基于MATLAB的動(dòng)態(tài)前景目標(biāo)特征提取與運(yùn)動(dòng)跟蹤

吳晶鑫 仲梁維

摘 要：動(dòng)態(tài)前景目標(biāo)識(shí)別和提取是計(jì)算機(jī)視覺(jué)領(lǐng)域的重要內(nèi)容。對(duì)動(dòng)態(tài)圖像進(jìn)行前景目標(biāo)提取與運(yùn)動(dòng)跟蹤，通過(guò)改進(jìn)高斯混合背景模型，提出一種基于自適應(yīng)特征加權(quán)的前景目標(biāo)提取算法，目的是對(duì)動(dòng)態(tài)畫(huà)面中的圖像特征進(jìn)行識(shí)別并精確提取所需要的畫(huà)面。根據(jù)高斯模型組合多個(gè)圖像特征，針對(duì)組合特征空間的各個(gè)子空間構(gòu)建似然圖像，通過(guò)似然圖像特征分析與加權(quán)，提取最具有差異性的特征。根據(jù)圖像前景特征在圖像幀與幀之間的不同，提高前景目標(biāo)跟蹤的魯棒性。試驗(yàn)結(jié)果表明，改進(jìn)算法在提取前景目標(biāo)上比傳統(tǒng)算法提高了精度，目標(biāo)跟蹤效果好。

關(guān)鍵詞：MATLAB;目標(biāo)跟蹤;高斯混合模型;圖像特征;均值漂移

DOI：10. 11907/rjdk. 182013

中圖分類(lèi)號(hào)：TP303文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1672-7800（2019）004-0016-05

0 引言

前景動(dòng)態(tài)目標(biāo)提取與跟蹤是視覺(jué)圖像處理領(lǐng)域的重要技術(shù)。目前，常用的運(yùn)動(dòng)前景檢測(cè)與提取方法有光流差法[1]、背景消減法[2]、幀差法[3]、均值漂移法[4]、中值濾波等[5-6]。其中，光流法和均值漂移法廣泛應(yīng)用于運(yùn)動(dòng)目標(biāo)檢測(cè)中。光流法用光流場(chǎng)反映像素點(diǎn)運(yùn)動(dòng)的方向和速度，根據(jù)光流場(chǎng)分布特征提取出運(yùn)動(dòng)目標(biāo)區(qū)域[7]。該方法檢測(cè)精度高，但是無(wú)法獲得運(yùn)動(dòng)目標(biāo)的準(zhǔn)確輪廓[8-9]。均值漂移算法運(yùn)算速度快，通過(guò)在視頻幀與目標(biāo)幀匹配目標(biāo)直方圖的最大相似性區(qū)域?qū)\(yùn)動(dòng)目標(biāo)進(jìn)行跟蹤[10-11]，但在前景目標(biāo)顏色與背景色相差不大或存在光線(xiàn)變化的跟蹤場(chǎng)景下，跟蹤效果大打折扣[12]。

為提高前景模型的準(zhǔn)確性，Heikkila & Pietikainen[13]提出了LBN（Local Binary Patterns）紋理特征，利用每個(gè)像素點(diǎn)周?chē)膱A形區(qū)域計(jì)算一組適應(yīng)的局部二值模式直方圖，對(duì)每個(gè)像素點(diǎn)進(jìn)行建模。Sheikh[14]等在最大后驗(yàn)概率-馬爾科夫隨機(jī)場(chǎng)框架下利用空間先驗(yàn)信息，使每個(gè)像素不再獨(dú)立進(jìn)行標(biāo)記。

本文提出一種基于自適應(yīng)特征加權(quán)的動(dòng)態(tài)前景目標(biāo)提取算法。根據(jù)高斯混合模型（Gaussian Mixture Model， GMM）的初始結(jié)果，利用提出的自適應(yīng)特征算法對(duì)圖像特征的顏色和大小進(jìn)行度量，對(duì)圖像進(jìn)行特征加權(quán)，提取最具有差異性的特征，從而得到新的圖像特征提取結(jié)果。結(jié)合均值漂移算法檢測(cè)運(yùn)動(dòng)前景，達(dá)到對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行跟蹤的目的。

1 目標(biāo)前景提取

1.1 前景提取模型

一個(gè)良好的前景提取模型在目標(biāo)檢測(cè)、識(shí)別與跟蹤等任務(wù)中起著重要作用。本研究采用高斯混合模型，針對(duì)動(dòng)態(tài)目標(biāo)提取前景問(wèn)題，提出自適應(yīng)圖像特征優(yōu)化方法。該方法采用圖像灰度理論[15]，基于高斯混合模型描述灰度直方圖的正態(tài)分布，將圖像信息轉(zhuǎn)化為高斯模型特征。利用模型特征構(gòu)建似然圖像，通過(guò)計(jì)算似然比大小，初步識(shí)別圖像中的背景區(qū)域或前景區(qū)域。分析圖像特征區(qū)域大小信息，計(jì)算權(quán)重并將權(quán)值分配到圖像特征上，以排除微小特征干擾。通過(guò)前景目標(biāo)和背景對(duì)比，最終區(qū)分圖像信息是背景還是前景，達(dá)到提取前景目標(biāo)的目的，最終實(shí)現(xiàn)前景動(dòng)態(tài)目標(biāo)跟蹤。前景提取模型如圖1所示。

1.2 高斯混合模型建立

高斯混合模型是單一高斯概率密度函數(shù)的延伸，是由等式給出的M分量高斯密度的加權(quán)和，如公式（1）所示：

圖像在顏色空間中，每一個(gè)像素分為R、G、B三個(gè)像素通道[16-17]，分別用K個(gè)高斯分布構(gòu)成的混合高斯模型表示圖像中各個(gè)像素點(diǎn)特征。用當(dāng)前圖像中的每個(gè)像素點(diǎn)與混合高斯模型匹配，如果成功則判定該點(diǎn)為背景點(diǎn)，否則為前景點(diǎn)。

1.3 高斯混合模型求解

求解高斯的參數(shù)估計(jì)方法中，期望最大化算法（Expectation Maximization，簡(jiǎn)稱(chēng)EM算法）通常是最好的選擇。EM算法根據(jù)一定分布中某些可能包含信息丟失的樣本估計(jì)樣本所服從的分布參數(shù)，其核心思想是根據(jù)采集到的數(shù)據(jù)遞歸估計(jì)似然函數(shù)[18]。定義“完全數(shù)據(jù)”的似然函數(shù)見(jiàn)式（2）：

將高斯模型應(yīng)用到動(dòng)態(tài)圖像并求解，結(jié)果如圖2所示。圖2（a）為原始圖像，圖2（b）為高斯混合模型下對(duì)圖像特征分布求解后的結(jié)果，可以看出高斯混合模型可提取前景目標(biāo)大小和形狀，但存在微小圖像信息干擾。

2 基于高斯混合模型的自適應(yīng)特征算法

2.1 圖像特征提取

在原始彩色圖像中，前景區(qū)域中的像素大多具有正值，而背景主要由可能性圖像中的負(fù)值像素組成，大多數(shù)像素會(huì)正確分類(lèi)。本研究中，特征提取的目標(biāo)是識(shí)別具有最低維度的最具差異性的圖像，以降低計(jì)算復(fù)雜度并提高識(shí)別精度。此外，線(xiàn)性方法比非線(xiàn)性方法快得多[19]。

基于以上分析，本文使用PCA算法進(jìn)行特征提取。PCA算法可減少數(shù)據(jù)維度，通過(guò)線(xiàn)性變換將原始數(shù)據(jù)變換為一組各維度線(xiàn)性無(wú)關(guān)的表示，據(jù)此提取數(shù)據(jù)的主要特征分量。PCA計(jì)算過(guò)程如下：

如圖3所示，經(jīng)計(jì)算得出每個(gè)圖像特征投影到PCA空間，將多維特征降為線(xiàn)性特征然后進(jìn)行分類(lèi)。圖3（a）為原始圖像特征分布，圖3（b）為PAC降維之后的圖像特征。

2.2 圖像特征加權(quán)

通常在似然性圖像中，原始目標(biāo)圖像被轉(zhuǎn)變成一個(gè)明亮的相同塊狀區(qū)域。因?yàn)樵S多前景像素在該區(qū)域被壓縮，所以目標(biāo)區(qū)域中的大且亮區(qū)域具有較大的權(quán)重。相反，目標(biāo)區(qū)域中小的分塊具有小的權(quán)值。另一方面，微小區(qū)域不是目標(biāo)區(qū)域，很可能是噪音[20]。將圖像像素的空間大小信息加入權(quán)值計(jì)算中。根據(jù)區(qū)域大小信息以及每個(gè)特征的強(qiáng)度值計(jì)算權(quán)重，從而消除小而亮的信息影響，消除圖像噪聲獲得更準(zhǔn)確的圖像特征，以合理分配圖像特征權(quán)重。圖像特征加權(quán)流程如圖4所示。

分配計(jì)算所有特征權(quán)重并更新圖像特征區(qū)域，加權(quán)后的前景目標(biāo)區(qū)域提取效果有較大提高。如圖5所示，圖5（a）為圖像特征加權(quán)處理前，圖5（b）為通過(guò)圖像特征加權(quán)算法的結(jié)果。將圖5（a）與圖5（b）比較，可以看出圖像特征經(jīng)加權(quán)處理后，對(duì)圖像的噪聲有很好的過(guò)濾，尤其是疵點(diǎn)部分的特征有效地忽略了，圖像前景更加明顯突出，很好地提取了圖像目標(biāo)的前景特征。

3 前景目標(biāo)跟蹤

將自適應(yīng)特征提取方法結(jié)合均值漂移算法應(yīng)用到動(dòng)態(tài)畫(huà)面的動(dòng)態(tài)目標(biāo)跟蹤中。均值漂移算法是用于定位密度函數(shù)最大值的非參數(shù)特征空間分析技術(shù)?；谙惹皥D像中的對(duì)象色直方圖，在新圖像中創(chuàng)建置信度圖，并使用均值移位找到對(duì)象原先位置附近的置信度圖的峰值。置信度圖是新圖像上的概率密度函數(shù)，為新圖像的每個(gè)像素分配概率，該概率是在先前圖像的對(duì)象中出現(xiàn)像素顏色的概率。均值漂移算法鎖定概率函數(shù)的局部加權(quán)平均值后的密度最大值，通過(guò)迭代運(yùn)算找到目標(biāo)位置，將目標(biāo)收斂到一個(gè)穩(wěn)定點(diǎn)，對(duì)目標(biāo)進(jìn)行跟蹤。前景目標(biāo)跟蹤處理流程如圖6所示。

均值漂移向量的基本形式為：

將本研究的自適應(yīng)特征加權(quán)算法應(yīng)用到動(dòng)態(tài)圖像中，將均值漂移算法和自適應(yīng)特征加權(quán)進(jìn)行融合，最終目標(biāo)跟蹤結(jié)果如圖7所示。

圖7（a）為在平坦的馬路上拍攝的車(chē)輛動(dòng)態(tài)畫(huà)面，圖7（b）為目標(biāo)跟蹤的俯視圖，圖7（c）為目標(biāo)跟蹤斜視圖，圖7（d）為目標(biāo)跟蹤的水平視圖。試驗(yàn)結(jié)果表明，本算法在兼顧計(jì)算實(shí)時(shí)性的同時(shí)，有著較高的定位精度，精確識(shí)別了畫(huà)面中的動(dòng)態(tài)車(chē)輛，實(shí)現(xiàn)了動(dòng)態(tài)目標(biāo)跟蹤。

4 結(jié)語(yǔ)

本文針對(duì)前景提取與運(yùn)動(dòng)目標(biāo)檢測(cè)，提出一種基于高斯混合模型的自適應(yīng)圖像特征提取前景目標(biāo)方法?；贛ATLAB建模軟件對(duì)動(dòng)態(tài)前景運(yùn)動(dòng)目標(biāo)進(jìn)行檢測(cè)，并融合均值漂移算法實(shí)現(xiàn)了目標(biāo)精確跟蹤。試驗(yàn)證明自適應(yīng)特征算法減少了背景圖像與微小圖像特征對(duì)前景目標(biāo)的干擾，有效區(qū)分了背景區(qū)域和前景區(qū)域，提高了前景運(yùn)動(dòng)目標(biāo)提取精度，是一種性能良好、效率高的動(dòng)態(tài)前景目標(biāo)提取與運(yùn)動(dòng)跟蹤技術(shù)。

參考文獻(xiàn)：

[1] 劉潔. 基于光流法的運(yùn)動(dòng)目標(biāo)檢測(cè)和跟蹤算法研充[D]. 徐州：中國(guó)礦業(yè)大學(xué)，2015.

[2] 夏瑜. 圖像處理技術(shù)研究[D]. 無(wú)錫：江南大學(xué)，2015.

[3] 嚴(yán)曉明. 一種基于改進(jìn)幀差法的運(yùn)動(dòng)目標(biāo)檢測(cè)[J]. 莆田學(xué)院學(xué)報(bào)，2011（5）：69-72.

[4] 李鍵，丁學(xué)明. 視頻前景提取算法研究[J].? 軟件導(dǎo)刊，2018（2）：135-139.

[5] 劉國(guó)宏，郭文明. 改進(jìn)的中值濾波算法[J]. 計(jì)算機(jī)光盤(pán)軟件與應(yīng)用，2012（6）：122-123.

[6] 劉嘉敏，彭玲，袁佳成. 基于二維變分模態(tài)分解和自適應(yīng)中值濾波的圖像去噪方法[J]. 計(jì)算機(jī)應(yīng)用研究，2017，34（5）：1700-1705.

[7] 江登表，程小輝. 基于高斯運(yùn)動(dòng)模型的車(chē)輛檢測(cè)[J]. 電視技術(shù)，2009，33（8）：103-106.

[8] 張學(xué)習(xí)，楊宜民. 彩色圖像工程中常見(jiàn)的顏色空間及其轉(zhuǎn)換[J]. 計(jì)算機(jī)工程與設(shè)計(jì)，2008，29（5）：1210-1212.

[9] 黃玉. 基于改進(jìn)混合高斯模型的前景檢測(cè)算法研究[D]. 長(zhǎng)沙：長(zhǎng)沙理工大學(xué)，2014.

[10] 于明，郭團(tuán)團(tuán). 基于高斯混合模型的人群異常檢測(cè)[J]. 軟件導(dǎo)刊，2017（11）：59-62.

[11] 李鴻. 基于混合高斯模型的運(yùn)動(dòng)檢測(cè)及陰影消除算法研究[D]. 天津：中國(guó)民航大學(xué)，2013.

[12] 劉令芝. 基于視頻的車(chē)輛檢測(cè)與跟蹤研究[D]. 湘潭：湘潭大學(xué)，2011.

[13] HEIKKILA M，PIETIKAINEN M，HEIKKILA J. A texture-based method for detecting moving objects[EB/OL]. http：//www.docin.com/p-1395391692.html.

[14] JIAN M，JUNG C. Interactive image segmentation using adaptive constraint propagation[J]. IEEE Transactions on Image Process，2016，25 （3）：1301-1311.

[15] 李培華. 序列圖像中運(yùn)動(dòng)目標(biāo)跟蹤方法[M]. 北京：科學(xué)出版社，2010：32-35.

[16] 李霉，劉昌化，年福忠. 基于自適應(yīng)背景的多特征融合目標(biāo)跟蹤[J]. 計(jì)算機(jī)應(yīng)用，2013（3）：891-902.

[17] 胡小鋒，趙輝. Visual C++/MATLAB圖像處理與識(shí)別實(shí)用案例精選[M]. 北京：人民郵電出版社，2004.

[18] GHASSABEH Y A. Asymptotic stability of equilibrium points of mean shift algorithm[J]. Machine Learning，2015，98（3）：359-368.

[19] 王強(qiáng)光，伍鐵軍. 智能監(jiān)控系統(tǒng)中的運(yùn)動(dòng)目標(biāo)分類(lèi)方法研究[J]. 工業(yè)控制計(jì)算機(jī)，2011，24（1）：16-20.

[20] 黃超群. 基于混合高斯模型和Kalman濾波器的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤[D]. 昆明：云南大學(xué)，2010.

（責(zé)任編輯：杜能鋼）