朱聞亞
(1.武漢大學 經(jīng)濟與管理學院, 武漢 430072;2.義烏工商職業(yè)技術學院 機電信息學院, 浙江 義烏 322099)
結合穩(wěn)健估計和Meanshift的視頻目標跟蹤算法*
朱聞亞1,2
(1.武漢大學 經(jīng)濟與管理學院, 武漢 430072;2.義烏工商職業(yè)技術學院 機電信息學院, 浙江 義烏 322099)
針對Meanshift目標跟蹤算法對強噪聲環(huán)境敏感的問題,提出了一種結合穩(wěn)健估計和傳統(tǒng)Meanshift的修正Meanshift算法.通過穩(wěn)健估計修正傳統(tǒng)Meanshift算法的核概率密度函數(shù),提升Meanshift算法的魯棒性.針對信噪比分別為60、30和0 db的仿真數(shù)據(jù),將傳統(tǒng)Meanshift算法和修正Meanshift算法的跟蹤軌跡準確性和精度進行對比.結果表明,修正Meanshift算法能夠實現(xiàn)目標準確跟蹤,且跟蹤位置的相對誤差在1%以下.對于實際運動目標視頻數(shù)據(jù),所提算法也可以實現(xiàn)實時跟蹤定位,克服了傳統(tǒng)Meanshift算法目標跟蹤丟失的問題.
穩(wěn)健估計;均值偏移;目標追蹤;噪聲;核概率密度函數(shù);中位數(shù);誤差;視頻
視頻目標跟蹤是計算機視覺領域的常規(guī)問題,通過設計軟件系統(tǒng)可以實現(xiàn)對視頻內特定目標的定位和跟蹤.但在實際的使用過程中,因為檢測環(huán)境場景復雜及視頻采集設備的移動,容易使得獲取的視頻數(shù)據(jù)存在大量干擾噪聲,這些不必要的信息直接影響了目標檢測的準確性,使得跟蹤任務失敗[1-5].
基于Meanshift的視頻目標跟蹤算法可通過設計核函數(shù)的方式,更有效地提取出表征目標的特征概率密度函數(shù),是目前視頻跟蹤算法領域的主要研究對象,并衍生了多種改進算法.例如通過將檢測目標的邊緣特征融合,從而提高檢測準確性[6];或是對檢測目標圖像進行分塊,然后對每個分塊施加更具有針對性的核函數(shù)[7];亦或采用多尺度聯(lián)合的方式將不同層次的目標特征進行加權組合,從而實現(xiàn)高效跟蹤,并且可與卡爾曼濾波、粒子濾波等方法進行融合來進行目標追蹤[8-9].這些方法雖提升了目標跟蹤的效率和準確性,卻僅單一考慮了目標的特征,研究主要著力點均是增強目標特征的提取,卻忽視了背景對目標特征的影響.盡管核函數(shù)本身可有效地將目標以外的視頻像素點的灰度信息進行抑制,但對于存在目標內的噪聲、背景干擾以及目標外的強噪聲干擾卻鮮有幫助.顯然,只有對噪聲、干擾以及目標的統(tǒng)計特性進行合適地估計,并針對性設計抑制噪聲的算法才能更有效地解決上述問題[8-13].
本文提出一種結合穩(wěn)健估計和Meanshift的目標追蹤算法,通過穩(wěn)健估計設計魯棒性更強的核函數(shù),從而提升Meanshift算法檢測的準確性,保證其在強噪聲背景下也能準確識別目標.
穩(wěn)健估計[6]從概率統(tǒng)計學上可理解為一種切尾均值估計,切尾均值是對均值的改進,這是因為異常值或離群值會使得均值估計失真,離群值會使得均值偏向自己的一方以尋找平衡點,因而歪曲了均值作為平均水平度量的意義.穩(wěn)健估計正是通過切尾的方式來規(guī)避掉那些極端異常點的影響,可以理解為是去掉極大、極小數(shù)據(jù),對其余的數(shù)據(jù)作平均.例如,切尾率為5%的切尾均值就是指去掉5%的最大值和最小值之后,對剩余90%的數(shù)據(jù)平均所得到的結果.由此可見,普通均值受到離群值的影響較大,而相比之下中值則比較穩(wěn)健.
對于跟蹤的目標信號可理解為按照某種分布來排列的統(tǒng)計概率密度函數(shù),而背景和強噪聲數(shù)據(jù)可以理解為離群值,因此需要一個介于中值估計和均值估計之間的濾波結構,即穩(wěn)健估計結構.
穩(wěn)健估計可以看作數(shù)據(jù)向量的中值和均值的一個凸組合,可描述為
(1)
(2)
(3)
通過穩(wěn)健估計可以得到一種基于目標跟蹤的切尾均值概率估計算法,對Meanshift算法中的均值估計過程進行修正,可提高算法對噪聲的抵抗能力和跟蹤的準確性.
經(jīng)典的Meanshift算法是通過定義一族核密度函數(shù)來分別計算目標和跟蹤區(qū)域內像素的關聯(lián)度,利用概率密度梯度下降原理,實現(xiàn)跟蹤值向計算的核密度均值移動,再通過設置相似度函數(shù),計算關聯(lián)性.當相似關聯(lián)度之間的差別小于給定的閾值時,計算收斂,得到跟蹤目標的位置.Meanshift變量的一般數(shù)學描述為
(4)
式中:Ω為樣本點集合;xi-x為樣本點xi相對于選定參考點x的位置偏移量.由于樣本采樣越靠近參考點x,其相對于估計均值越可靠,常用擴展形式為
(5)
(6)
式中:Ch為歸一化常數(shù)因子;g為核密度函數(shù)的距離函數(shù);δ(f(xi))為delta函數(shù),判定樣本點是否屬于目標點.
(7)
按照Meanshift算法的一般流程,計算候選目標和目標模型之間的相似度,通常采用Bhattacharrya系數(shù)ρ表征候選目標和目標模型之間的匹配度,匹配度越大,則越可能是目標區(qū)域.一般采用閾值比較的方式來確定目標位置,當ρ的取值超過一個閾值,或相鄰兩次計算得到的ρ之間的差值小于一個閾值時,停止迭代,并輸出當前目標的位置.
為了驗證本文提出的目標追蹤系統(tǒng)的有效性,文中利用仿真數(shù)據(jù)和實際拍攝的視頻進行了相應的結果驗證.具體的仿真參數(shù)ρ=0.95,k=1.5,a=0.5,歸一化參數(shù)Ch依據(jù)每次實際計算迭代更新.仿真數(shù)據(jù)模擬了一個大小可變的發(fā)光體在噪聲背景下進行螺旋線運動,仿真數(shù)據(jù)信噪比分別為60、30和0db,分別記錄傳統(tǒng)Meanshift算法與本文提出的修正Meanshift算法對于目標跟蹤的軌跡數(shù)據(jù),并分析算法得到的數(shù)據(jù)和實際模擬軌道數(shù)據(jù)之間的誤差.
圖1展示了用于仿真的螺旋線軌跡,實際選取了500個目標移動位置,每個位置用*型符號表示,仿真的發(fā)光體按照圖1描繪的軌跡位置移動,其移動距離為無量綱單位,移動范圍在x-y平面坐標所形成的矩形內.
通過仿真目標的追蹤,測試了在信噪比為60和30db時修正Meanshift算法的跟蹤效果,如圖2、3所示.當信噪比為0db時,將傳統(tǒng)Meanshift算法與修正Meanshift算法進行跟蹤效果比較,如圖4、5所示.修正Meanshift算法和經(jīng)典Meanshift算法雖均能夠跟蹤目標,但傳統(tǒng)算法的跟蹤抖動更加明顯,且誤差更大.進一步減少信噪比后,兩者的差異則會更加凸顯.當信噪比為0 db時,傳統(tǒng)算法在45幀后出現(xiàn)了跟蹤目標丟失情況,無法繼續(xù)跟蹤發(fā)光小球,而相應的修正算法卻始終表現(xiàn)穩(wěn)健.
圖1 仿真發(fā)光體的運動軌跡Fig.1 Moving trajectory of simulated illuminator
圖2 修正算法追蹤發(fā)光體(SNR=60 db)Fig.2 Modified algorithm for tracking illuminator(SNR=60 db)
圖6給出了仿真發(fā)光體的理論軌跡和實際通過修正方法估計的軌跡對比,可從圖6上直觀地看出,基于修正方法的估計輪廓和真實數(shù)據(jù)基本一致,其準確地跟蹤出了發(fā)光體的運動軌跡.
圖7給出了實際測量計算得到的目標追蹤在橫軸和縱軸上的絕對誤差;圖8給出了修正算法橫軸的相對誤差,從圖8中可看出,整體目標追蹤的相對誤差被控制在1.5%以內,證明修正算法在強噪聲環(huán)境下魯棒的優(yōu)越性.
圖3 修正算法追蹤發(fā)光體(SNR=30 db)Fig.3 Modified algorithm for tracking illuminator(SNR=30 db)
圖4 經(jīng)典Meanshift算法追蹤發(fā)光體(SNR=0 db)Fig.4 Traditional Meanshift algorithm for tracking illuminator(SNR=0 db)
為了進一步驗證本文方法的實用性,在實際的視頻數(shù)據(jù)中進行了測試,目標為一只敲擊樂器的手,其手部在從左向右運動的過程中,還伴隨了上下位移,同時因為手持敲擊器具,器具可看作是識別手部的干擾噪聲.傳統(tǒng)的Meanshift方法在跟蹤時會發(fā)生丟失,從第23幀開始無法跟上手部動作,而本文提出的結合穩(wěn)健估計和Meanshift算法的修正方法表現(xiàn)得更加穩(wěn)定,能夠準確跟蹤運動目標,修正算法的跟蹤效果如圖9所示.
圖5 修正算法追蹤發(fā)光體(SNR=0 db)Fig.5 Modified algorithm for tracking illuminator(SNR=0 db)
圖6 修正算法追蹤發(fā)光體軌跡比較(SNR=0 db)Fig.6 Comparison in modified algorithm for tracking trajectory of illuminator(SNR=0 db)
圖7 修正算法絕對誤差(SNR=0 db)Fig.7 Absolute error of modified algorithm(SNR=0 db)
圖8 修正算法相對誤差(SNR=0 db)Fig.8 Relative error of modified algorithm(SNR=0 db)
本文提出一種結合穩(wěn)健估計和Meanshift算法的視頻目標追蹤系統(tǒng),通過切尾均值替換Meanshift算法中的均值,可以使目標跟蹤的穩(wěn)定度更高,尤其是針對強噪聲環(huán)境下的目標,本文算法較傳統(tǒng)算法表現(xiàn)出了較強的抗干擾能力.下一步的研究主要考慮融合其他濾波算法(例如粒子濾波)來進一步提升追蹤的準確性.
圖9 修正算法追蹤敲擊的手(SNR=0 db)Fig.9 Modified algorithm for tracking knocking hand(SNR=0 db)
[1]陳雙葉,王善喜.基于五幀差分和改進Meanshift算法的運動目標跟蹤 [J].計算機科學,2016,43(增刊1):203-206.
(CHEN Shuang-ye,WANG Shan-xi.Moving object tracking based on five-frame difference and modified Meanshift algorithm [J].Computer Science,2016,43(Sup1):203-206.)
[2]聶振鋼,孫協(xié)昌,梁銀川.基于多特征Mean-Shift的靈巧彈藥末制導跟蹤算法 [J].微電子學與計算機,2016,33(5):89-91.
(NIE Zhen-gang,SUN Xie-chang,LIANG Yin-chuan.Mechanical trajectory tracking algorithm based on multi-feature Mean-Shift for smart ammunition [J].Microelectronics and Computer,2016,33(5):89-91.)
[3]李揚.基于視頻序列的運動目標追蹤算法 [J].電子科技,2012,25(8):125-127.
(LI Yang.A moving target tracking algorithm based on video sequence [J].Electronic Science and Technology,2012,25(8):125-127.)
[4]毛曉波,郝向東,梁靜.基于ELM與Mean Shift的抗遮擋目標跟蹤算法 [J].鄭州大學學報(工學版),2016,37(1):1-5.
(MAO Xiao-bo,HAO Xiang-dong,LIANG Jing.Anti-occlusion target tracking algorithm based on ELM and Mean Shift [J].Journal of Zhengzhou University(Engineering Science),2016,37(1):1-5.)
[5]王強.基于視覺傳感網(wǎng)絡的目標跟蹤系統(tǒng)設計 [J].現(xiàn)代電子技術,2016,39(8):88-91.
(WANG Qiang.Design of target tracking system based on vision sensor network [J].Modern Electronics Technology,2016,39(8):88-91.)
[6]Guo Y F.Robust statistic and comparative analysis of the robustness of the statistic [J].Statistical Research,2007(9):82-84.
[7]Cheng Y.Meanshift mode seeking clustering [J].IEEE Transactions on Pattern Analysis &Machine Intelligence,1995,17(8):790-799.
[8]Salhi A.Object tracking system using Camshift,Meanshift and Kalmanfilter [J].World Academy of Science Engineering &Technology,2012,64(6):574-578.
[9]Lei B.Design and realization of the tracking system based on Meanshift algorithm [J].Electronic Mea-surement Technology,2016(8):98-105.
[10]Morandeira N S,Grimson R,Kandus P.Assessment of SAR speckle filters in the context of object-based image analysis [J].Remote Sensing Letters,2016,7(2):150-159.
[11]Razavi S F,Sajedi H,Shiri M E.Integration of color and uniform interlaced derivative patterns for object tracking [J].Image Processing,2016,10(5):381-390.
[12]尤天來,卓炳榮.基于自適應尺度的Mean-shift跟蹤算法 [J].現(xiàn)代電子技術,2011,34(10):95-97.
(YOU Tian-lai,ZHUO Bing-rong.A Mean-shift tracking algorithm based on adaptive scale [J].Modern Electronics Technique,2011,34(10):95-97.)
[13]王保云,范保杰.基于顏色紋理聯(lián)合特征直方圖的自適應Meanshift跟蹤算法 [J].南京郵電大學學報(自然科學版),2013,33(3):18-25.
(WANG Bao-yun,F(xiàn)AN Bao-jie.Adaptive Meanshift tracking algorithm based on color texture combined with feature histogram [J].Journal of Nanjing University of Posts and Telecommunications(Natural Science Edition),2013,33(3):18-25.)
(責任編輯:景 勇 英文審校:尹淑英)
Video target tracking algorithm with combining robust estimation and Meanshift
ZHU Wen-ya1,2
(1.School of Economics and Management,Wuhan University,Wuhan 430072,China;2.School of Mechanical and Electrical Information,Yiwu Industrial &Commercial College,Yiwu 322099,China)
Aiming at the problem that the Meanshift algorithm is sensitive to the strong noise environment,a modified Meanshift algorithm with combining the robust estimation and traditional Meanshift was proposed.The kernel probability density function of traditional Meanshift algorithm was modified through the robust estimation,and the robustness of Meanshift algorithm got improved.Aiming at the simulation data with signal to noise rate (SNR) of 60,30 and 0 db,the accuracy and precision of the tracking trajectory of both traditional and modified Meanshift algorithms were compared.The results indicate that the modified Meanshift algorithm can achieve the accurate tracking of targets,and the relative error of tracking position is below 1%.For the real video data of moving targets,the proposed algorithm can also realize the real time tracking and positioning,and can overcome the target tracking missing problem of traditional Meanshift algorithm.
robust estimation;Meanshift;target tracking;noise;kernel probability density function;median;error;video
2016-11-01.
浙江省高等教育教學改革項目(JG2015343).
朱聞亞(1980-),男,安徽阜陽人,副教授,博士生,主要從事計算機軟件理論、網(wǎng)絡安全等方面的研究.
02 17∶28在中國知網(wǎng)優(yōu)先數(shù)字出版.
http:∥www.cnki.net/kcms/detail/21.1189.T.20170302.1728.018.html
10.7688/j.issn.1000-1646.2017.02.11
TP 391
A
1000-1646(2017)02-0177-06