非高斯噪聲背景下計(jì)算機(jī)視覺(jué)目標(biāo)跟蹤方法

王秉， 王子衡

(1. 河南交通職業(yè)技術(shù)學(xué)院 航運(yùn)海事系， 河南 鄭州 450000;2. 達(dá)姆施塔特工業(yè)大學(xué) 電子信息工程系， 德國(guó) 達(dá)姆施塔特 64289)

?

非高斯噪聲背景下計(jì)算機(jī)視覺(jué)目標(biāo)跟蹤方法

王秉1， 王子衡2

(1. 河南交通職業(yè)技術(shù)學(xué)院 航運(yùn)海事系， 河南 鄭州 450000;2. 達(dá)姆施塔特工業(yè)大學(xué) 電子信息工程系， 德國(guó) 達(dá)姆施塔特 64289)

針對(duì)雜波背景下計(jì)算機(jī)視覺(jué)目標(biāo)跟蹤問(wèn)題，提出一種非高斯噪聲背景下計(jì)算機(jī)視覺(jué)目標(biāo)跟蹤方法.在視頻目標(biāo)運(yùn)動(dòng)模型和觀測(cè)模型的基礎(chǔ)上引入了柯西混合噪聲模型，對(duì)非高斯噪聲運(yùn)動(dòng)目標(biāo)的狀態(tài)進(jìn)行建模；然后，在傳統(tǒng)高斯噪聲粒子濾波的框架內(nèi)給出文中方法的具體實(shí)現(xiàn)步驟.針對(duì)大面積遮擋和夜晚光照改變的極端情況下對(duì)路上行駛的車輛進(jìn)行實(shí)時(shí)跟蹤實(shí)驗(yàn)，結(jié)果表明：文中方法明顯提升極端雜波環(huán)境下的目標(biāo)運(yùn)動(dòng)過(guò)程的建模精度，有效提升目標(biāo)跟蹤精度.

計(jì)算機(jī)視覺(jué)； 非高斯噪聲； 粒子濾波； 雜波環(huán)境； 跟蹤精度

基于計(jì)算機(jī)視覺(jué)的視頻目標(biāo)跟蹤技術(shù)是人工智能、視頻監(jiān)控、智能會(huì)議、智能交通等領(lǐng)域的基礎(chǔ)研究課題[1-2].由于視頻在雜波環(huán)境下干擾較多，容易導(dǎo)致跟蹤目標(biāo)的混疊，特別是多目標(biāo)遮擋、目標(biāo)的消失與再現(xiàn)及光照突變等影響，給傳統(tǒng)的基于檢測(cè)跟蹤的方法帶來(lái)了很大的挑戰(zhàn)[3-4].隨著非線性濾波技術(shù)的發(fā)展，研究人員將基于貝葉斯濾波技術(shù)的非線性濾波方法引入到計(jì)算機(jī)視覺(jué)跟蹤領(lǐng)域.顏佳等[5]首次將卡爾曼濾波(kalman filter，KF)方法引入到視覺(jué)目標(biāo)跟蹤領(lǐng)域，雖然實(shí)現(xiàn)了文中環(huán)境下的有效跟蹤，但是由于KF只適應(yīng)高斯解析模型的線性目標(biāo)運(yùn)動(dòng)系統(tǒng)，在雜波機(jī)動(dòng)非線性運(yùn)動(dòng)系統(tǒng)中無(wú)法實(shí)現(xiàn)有效跟蹤；龔俊亮等[6]提出了擴(kuò)展卡爾曼濾波(EKF)視覺(jué)目標(biāo)跟蹤方法，基于泰勒級(jí)數(shù)對(duì)非線性目標(biāo)運(yùn)動(dòng)模型進(jìn)行一階近似截?cái)嗵幚恚瑢?shí)現(xiàn)了視覺(jué)目標(biāo)的有效跟蹤；Dou等[7]提出了基于無(wú)跡卡爾曼濾波(UKF)視覺(jué)目標(biāo)跟蹤方法，采用UT變換取代EKF的雅克比矩陣的計(jì)算，對(duì)目標(biāo)狀態(tài)后驗(yàn)的均值和方差進(jìn)行時(shí)間先后的傳遞，獲取了更高精度的跟蹤結(jié)果.為實(shí)現(xiàn)更加復(fù)雜環(huán)境下的視頻目標(biāo)跟蹤問(wèn)題，近年來(lái)，研究人員先后將更加適應(yīng)強(qiáng)非線性系統(tǒng)的粒子濾波(PF)[8]和容積卡爾曼濾波(CKF)[9]方法應(yīng)用到雜波環(huán)境下的視覺(jué)目標(biāo)跟蹤問(wèn)題，取得了較大程度的發(fā)展.雖然該類方法在視覺(jué)目標(biāo)跟蹤領(lǐng)域取得了優(yōu)秀的應(yīng)用成果，但是這些方法均是基于高斯噪聲的假設(shè)給出的具體解析實(shí)現(xiàn)方法，這種高斯噪聲統(tǒng)計(jì)特性的假設(shè)無(wú)法滿足目標(biāo)遮擋、光照變化等雜波情況下的目標(biāo)背景.基于此，本文提出了一種非高斯噪聲背景下計(jì)算機(jī)視覺(jué)目標(biāo)跟蹤方法.

1 系統(tǒng)模型的建立和實(shí)現(xiàn)

1.1 過(guò)程狀態(tài)

針對(duì)計(jì)算機(jī)視覺(jué)目標(biāo)跟蹤問(wèn)題，將某一時(shí)刻目標(biāo)的狀態(tài)記為xk=[x，y，w，h].其中：x，y為跟蹤目標(biāo)的質(zhì)心點(diǎn)(通常情況下為矩形方框或橢圓的中心點(diǎn))；w，h為矩形方框的寬和高(或橢圓的短軸和長(zhǎng)軸).視頻目標(biāo)的運(yùn)動(dòng)模型表示[10]為

(1)

式(1)中:xk，yk為k時(shí)刻的狀態(tài)和觀測(cè)；f(·)，h(·)為相應(yīng)的過(guò)程和觀測(cè)的動(dòng)態(tài)轉(zhuǎn)移函數(shù)；uk為控制參量；wk，vk為相應(yīng)的噪聲分量；Γk為噪聲的輸入矩陣參量.系統(tǒng)模型和觀測(cè)模型的動(dòng)態(tài)函數(shù)，與系統(tǒng)的初始狀態(tài)x0一起決定了整個(gè)濾波系統(tǒng)的動(dòng)態(tài)模型.

1.2 觀測(cè)模型說(shuō)明

(2)

式(2)中:σc，i為高斯方差值，σc，i=0.2.

1.3 基本粒子濾波實(shí)現(xiàn)原理

基本粒子濾波方法主要通過(guò)賦予相應(yīng)權(quán)重信息的粒子集合加權(quán)近似估計(jì)系統(tǒng)的瞬時(shí)狀態(tài)，并通過(guò)在線量測(cè)信息遞歸的估計(jì)目標(biāo)的后驗(yàn)狀態(tài)分布.粒子權(quán)值信息主要來(lái)依賴后驗(yàn)概率密度和參考的先驗(yàn)概率密度的似然量測(cè).在實(shí)際的PF視頻目標(biāo)跟蹤系統(tǒng)中，需要目標(biāo)的運(yùn)動(dòng)模型，將式(1)表示為

(3)

式(3)中:fm-1為Rk×Rn→Rk維的目標(biāo)狀態(tài)非線性函數(shù);ωm-1∈Rn為零均值的白噪聲序列，協(xié)方差為Qk，其大小代表目標(biāo)狀態(tài)預(yù)測(cè)的不確定度；相應(yīng)觀測(cè)信息zm∈Rz的表達(dá)式為

(4)

式(4)中:hm∶Rm×Rq→Rz為觀測(cè)非線性函數(shù)；量測(cè)誤差um是零均值的白噪聲序列；協(xié)方差Rk表示量測(cè)的不確定度.標(biāo)準(zhǔn)PF可以概括為如下兩個(gè)步驟.

步驟1 預(yù)測(cè).在獲取m-1時(shí)刻的概率密度函數(shù)p(xm-1|zm-1)以后，基于式(1)表示的系統(tǒng)模型，可以預(yù)測(cè)m時(shí)刻的概率密度函數(shù)為

(5)

步驟2 更新.在給定先驗(yàn)信息和最新觀測(cè)序列zm={zi;i=1，2，…，m}條件下，可以獲取后驗(yàn)密度的估計(jì)值為

(6)

式(5)，(6)形成了PF狀態(tài)估計(jì)的遞歸過(guò)程.

(7)

在系統(tǒng)狀態(tài)滿足馬爾科夫鏈特性的條件下，后驗(yàn)狀態(tài)可以表示為

(8)

式(8)中:δ(·)為Diracdelta函數(shù).

(9)

1.4 非高斯噪聲模型

目前，常用的非線性濾波方法中，均采用高斯噪聲對(duì)系統(tǒng)過(guò)程進(jìn)行建模分析，實(shí)際上并不符合遮擋、光照對(duì)比度較低等雜波環(huán)境.由于模型誤差累積效應(yīng)的影響，目標(biāo)跟蹤的精度和有效性都會(huì)有所降低，基于此，參考文獻(xiàn)[13]的研究，采用柯西-高斯混合噪聲模型取得傳統(tǒng)非線性濾波系統(tǒng)的高斯噪聲模型，對(duì)雜波環(huán)境下的視覺(jué)目標(biāo)跟蹤模型進(jìn)行建模分析.其中，柯西-高斯混合噪聲可以表示為

(10)

式(10)中:模型混合比例可以計(jì)算為

(11)

式(11)中:0<α<2;γ為符合α穩(wěn)態(tài)分布特征的比例系數(shù).在實(shí)際的視覺(jué)跟蹤系統(tǒng)中，可以將模型(3)中的wk，vk的統(tǒng)計(jì)特性表示為

(12)

式(12)中：v為柯西分布峰值所在的位置參量，表示當(dāng)前幀圖像中心點(diǎn)位置像素值；γ為柯西分布最大值的一半對(duì)應(yīng)的寬度尺寸;μ，σ分別代表著高斯分布的均值和方差.

2 仿真實(shí)驗(yàn)分析

實(shí)驗(yàn)中，采用目前濾波跟蹤方法普遍采用的特征提取方法.為增強(qiáng)運(yùn)動(dòng)信息的有效性，提取了運(yùn)動(dòng)目標(biāo)的運(yùn)動(dòng)邊緣特征作為觀測(cè)信息進(jìn)行處理.兩種情況下的具體實(shí)驗(yàn)結(jié)果，如圖1～4所示.圖2中：eRMS為均方根誤差.

圖1,3中：黑方框?yàn)槲闹蟹椒ǜ櫧Y(jié)果；灰方框?yàn)楦咚乖肼晽l件下的標(biāo)準(zhǔn)粒子濾波方法.由圖1～4可知：文中方法實(shí)現(xiàn)了較好的跟蹤，其跟蹤效果明顯優(yōu)于傳統(tǒng)高斯噪聲統(tǒng)計(jì)特性假設(shè)情況下的標(biāo)準(zhǔn)粒子

圖1 遮擋情況下跟蹤結(jié)果 圖2 遮擋情況下跟蹤均方根誤差曲線Fig.1 Tracking results under occlusion Fig.2 Tracking mean square error and curve under occlusion

圖3 夜間跟蹤結(jié)果 圖4 夜間跟蹤均方根誤差曲線Fig.3 Tracking results at night Fig.4 Tracking mean square error and curve at night

濾波方法；在兩種復(fù)雜情況下，由于文中方法引入了非高斯噪聲模型，一定程度上提升了目標(biāo)運(yùn)動(dòng)的過(guò)程狀態(tài)模型；文中方法在雜波環(huán)境下的跟蹤精度較標(biāo)準(zhǔn)PF方法提升了近40%.

3 結(jié)束語(yǔ)

以雜波環(huán)境下視頻目標(biāo)跟蹤問(wèn)題為背景，探索了非高斯噪聲情況下計(jì)算機(jī)視覺(jué)目標(biāo)跟蹤問(wèn)題.在視頻目標(biāo)運(yùn)動(dòng)模型和觀測(cè)模型的基礎(chǔ)上引入了柯西混合噪聲模型，對(duì)非高斯噪聲運(yùn)動(dòng)目標(biāo)的狀態(tài)進(jìn)行建模.然后，在標(biāo)準(zhǔn)粒子濾波的框架內(nèi)給出了方法的具體實(shí)現(xiàn)步驟.最后，基于部分遮擋和光照對(duì)比度較低的視覺(jué)跟蹤問(wèn)題進(jìn)行仿真實(shí)驗(yàn)，驗(yàn)證了文中方法的有效性和精確性.

[1] MORRIS J B T，TRIVEDI M M.Contextextual activity visualization from long-term video observations[J].IEEE Intelligent Systerms，2010，25(3):50-62.

[2] 劉晨光，程丹松，劉家鋒，等.一種基于交互式濾波器的視頻中多目標(biāo)跟蹤算法[J].電子學(xué)報(bào)，2011，39(2):260-267.

[3] 李春鑫，王孝通.基于Rao-Blackwellized粒子濾波的多特征融合多光譜目標(biāo)自適應(yīng)跟蹤[J].光學(xué)精密工程，2009，17(9):2321-2326.

[4] CAO Jie，LI Wei，WU Di.Multi-feature fusion tracking based on a new particle filter[J].Journal of Computers，2012，12(7):2939-2947.

[5] 顏佳，吳敏淵.遮擋環(huán)境下采用在線Boosting的目標(biāo)跟蹤[J].光學(xué)精密工程，2012，20(2):439-446.

[6] 龔俊亮，何昕，巍仲慧，等.采用改進(jìn)輔助粒子濾波的紅外多目標(biāo)跟蹤[J].光學(xué)精密工程，2012，20(2):413-420.

[7] DOU Jianfang，LI Jianxun.Robust visual tracking base on adaptively multi-feature fusion and particle filter[J].Optik，2014，125(2014):1680-1686.

[8] MORSHIDI M，TJAHJADI T.Gravity optimised particle filter for hand tracking[J].Patter Recognition，2014，47(2014):194-207.

[9] 宋宇，李慶玲，康軼非，等.平方根容積 Rao-Blackwillised 粒子濾波SLAM算法[J].自動(dòng)化學(xué)報(bào)，2014，40(2):357-367.

[10] 孫中森，孫俊喜，宋建中，等.一種抗遮擋的運(yùn)動(dòng)目標(biāo)跟蹤算法[J].光學(xué)精密工程，2007，15(2):268-271.

[11] WU Bingfei，KAO ChihChung，JEN Chenglung，et al.A relative discriminative histogram of oriented-gradients-based particle filter approach to vehicle occlusion handling and tracking[J].IEEE Transaction on Industrial Electronics，2014，61(8):4228-4237.

[12] 鐘必能，潘勝男.選擇性搜索和多深度學(xué)習(xí)模型融合的目標(biāo)跟蹤[J].華僑大學(xué)學(xué)報(bào)(自然科學(xué)版)，2016，37(2):207-212.

[13] SAHA S，GUSTAFSSON F.Particle filtering with dependent noise processes[J].IEEE Transaction on Signal Processing，2012，60(9):4497-4508.

(責(zé)任編輯： 陳志賢 英文審校： 吳逢鐵)

Computer Vision Target Tracking Method Under Non-Gauss Noise Background

WANG Bing1， WANG Ziheng2

(1. Department of Maritime， Henan Vocational and Technical College of Communications， Zhengzhou 450005， China;2. Department of Electrical Engineering and Information Technology，Technical University of Darmstadt， Darmstadt 64289， Germany)

Aiming at the problem of computer vision target tracking in clutter background， a computer vision target tracking method under non Gauss noise background is proposed. Based on the vision target moving model and observation model, the Cauchy mixed noise model is introduced to model the non Gauss noise moving object， and the non Gauss noise moving target state is modeled. The proposed method concrete implementation steps is realized in the framework of the traditional Gauss noise particle filter. For driving large area occlusion and night illumination change under extreme conditions on the road of the vehicle real-time tracking, the experimental results show that this method significantly improve the modeling accuracy of extreme clutter target motion process， effectively improve the accuracy of target tracking.

computer vision; non-Gaussian noise; particle filter; clutter environment； tracking accuracy

10.11830/ISSN.1000-5013.201606023

2016-10-18

王秉(1965-)，男，副教授，主要從事計(jì)算機(jī)圖形圖像的研究.E-mail:wbjtxy@163.com.

國(guó)家自然科學(xué)基金資助項(xiàng)目(201411326136)； 河南省科技廳資助項(xiàng)目(2013132300410337)； 河南省教育廳資助項(xiàng)目(JYB2015037)

TP 391

A

1000-5013(2016)06-0774-04