基于改進(jìn)粒子濾波跟蹤算法的運(yùn)動(dòng)視頻跟蹤

張忠子

摘 ?要： 為了進(jìn)一步提高目標(biāo)跟蹤的準(zhǔn)確率，提出一種基于改進(jìn)粒子濾波的運(yùn)動(dòng)視頻跟蹤算法。首先，通過(guò)高斯混合模型實(shí)現(xiàn)動(dòng)態(tài)背景建模，從而降低噪聲和局部動(dòng)態(tài)背景的干擾;然后，在RGB顏色直方圖分離的基礎(chǔ)上，結(jié)合粒子濾波和迭代遞歸實(shí)現(xiàn)目標(biāo)運(yùn)動(dòng)檢測(cè)，提高了前景檢測(cè)的準(zhǔn)確性。仿真試驗(yàn)結(jié)果顯示，相比典型粒子濾波算法、遺傳粒子濾波和DCEM，改進(jìn)粒子濾波跟蹤算法得到的前景目標(biāo)的輪廓更好，因此運(yùn)動(dòng)目標(biāo)檢測(cè)精確度更高且處理時(shí)間更短。

關(guān)鍵詞： 運(yùn)動(dòng)目標(biāo)檢測(cè); 高斯混合模型; 背景建模; 粒子濾波; RGB顏色直方圖; 迭代遞歸

中圖分類(lèi)號(hào)： TN911.73?34; TP391 ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼： A ? ? ? ? ? ? ? ? ?文章編號(hào)： 1004?373X（2019）15?0059?04

Motion video tracking based on improved particle filter tracking algorithm

ZHANG Zhongzi

（Northeastern University at Qinhuangdao， Qinhuangdao 066004， China）

Abstract： In order to further improve the detection accurate rate of target tracking， a motion video tracking algorithm based on improved particle filtering is proposed. Dynamic background modeling is implemented by Gaussian mixture model to reduce noise and local dynamic background interference. And then， on the basis of separation of RGB color histograms， target motion detection is achieved in combination with particle filtering and iterative recursion to improve the accuracy of foreground detection. The simulation results show that the improved particle filter tracking algorithm can obtain a better outline of a foreground target， so its moving target detection accuracy is higher and its processing time is shorter in comparison with the typical particle filter algorithm， genetic particle filter and DCEM.

Keywords：moving target detection; Gaussian mixture model; background modeling; particle filtering; RGB color histogram; iterative recursion

0 ?引 ?言

隨著高質(zhì)量攝像頭成本的不斷降低，以及網(wǎng)絡(luò)帶寬和數(shù)據(jù)存儲(chǔ)能力的大幅提升，多媒體視頻文件的數(shù)量急劇增加，伴隨而來(lái)的各種場(chǎng)景應(yīng)用產(chǎn)業(yè)也蓬勃發(fā)展，例如，比賽運(yùn)動(dòng)視頻分析和處理、安防監(jiān)控視頻的智能識(shí)別、海量視頻搜索等[1?3]。這些應(yīng)用場(chǎng)景都需要準(zhǔn)確的運(yùn)動(dòng)視頻跟蹤處理，特別是快速和準(zhǔn)確的運(yùn)動(dòng)目標(biāo)檢測(cè)一直是視頻處理研究的重點(diǎn)研究方向[4]。

在對(duì)視頻或圖像序列進(jìn)行分析時(shí)，運(yùn)動(dòng)目標(biāo)檢測(cè)的主要任務(wù)是：判斷視頻圖像序列中每一幀有無(wú)對(duì)應(yīng)的前景目標(biāo);能否將對(duì)應(yīng)的前景目標(biāo)的特征提取出來(lái)，并將前景目標(biāo)顯示出來(lái)。目前，比較流行的運(yùn)動(dòng)目標(biāo)檢測(cè)方法有兩類(lèi)[4]：幀間差分法、背景相減法。其中，幀間差分法的算法復(fù)雜度低，實(shí)時(shí)性好，但是當(dāng)背景與檢測(cè)物體的紋理或者顏色分布較為平均的條件下，檢測(cè)性能較差。背景減除法能夠獲得較完整的目標(biāo)圖像，適用于可靠的安防視頻監(jiān)控任務(wù)，但是實(shí)時(shí)性較差，處理速度慢?；诹Ｗ訛V波器原理，文獻(xiàn)[5]提出一種基于改進(jìn)粒子濾波的多目標(biāo)檢測(cè)與跟蹤方法，采用動(dòng)態(tài)高斯模型對(duì)視頻序列中的運(yùn)動(dòng)目標(biāo)進(jìn)行檢測(cè)，并結(jié)合加權(quán)粒子濾波算法實(shí)現(xiàn)興趣目標(biāo)識(shí)別。文獻(xiàn)[6]提出適用于復(fù)雜環(huán)境中微弱擴(kuò)展目標(biāo)檢測(cè)前跟蹤的粒子濾波算法，通過(guò)Weibull雜波模型對(duì)粒子濾波算法進(jìn)行改進(jìn)，有效抑制了強(qiáng)噪聲的干擾。高斯混合模型在抑制局部遮擋、光照等因素的影響時(shí)具有一定的優(yōu)勢(shì)，且RGB顏色直方圖可在一定程度上避免產(chǎn)生色彩偏移和偽影[7?8]。因此，本文提出將高斯混合模型和RGB顏色直方圖遞歸濾波引入到粒子濾波算法進(jìn)行改進(jìn)。公共監(jiān)控?cái)?shù)據(jù)庫(kù)上的仿真試驗(yàn)結(jié)果驗(yàn)證了提出改進(jìn)算法的有效性和先進(jìn)性。

1 ?粒子濾波器介紹

定義粒子濾波器的狀態(tài)向量[s]為[9?10]：

2 ?改進(jìn)的粒子濾波跟蹤算法

2.1 ?基于高斯混合模型的動(dòng)態(tài)背景建模

只有檢測(cè)到了前景目標(biāo)才能對(duì)其進(jìn)行跟蹤與后續(xù)的相關(guān)分析處理，因此目標(biāo)檢測(cè)是目標(biāo)跟蹤處理的基礎(chǔ)。局部遮擋、光照等因素都會(huì)影響目標(biāo)檢測(cè)的精度。本文采用高斯混合模型[11]對(duì)跟蹤視頻序列的輸入幀進(jìn)行背景處理，得到一個(gè)運(yùn)動(dòng)目標(biāo)的動(dòng)態(tài)背景模型。高斯混合模型的定義公式如下：

2.2 ?采用RGB顏色直方圖的迭代遞歸粒子濾波

在上述動(dòng)態(tài)背景建模檢測(cè)到運(yùn)動(dòng)目標(biāo)后，利用改進(jìn)粒子濾波算法對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行預(yù)測(cè)跟蹤。本文采用RGB顏色直方圖來(lái)盡量避免產(chǎn)生色彩偏移和偽影，即按照三個(gè)顏色通道的最大值來(lái)估算。針對(duì)每個(gè)像素的亮度值，其亮度圖像[L]通過(guò)以下公式估算[13]：

3 ?實(shí)驗(yàn)與比較

為了驗(yàn)證提出改進(jìn)粒子濾波跟蹤算法的有效性和先進(jìn)性，分別采用視頻跟蹤最常用的CAVIAR和OTB2015兩個(gè)公共視頻測(cè)試數(shù)據(jù)集[15]對(duì)典型粒子濾波（Typical Particle Filter Algorithm，TPFS）[5?6]、遺傳粒子濾波（Genetic Particle Filter，GPFS）[9]、離散連續(xù)能量最小化（Discrete?Continuous Energy Minimization，DCEM）[10]和本文算法進(jìn)行比較。實(shí)驗(yàn)環(huán)境參數(shù)：Intel 2.4 GHz、8 GB內(nèi)存，Windows 7操作系統(tǒng)，編程語(yǔ)言為Matlab，軟件版本號(hào)為R2012a。

3.1 ?目標(biāo)檢測(cè)和跟蹤結(jié)果

以CAVIAR圖像序列數(shù)據(jù)集中的One person walking為例，為了對(duì)提出算法的目標(biāo)檢測(cè)和跟蹤進(jìn)行主觀(guān)評(píng)估，序列圖像大小為384[×]288。One person walking視頻序列的跟蹤結(jié)果如圖1所示，分別為第15秒、第1分20秒、第2分35秒和第3分40秒的幀截圖?？梢钥闯?，在不存在遮擋的條件下，提出算法的檢測(cè)與跟蹤效果良好，能夠滿(mǎn)足人體跟蹤要求。

圖1 ?CAVIAR室內(nèi)監(jiān)控?cái)?shù)據(jù)庫(kù)跟蹤結(jié)果

3.2 ?性能評(píng)估

在遮擋情況時(shí)，為了客觀(guān)評(píng)價(jià)4種算法對(duì)運(yùn)動(dòng)目標(biāo)檢測(cè)和跟蹤的性能，采用背景誤檢率（Background Detection error，B_error）、目標(biāo)誤檢率（Target Detection error，T_error）和平均準(zhǔn)確率作為客觀(guān)評(píng)價(jià)的指標(biāo)[16]來(lái)評(píng)估該算法的性能。其中，B_error和T_error的計(jì)算方式如下：

式中：[B]表示ground truth圖中背景的像素總數(shù)目;[F]表示ground truth圖中前景區(qū)域的像素總數(shù)目;BN表示背景區(qū)域被錯(cuò)誤地檢測(cè)為運(yùn)動(dòng)目標(biāo);FN表示目標(biāo)區(qū)域被錯(cuò)誤地檢測(cè)為背景。

表1和表2分別為遮擋情況時(shí)，4種算法在CAVIAR和OTB2015數(shù)據(jù)庫(kù)上的檢測(cè)與跟蹤比較結(jié)果。其中，本文算法的B_error和T_error更低，平均準(zhǔn)確率最高，這是因?yàn)楸疚乃惴ǔ浞掷昧烁咚够旌夏Ｐ驮谝种凭植空趽?、光照等因素方面的?yōu)勢(shì)，從而提高了遮擋情況時(shí)的檢測(cè)效果。

表1 ?CAVIAR數(shù)據(jù)庫(kù)中4種算法的檢測(cè)與跟蹤

表2 ?OTB2015數(shù)據(jù)庫(kù)中4種算法的檢測(cè)與跟蹤比較結(jié)果（遮擋情況時(shí)）

3.3 ?運(yùn)行時(shí)間分析

4種算法在CAVIAR和OTB2015監(jiān)控視頻數(shù)據(jù)庫(kù)上的運(yùn)行時(shí)間對(duì)比結(jié)果如表3所示。

表3 ?4種算法平均運(yùn)行時(shí)間比較

由表3可以看出，相比于其他3種算法，本文算法的運(yùn)行時(shí)間最短，驗(yàn)證了其高效性，這是因?yàn)椴捎眠f歸濾波方法有效降低了粒子濾波的計(jì)算復(fù)雜度。

4 ?結(jié) ?論

本文提出一種基于改進(jìn)粒子濾波的運(yùn)動(dòng)視頻跟蹤算法。將高斯混合模型和RGB顏色直方圖遞歸濾波引入到粒子濾波算法中，高斯混合模型在抑制局部遮擋、光照等因素的影響時(shí)具有一定的優(yōu)勢(shì)，并在一定程度上避免產(chǎn)生色彩偏移和偽影。根據(jù)公共視頻測(cè)試數(shù)據(jù)集上的測(cè)試結(jié)果得出如下結(jié)論：

1）高斯混合模型的運(yùn)用有效提高了遮擋情況時(shí)的前景目標(biāo)檢測(cè)效果;

2）迭代遞歸濾波估計(jì)有效降低了粒子濾波的計(jì)算復(fù)雜度，可以有效應(yīng)用于實(shí)時(shí)圖像跟蹤場(chǎng)景。

參考文獻(xiàn)

[1] HONG W， KENNEDY A， BURGOS?ARTIZZU X P， et al. Automated measurement of mouse social behaviors using depth sensing， video tracking， and machine learning [J]. Proceedings of the National Academy of Sciences of the United States of America， 2015， 112（38）： 5351?60.

[2] ZHOU Xiaolong， YU Hui， LIU Honghai， et al. Tracking multiple video targets with an improved GM?PHD tracker [J]. Sensors， 2015， 15（12）： 30240?30260.

[3] TOMASI M， PUNDLIK S， LUO G. FPGA–DSP co?processing for feature tracking in smart video sensors [J]. Journal of real?time image processing， 2016， 11（4）： 751?767.

[4] SANMIGUEL J C， CALVO A. Covariance?based online validation of video tracking [J]. Electronics letters， 2015， 51（3）： 226?228.

[5] 周明，涂宏斌.一種基于改進(jìn)粒子濾波的多目標(biāo)檢測(cè)與跟蹤方法[J].華東交通大學(xué)學(xué)報(bào)，2016，33（2）：121?126.

ZHOU Ming， TU Hongbin. A multi?objective detection and tracking method based on improved particle filter [J]. Journal of East China Jiaotong University， 2016， 33（2）： 121?126.

[6] 吳孫勇，薛秋條，朱圣棋，等.雜波環(huán)境下基于粒子濾波的微弱擴(kuò)展目標(biāo)檢測(cè)前跟蹤算法[J].雷達(dá)學(xué)報(bào)，2017，6（3）：252?258.

WU Sunyong， XUE Qiutiao， ZHU Shengqi， et al. Tracking algorithm for weak extended target detection based on particle filter in clutter environment [J]. Journal of radars， 2017， 6（3）： 252?258.

[7] INOUE K， HARA K， URAHAMA K. RGB color cube?based histogram specification for hue?preserving color image enhancement [J]. Journal of imaging， 2017， 3（3）： 24?37.

[8] SOLEIMANIZADEH S， MOHAMAD D， SABA T， et al. Recognition of partially occluded objects based on the three different color spaces （RGB， YCbCr， HSV） [J]. 3D Research， 2015， 6（3）： 1?10.

[9] ZHANG M， JIA H T， SHEN Z， et al. Improved resampling procedure based on genetic algorithm in particle filter [J]. Journal of University of Electronic Science & Technology of China， 2015， 44（3）： 344?349.

[10] MILAN A， SCHINDLER K， ROTH S. Multi?target tracking by discrete?continuous energy minimization [J]. IEEE transactions on pattern analysis & machine intelligence， 2016， 38（10）： 2054?2068.

[11] 蔡念，陳世文，郭文婷，等.融合高斯混合模型和小波變換的運(yùn)動(dòng)目標(biāo)檢測(cè)[J].中國(guó)圖象圖形學(xué)報(bào)，2018，16（9）：1716?1721.

CAI Nian， CHEN Shiwen， GUO Wenting， et al. Moving target detection based on Gaussian mixture model and wavelet transform [J]. Journal of image and graphics， 2018， 16（9）： 1716?1721.

[12] 李玉，徐艷，趙雪梅，等.利用高斯混合模型的多光譜圖像模糊聚類(lèi)分割[J].光學(xué)精密工程，2017，25（2）：509?518.

LI Yu， XU Yan， ZHAO Xuemei， et al. Multi?spectral image fuzzy clustering segmentation using Gaussian mixture model [J]. Editorial office of optics and precision， 2017， 25（2）： 509?518.

[13] SUN H， ZHAO Z， QIN T， et al. Content?based image retrieval using color vector angle difference histogram [J]. Journal of the Chinese institute of engineers， 2017， 40（3）： 246?256.

[14] WANG D Q. Brief paper： L least squares?based recursive and iterative estimation for output error moving average systems using data filtering [J]. Iet control theory & applications， 2011， 5（14）： 1648?1657.

[15] LI D， WEN G， KUAI Y， et al. Learning padless correlation filters for boundary?effect free tracking [J]. IEEE sensors journal， 2018， 18（18）： 7721?7729.

[16] CUI W， WANG Y， FAN Y， et al. Localized FCM clustering with spatial information for medical image segmentation and bias field estimation [J]. Journal of biomedical imaging， 2013（10）： 13?19.