基于均值漂移理論的機(jī)動(dòng)單目標(biāo)跟蹤方法研究

張樂 趙心宇

DOI：10.16660/j.cnki.1674-098X.2101-5640-2287

摘? 要：針對(duì)復(fù)雜背景條件下機(jī)動(dòng)單目標(biāo)跟蹤問題進(jìn)行了研究，首先在初始幀采用交互方式，目標(biāo)搜索，選定待跟蹤目標(biāo)，然后應(yīng)用漂移理論方法，對(duì)機(jī)動(dòng)單目標(biāo)進(jìn)行有效跟蹤。仿真結(jié)果表明，使用漂移方法可以實(shí)現(xiàn)對(duì)范圍內(nèi)的機(jī)動(dòng)單目標(biāo)進(jìn)行后續(xù)幀序列中的目標(biāo)行進(jìn)方向預(yù)測(cè)和跟蹤，彌補(bǔ)了傳統(tǒng)跟蹤算法的短板、保留了均值漂移算法的低計(jì)算復(fù)雜度和實(shí)時(shí)性。

關(guān)鍵詞：機(jī)動(dòng)目標(biāo)? 均值漂移? 目標(biāo)跟蹤? 圖像預(yù)理

中圖分類號(hào)：TP391.41 ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A? ? ? ? ? ? ? ? ? ?文章編號(hào)：1674-098X（2021）03（c）-0032-04

Maneuvering Single Target Tracking Method Based on Mean-shift Theory

ZHANG Le? ZHAO Xinyu

（School of Equipment Engineering， Shenyang Ligong University， Shenyang， Liaoning Province， 110168 China）

Abstract： In this paper， the problem of maneuvering single target tracking in complex background is studied. Firstly， in the initial frame， the interaction mode is used to search the target and select the target to be tracked. Then， the drift theory is applied to track the maneuvering single target effectively. The simulation results show that the drift method can predict and track the moving direction of the maneuvering single target in the following frame sequence， which makes up for the shortcomings of the traditional tracking algorithm and retains the low computational complexity and real-time performance of the mean shift algorithm.

Key Words： Maneuvering target; Mean shift; Target tracking; Image processing

目標(biāo)跟蹤這一技術(shù)根據(jù)目前的信息科技發(fā)展來(lái)看仍然具有重要的研究?jī)r(jià)值和發(fā)展前景，日程生活中其應(yīng)用主要有人機(jī)交互、智能機(jī)器人、交通監(jiān)控和軍事領(lǐng)域等，應(yīng)用范圍也十分廣泛。軍事領(lǐng)域中對(duì)于雷達(dá)、電視制導(dǎo)導(dǎo)彈等信息化武器的應(yīng)用，目標(biāo)追蹤更是研究的重中之重。工業(yè)生產(chǎn)方面對(duì)于實(shí)現(xiàn)車間自動(dòng)化生產(chǎn)，目標(biāo)追蹤也起到一定的效果。

1? 機(jī)動(dòng)單目標(biāo)跟蹤方法分析

目標(biāo)跟蹤是一個(gè)龐大的工程，大體可分為信息處理、目標(biāo)檢測(cè)、目標(biāo)跟蹤等環(huán)節(jié)，具體囊括特征提取、角點(diǎn)檢測(cè)、計(jì)算目標(biāo)位置等步驟[1]。工程中最重要的兩個(gè)環(huán)節(jié)便是對(duì)目標(biāo)進(jìn)行檢測(cè)和跟蹤的部分。基于均值漂移的目標(biāo)跟蹤算法由于其實(shí)時(shí)性較好、運(yùn)算穩(wěn)定性高和設(shè)計(jì)簡(jiǎn)便的特點(diǎn)，成為了這幾年國(guó)內(nèi)外目標(biāo)跟蹤方面專家學(xué)者重點(diǎn)研究對(duì)象[2]，基于此算法也衍生了不同類型的改進(jìn)算法?；诰灯频膭?dòng)態(tài)目標(biāo)跟蹤算法實(shí)際上是一種對(duì)密度梯度進(jìn)行下降優(yōu)化處理的算法，該算法能夠通過快速迭代運(yùn)算將目標(biāo)函數(shù)收斂到極大指點(diǎn)，從而實(shí)現(xiàn)直接對(duì)目標(biāo)進(jìn)行跟蹤[3]。漂移理論的目的就是為了分析概率密度，找出其極大指點(diǎn)，并且要求其中所使用的核函數(shù)應(yīng)當(dāng)能夠進(jìn)行微分運(yùn)算。接下來(lái)引入核函數(shù)和核密度估計(jì)來(lái)作為第三章均值漂移理論的基礎(chǔ)。

均值漂移向量的計(jì)算基于核密度估計(jì)，而核密度估計(jì)又是無(wú)參密度估計(jì)的主要方法之一。首先定義樣本分別取自連續(xù)分布f（x），設(shè)h為核函數(shù)的窗口寬度，那么任意點(diǎn)x處的核密度估計(jì)可以定義為：

式（1）中，K（·）被稱為核函數(shù)，若要確保作為概率密度函數(shù)是有意義的，那么就要確保三點(diǎn)：函數(shù)值必須恒大于零、函數(shù)可積分并且其積分值為1、函數(shù)呈對(duì)稱分布。一般情況下，核函數(shù)K（x）只要是正常的分布函數(shù)就能夠滿足上述三點(diǎn)。即使是不同形狀的有較大差異的核函數(shù)也都具有滿足密度估計(jì)的普遍性，主要是由于其估計(jì)結(jié)果基本上不受函數(shù)外型的影響。函數(shù)模型的光滑程度很大情況下與帶寬大小相聯(lián)系，帶寬不同會(huì)導(dǎo)致函數(shù)光滑度產(chǎn)生差別，從而間接影響估計(jì)量。可以定義，當(dāng)hn非常大時(shí)，x點(diǎn)處概率密度會(huì)產(chǎn)生很大的波動(dòng)。該分布采用了歸一化的表現(xiàn)形式，即：

因?yàn)闃颖局袩o(wú)論距離xi 的多遠(yuǎn)點(diǎn)也有自身對(duì)應(yīng)的貢獻(xiàn)量，所以靠近的點(diǎn)會(huì)受遠(yuǎn)離的點(diǎn)影響導(dǎo)致其占比變低，權(quán)重自然也會(huì)隨著降低，而遠(yuǎn)處點(diǎn)相對(duì)于近處點(diǎn)的相對(duì)權(quán)重也會(huì)降低，在這種情況下，是由n個(gè)函數(shù)疊加，各函數(shù)的幅度變化相對(duì)較小，那么相加后的函數(shù)變化也不大，所以會(huì)相對(duì)平滑;另外一種情況是，當(dāng)hn很小時(shí)，分擔(dān)Vn的相對(duì)應(yīng)的點(diǎn)數(shù)也很少，所以距離不同，權(quán)重也就會(huì)不同。在這時(shí)就是n個(gè)以樣本點(diǎn)為中心的尖脈沖的疊加，可以將它看作一個(gè)噪聲疊加的估計(jì)。在多維的情況下，則有：

2? 均值漂移在機(jī)動(dòng)單目標(biāo)中的應(yīng)用

2.1 建立目標(biāo)模型

建立目標(biāo)模型的基本依據(jù)就是離散概率密度函數(shù)，這個(gè)函數(shù)是通過統(tǒng)計(jì)感興趣范圍內(nèi)的圖片信息特征來(lái)得出的。定義目標(biāo)范圍中心為y0，這個(gè)范圍內(nèi)有n個(gè)像素點(diǎn)，其中特征值bin的量是m。

2.2 建立候選目標(biāo)模型

假定候選目標(biāo)區(qū)域中心為y，以表示候選區(qū)域中的像素點(diǎn)，對(duì)候選目標(biāo)進(jìn)行建模。

2.3 計(jì)算相似度

相似度函數(shù)是一個(gè)測(cè)量函數(shù)，它表示的是給出的圖片序列第一張中目標(biāo)模型和接下來(lái)的圖片序列中候選模型的匹配度。理想狀態(tài)下的兩模型能夠完全匹配，也就是說(shuō)完美跟蹤了目標(biāo)，那么兩者的概率分布就會(huì)相同，相似度即為100%。

2.4 機(jī)動(dòng)單目標(biāo)跟蹤算法步驟

機(jī)動(dòng)單目標(biāo)跟蹤算法步驟如圖1所示。

算法第一步先交互選取一個(gè)目標(biāo)框，選擇感興趣目標(biāo)，即初始化目標(biāo)位置。然后對(duì)該目標(biāo)進(jìn)行模型分析、計(jì)算分布函數(shù)以及目標(biāo)中心、候選目標(biāo)模型分布和權(quán)值等坐標(biāo)，再根據(jù)均值漂移向量計(jì)算出目標(biāo)的新位置，通過比較漂移量再次確認(rèn)目標(biāo)的真實(shí)位置[4]。

3? 仿真結(jié)果分析

實(shí)驗(yàn)一中的實(shí)驗(yàn)背景為簡(jiǎn)單背景，目標(biāo)為從左到右行駛的黑色小型SUV車輛，光照條件充足、目標(biāo)顏色特征明顯，攝像頭靜態(tài)穩(wěn)定。實(shí)驗(yàn)二中是改變了光照條件，在陰天光照相對(duì)不足、色彩不鮮明的情況下進(jìn)行的實(shí)驗(yàn)。兩組實(shí)驗(yàn)均采用matlab2018a軟件環(huán)境，選取的三組視頻來(lái)自校內(nèi)拍攝，幀數(shù)為200幀。

使用均值漂移算法進(jìn)行三組目標(biāo)跟蹤的結(jié)果如圖2、圖3所示。

其中，圖2實(shí)驗(yàn)?zāi)繕?biāo)為近點(diǎn)黑色suv汽車，目標(biāo)行駛方向從左向右。手動(dòng)框選目標(biāo)后雙擊以進(jìn)行目標(biāo)跟蹤。其中藍(lán)色框?yàn)槭謩?dòng)選取框，白色框?yàn)楦櫩颍⒃诮酉聛?lái)識(shí)別的圖片序列中一直跟蹤目標(biāo)車輛[5]。實(shí)驗(yàn)背景為靜態(tài)背景，干擾不大的狀態(tài)下跟蹤效果比較好。圖3以左側(cè)自行車為跟蹤目標(biāo)，由于分辨率等因素導(dǎo)致目標(biāo)較小，并且目標(biāo)在運(yùn)動(dòng)過程中會(huì)產(chǎn)生如蹬車等動(dòng)作導(dǎo)致目標(biāo)會(huì)發(fā)生一定變化，這都可能成為影響目標(biāo)跟蹤的精度和結(jié)果。為了盡可能減少圖像信息的影響，將較小的目標(biāo)圖片進(jìn)行了放大處理。圖3作為實(shí)驗(yàn)二是為了分析均值漂移算法在光照條件不是十分理想的情況下的跟蹤效果，最終經(jīng)過多次實(shí)驗(yàn)、反復(fù)調(diào)整跟蹤框的大小，結(jié)果表明通過選取合適大小的跟蹤框，可以提高算法的精度和準(zhǔn)確度。而陰天條件實(shí)驗(yàn)二也表明了均值漂移算法能夠?qū)庹諚l件相對(duì)不理想的圖像進(jìn)行跟蹤分析[6]。

4? 結(jié)語(yǔ)

本文分析了均值漂移算法的原理以及該算法在目標(biāo)跟蹤中的實(shí)際應(yīng)用，并進(jìn)行了算法實(shí)驗(yàn)，給出了實(shí)際應(yīng)用效果。根據(jù)結(jié)果可以看出，跟蹤框和目標(biāo)存在一定的可接受的誤差，目標(biāo)在運(yùn)動(dòng)過程中大小發(fā)生了一定改變，但是跟蹤框始終能夠跟上目標(biāo)汽車的行動(dòng)。表明目標(biāo)大小、視頻清晰度、運(yùn)動(dòng)過程以及感興趣目標(biāo)區(qū)域的選取對(duì)于該算法的精度也會(huì)產(chǎn)生較大影響，當(dāng)目標(biāo)圖像不理想時(shí)，應(yīng)盡量選取該目標(biāo)的顯著特征進(jìn)行跟蹤，并減少任何會(huì)導(dǎo)致跟蹤精度下降的無(wú)用因素。故可以認(rèn)為該算法在簡(jiǎn)單背景下基本滿足準(zhǔn)確性和魯棒性的要求，并且具有實(shí)時(shí)性。即均值漂移算法可以很好地對(duì)簡(jiǎn)單靜態(tài)背景下的單個(gè)目標(biāo)進(jìn)行跟蹤。

參考文獻(xiàn)

[1] 曾憲佑.復(fù)雜場(chǎng)景下魯棒的目標(biāo)跟蹤算法研究[D].北京：北京交通大學(xué)，2019.

[2] 陳玲，李潔.基于視覺傳達(dá)的后繼幀視頻圖像目標(biāo)跟蹤仿真[J].計(jì)算機(jī)仿真，2020，37（4）：347-351.

[3] 王戰(zhàn)，楊紹清，劉松濤，等.移動(dòng)攝像下的目標(biāo)跟蹤算法[J].現(xiàn)代防御技術(shù)，2019，47（3）：121-127.

[4] 谷曉琳，周石琳，雷琳.基于m-best數(shù)據(jù)關(guān)聯(lián)和小軌跡關(guān)聯(lián)多目標(biāo)跟蹤算法[J].系統(tǒng)工程與電子技術(shù)，2017，39（7）：1640-1646.

[5] 余升林.基于傳感器信息融合的車輛識(shí)別與測(cè)量研究[D].武漢：武漢理工大學(xué)，2019.

[6] 許二敏.跨攝像頭目標(biāo)跟蹤技術(shù)研究[D].重慶：重慶郵電大學(xué)，2019.