基于均值偏移的粒子濾波視頻 跟蹤算法研究

摘要：提出了基于融合顏色和LBP紋理特征的均值偏移粒子濾波視頻跟蹤算法。粒子濾波用帶權(quán)粒子集表示待求解函數(shù)值，解決了非高斯非線性問題，提高了跟蹤精度。將均值偏移嵌入到粒子濾波算法框架，實現(xiàn)對粒子的聚類，減少粒子數(shù)量同樣達到實時準(zhǔn)確跟蹤的效果。融合顏色信息、紋理信息的多種特征描述，能夠準(zhǔn)確地描述模標(biāo)，提高模標(biāo)鎖定的準(zhǔn)確性，克服環(huán)境中相似顏色干擾的問題。實驗證明，該算法在人體行為實時跟蹤的準(zhǔn)確性和魯棒性方面較原算法有明顯提高。

關(guān)鍵詞：背均值偏移；粒子聚類；核函數(shù)；紋理特征

中圖分類號：TP391.41 文獻標(biāo)識碼：A

0 引言

視頻跟蹤[1]是計算機視覺領(lǐng)域的核心方向之一。 本文提出了融合顏色特征和LBP紋理特征的均值偏移粒子濾波算法，將均值偏移嵌入到粒子濾波算法框架[2]，粒子聚類作用提高粒子集的效率。仿真實驗表明，提出的方法在相似顏色干擾、遮擋等環(huán)境下跟蹤目標(biāo)魯棒性、實時性、準(zhǔn)確性較強。

1 基于融合特征的Meanshift粒子濾波算法

1.1 均值偏移粒子濾波算法

本文提出的Meanshift粒子濾波算法中，算法框架如下。

1.1.1 粒子采樣

假設(shè)粒子的初始位置為x0，粒子的數(shù)目為N，運動目標(biāo)每個可能的狀態(tài)由粒子表征。每個粒子的初始權(quán)值為1/N，N個粒子的權(quán)值之和為1。

初始目標(biāo)運動模型第一幀圖像像素記作，n，m個特征值。初始運動目標(biāo)模型表示為

（1）

1.1.2 狀態(tài)轉(zhuǎn)移

通常采用ARP公式：

（2）

（3）

1.1.3 粒子均值偏移收斂

粒子預(yù)測方程是：

設(shè)y1為起始點，核函數(shù)中心點：

（4）

1.1.4 權(quán)值更新

由于核函數(shù)窗口寬h的變化，從第二幀起的每一幀包含的像素用i=1，…， 表示，中心點在yj處的候選目標(biāo)模型表示為：

（5）

其中，j=1，…，N

目標(biāo)模型與候選模型的相似度由最優(yōu)相似性函數(shù)巴氏系數(shù) （Bhattachyarya系數(shù)）表示：

（6）

則巴氏距離（Bhattachyarya）為：

（7）

觀察值的概率密度函數(shù)[6]為

（8）

（9）

1.1.5 計算目標(biāo)位置

目標(biāo)最終位置由所有粒子的加權(quán)均值確定。

（10）

1.1.6 重采樣

重采樣是解決粒子濾波退化問題的主要方法。進行重采樣的標(biāo)準(zhǔn)是判斷有效粒子數(shù)的值與

Nth 的大小，若，采用替代法進行重采樣，使 。

算法增加了一個Meanshift迭代過程。由于Meanshift具有將粒子移動到概率密度局部最大處的收斂性，使粒子經(jīng)過迭代后很好的接近目標(biāo)實際位置，少量粒子數(shù)量同樣能達到常規(guī)粒子濾波算法估計粒子系統(tǒng)狀態(tài)的效果，降低計算量的同時，保證了實時性和準(zhǔn)確性。

1.2特征描述

1.2.1 顏色特征

目標(biāo)的顏色模型選擇HSV空間顏色直方圖，提取模型中的H分量。均值偏移跟蹤算法的核窗寬是固定值，對于形變物體無法自適應(yīng)，因此，改進算法的關(guān)鍵是調(diào)整自動更新大小的跟蹤窗口。

本文提出改進的均值偏移跟蹤算法候選模型構(gòu)造顏色分布直方圖如下：

（11）

1.2.2 LBP紋理特征

LBP算子的定義為：

（12）

其中，gc為位置（xc，yc）處的灰度值，gp為在點 （xc，yc）為圓心、R為半徑的圓周上P個點的灰度值，設(shè)T為閾值，使得當(dāng)gp-gc≥T時，s（u）為1，否則為0。本文取T=4。

獲得目標(biāo)圖像LBP編碼之后，得到用LBP紋理[3]特征來表示的目標(biāo)模型為：

（13）

1.2.3 顏色和LBP紋理的特征融合

歸一化目標(biāo)與模板之間相似度得到各個特征對應(yīng)的權(quán)值，即

（14）

則總相似度[3]為：

（15）

且。

1.3算法流程

算法流程如下：

步驟1：粒子初始化，進行顏色粒子和LBP紋理粒子初始化，提取相應(yīng)粒子特征，建立兩種子模型。

步驟2：目標(biāo)狀態(tài)預(yù)測，使用動態(tài)模型公式（2）、（3）預(yù)測各種條件下當(dāng)前幀的位置。

步驟3：Meanshift算法實現(xiàn)粒子收斂。

步驟4：粒子權(quán)值更新，利用式（9）更新兩種特征的粒子權(quán)值。

步驟5：跟蹤定位，利用公式（10）求得兩種特征加權(quán)平均值，目標(biāo)最終位置由所有粒子的加權(quán)均值確定。

步驟6：特征融合，通過公式（14）、（15）加權(quán)求和獲得總相似度。

步驟7：目標(biāo)遮擋處理，當(dāng)<0.2時，判定目標(biāo)丟失或被長時遮擋；當(dāng)0.2≤<0.4時，目標(biāo)被短時遮擋。

使用動態(tài)模型公式（2）、（3）產(chǎn)生的粒子集解決目標(biāo)被短時間遮擋情況，通過更新目標(biāo)的狀態(tài)實現(xiàn)跟蹤；使用搜索策略解決目標(biāo)被長時間遮擋或者丟失的情況，實現(xiàn)目標(biāo)找回。

步驟8：重采樣，當(dāng) 時，對目標(biāo)的粒子重采樣。

2 仿真實驗

硬件環(huán)境：Intel 酷睿i7 7700K，16GB DDR4內(nèi)存的PC計算機。

軟件環(huán)境：Windows 7、Visual C++6.0和OpenCV 3.3。

實驗采用三段長為316幀、146幀和436幀，分辨率為800x480的人體運動測試視頻進行驗證。

實驗1：圖2和圖3顯示了基于均值偏移的粒子濾波跟蹤算法，在人體運動目標(biāo)受到相似顏色干擾時，采用單一顏色特征、兩種特征相融合情況下的跟蹤結(jié)果比較。

試驗證明，在采用兩種融合特征進行跟蹤時，二者的互補作用明顯，無論在移動位置還是尺度變化上均取得了良好的效果。多特征融合的跟蹤算法能較準(zhǔn)確地跟蹤目標(biāo)，而單一顏色特征的跟蹤算法在受到相似顏色干擾時，跟蹤效果差，容易導(dǎo)致跟蹤失效。

3 結(jié)論

本文提出的算法優(yōu)點是具有較好魯棒性、實時性和準(zhǔn)確性，缺點是算法只能進行簡單的人體行為識別檢測和跟蹤。為此，基于復(fù)雜環(huán)境下多運動目標(biāo)的跟蹤以及嚴(yán)重遮擋問題成為下步研究的熱點。

基金項目：國家自然科學(xué)基金（The National Natural Science Foundation of China under Grant No.61071217）

參考文獻：

[1]龔翔.基于粒子濾波的視覺跟蹤算法研究[D].南京理工大學(xué)，2009.

[2]李冬.一種結(jié)合Mean-shift和粒子濾波的視頻跟蹤算法[J].寧波大學(xué)學(xué)報，2011，1（24）

[3]袁國武.一種結(jié)合了紋理和顏色的運動目標(biāo)跟蹤算法[J].計算機應(yīng)用與軟件，2011（11）：15

作者介紹：

姜瑩礁（1985-），男（蒙古族），內(nèi)蒙古呼和浩特市土左旗人，碩士研究生，主要研究方向為行為識別，861632060@qq.com