn)的積累核心狀況，借助于視覺追蹤科技，立足于目的特點(diǎn)甄別等多方面予以深層次探究，以求于繁雜境況下完成就目標(biāo)追蹤算法的魯棒性及時(shí)效性的達(dá)成。

作者簡(jiǎn)介：陶偉偉，高校講師；王占剛，副教授。