基于改進(jìn)分塊匹配和AKF的抗遮擋目標(biāo)跟蹤*

楊 錸， 李坤倫

(河南大學(xué) 物理與電子學(xué)院，河南 開封 475004)

0 引 言

基于圖像處理技術(shù)的機(jī)動目標(biāo)跟蹤技術(shù)是計(jì)算機(jī)視覺、人機(jī)交互領(lǐng)域的研究熱點(diǎn)，被廣泛應(yīng)用于機(jī)器人視覺導(dǎo)航、行為識別、安防監(jiān)控等領(lǐng)域[1]。然而，在實(shí)際跟蹤過程中無法避免因光照變化、背景擾動、目標(biāo)遮擋等一系列因素影響目標(biāo)視覺信息，特別是目標(biāo)遮擋直接導(dǎo)致目標(biāo)圖像信息流失，跟蹤結(jié)果出現(xiàn)偏差甚至丟失目標(biāo)[2]。

分塊匹配 (block matching,BM) 算法充分利用目標(biāo)未被遮擋區(qū)域的信息進(jìn)行跟蹤，有效降低了局部被遮擋區(qū)域帶來的不利影響，具有較好的抗遮擋跟蹤能力。文獻(xiàn)[3]利用子塊的顏色直方圖特征在目標(biāo)預(yù)測區(qū)域搜索匹配，投票表決得到目標(biāo)的位置，實(shí)現(xiàn)了目標(biāo)跟蹤；文獻(xiàn)[4]依據(jù)子塊紋理直方圖特征的匹配程度設(shè)置子塊加權(quán)系數(shù)，最后加權(quán)表決得到目標(biāo)的位置實(shí)現(xiàn)目標(biāo)跟蹤；文獻(xiàn)[5，6]利用目標(biāo)子塊的顏色和深度等特征模型，進(jìn)行多線索多特征的分塊匹配目標(biāo)跟蹤。但是標(biāo)準(zhǔn)的分塊匹配算法具有局限性[7]：固定且獨(dú)立的子塊劃分方法對非剛性結(jié)構(gòu)變化目標(biāo)的適應(yīng)能力較差；當(dāng)目標(biāo)處于大面積遮擋時各子塊信息均會丟失，跟蹤算法失效。所以，本文在標(biāo)準(zhǔn)分塊匹配算法基礎(chǔ)上設(shè)計(jì)了一種動態(tài)子塊劃分方法，并且引入抗野值卡爾曼濾波(anti-outlier Kalman filtering,AKF)[8,9]模型在線判定和修正卡爾曼(Kalman)新息野值序列，實(shí)現(xiàn)了目標(biāo)在嚴(yán)重遮擋狀態(tài)下的準(zhǔn)確跟蹤。

1 分塊匹配算法

分塊匹配算法依據(jù)相鄰幀圖像間在時域和空域上的強(qiáng)相關(guān)性，將目標(biāo)模板劃分為(m×n)大小的子塊；以一定匹配準(zhǔn)則在既定范圍的搜索框(P×Q)中搜索匹配目標(biāo)得到最佳匹配位置；計(jì)算相對于初始位置的偏移量得到子塊的運(yùn)動矢量M，算法原理示意如圖1。

圖1 塊匹配原理示意

常見的子塊匹配準(zhǔn)則有最小均方差 (mean square error,MSE) 準(zhǔn)則和最大相關(guān)匹配(maximum correlation matching,MCM)準(zhǔn)則2種：

1)MSE準(zhǔn)則

(1)

2)MCM準(zhǔn)則

(2)

式中I為波門；T為模板；R為結(jié)果；x′∈(0,w-1)和y′∈(0,h-1)為模板與波門重疊區(qū)域。

分塊匹配算法在塊匹配理論基礎(chǔ)上將目標(biāo)模板劃分為n個獨(dú)立子塊，并將各子塊最優(yōu)運(yùn)動矢量mi加權(quán)處理后得到目標(biāo)運(yùn)動矢量M最優(yōu)的估計(jì)

(3)

分塊匹配算法充分利用目標(biāo)未被遮擋區(qū)域的信息進(jìn)行目標(biāo)跟蹤，具有一定的抗遮擋跟蹤能力，但具有較大缺陷[7]：當(dāng)目標(biāo)被遮擋時其子塊對應(yīng)區(qū)域的灰度值會發(fā)生突變，且子塊總像素點(diǎn)越少突變像素點(diǎn)對匹配結(jié)果的影響就越大，即子塊的匹配容錯能力越差，而增大子塊面積雖能提升匹配容錯能力，卻加大了計(jì)算量降低了算法實(shí)時性。因此，綜合考慮此原理并針對分塊匹配算法的缺陷提出了一種動態(tài)子塊劃分方法，具體分塊流程如下：

1)截取模板整體為一個全局子塊T0；

2)沿x方向?qū)⒛繕?biāo)模板等分為兩個對稱的子塊，并構(gòu)成固定子塊組T1(t10,t11)；

3)沿y方向?qū)⒛繕?biāo)模板等分為兩個對稱的子塊，并構(gòu)成固定子塊組T2(t20,t21)；

4)在目標(biāo)預(yù)測區(qū)域進(jìn)行T0搜索匹配，依據(jù)T0匹配置信度計(jì)算子塊伸縮因子δ；

2 AKF模型

AKF算法是一種抗野值Kalman濾波算法，對于運(yùn)動方程具有非線性的機(jī)動目標(biāo)而言，常采用Kalman濾波算法對目標(biāo)的運(yùn)動軌跡進(jìn)行預(yù)測和估計(jì)，簡化后的非線性跟蹤系統(tǒng)的狀態(tài)方程和觀測方程[10]為

Xk=AXk-1+Wk-1

(4)

Zk=Xk+Vk

(5)

式中Xk為系統(tǒng)的狀態(tài)向量；Zk為觀測向量；Wk-l為過程激勵白噪聲；Vk為觀測白噪聲。

當(dāng)目標(biāo)處于遮擋時系統(tǒng)對目標(biāo)位置的觀測結(jié)果會出現(xiàn)較大偏差，可視為連續(xù)的系統(tǒng)觀測野值，現(xiàn)假設(shè)系統(tǒng)k時刻出現(xiàn)觀測野值Z′(k)，并將野值看作疊加于正常觀測數(shù)據(jù)上的一個偏差分量

(6)

Kalman帶偏差的新息序列

(7)

測量序列野值判定準(zhǔn)則中最常用的準(zhǔn)則是萊特準(zhǔn)則(又稱3σ準(zhǔn)則)

(8)

式中Xi|i-1為i-1時刻對i時刻參數(shù)的預(yù)測值；σ(Xi|i-Xi)為i時刻前該參數(shù)所有最優(yōu)估計(jì)殘差的標(biāo)準(zhǔn)差。另外，結(jié)合式(4)和式(5)可得Kalman新息序列表達(dá)式

e(k)=Xk|k-AXk-1|k-1+Vk

(9)

所以簡化系統(tǒng)的Kalman新息序列e(k)的測量誤差服從高斯分布，是滿足3σ判別準(zhǔn)則的前提條件[11]，可建立e(k)測量野值的判定和修正[12]準(zhǔn)則

(10)

式中eo(k)為新息測量序列的線性擬合值；T=3σ為門限值，σ為新息序列殘差的標(biāo)準(zhǔn)差。

3 改進(jìn)新算法

3.1 新算法步驟

1)分析并識別圖像中被跟蹤目標(biāo)得到目標(biāo)模板T,依據(jù)上述動態(tài)子塊劃分流程中步驟(1)～步驟(3)得到全局子塊T0和子塊組T1和T2。

2)在目標(biāo)預(yù)測區(qū)域以T0為模板搜索匹配目標(biāo)得到匹配置信度ε，若ε高于閾值轉(zhuǎn)到步驟(3)；否則，轉(zhuǎn)到步驟(7)。

4)利用3σ準(zhǔn)則對Kalman新息序列測量值進(jìn)行野值判定，若判斷結(jié)果為真，則跳轉(zhuǎn)至步驟(6)；否則，跳轉(zhuǎn)至步驟(7)。

6)選取若干歷史新息序列測量點(diǎn)，線性擬合得到當(dāng)前新息序列測量值的預(yù)測值eo(k)取代測量值e(k)。

7)更新跟蹤框位置并進(jìn)行目標(biāo)丟失判斷，若判斷結(jié)果為真，則退出循環(huán)，算法結(jié)束；否則，跳轉(zhuǎn)至步驟(2)繼續(xù)循環(huán)。

3.2 實(shí)驗(yàn)結(jié)果與分析

3.2.1實(shí)驗(yàn)環(huán)境設(shè)置

為了檢驗(yàn)算法的有效性， 采用實(shí)驗(yàn)硬件條件為CPU2.5GHz、 內(nèi)存4GB、32位 Windows7操作系統(tǒng)的筆記本電腦， 并使用VS2008和OpenCv2.3編程實(shí)現(xiàn)。 實(shí)驗(yàn)所用圖像為截取目標(biāo)跟蹤實(shí)驗(yàn)平臺上得到一組連續(xù)的AVI格式的視頻文件(圖像分辨率為320×240)，以模型魚為跟蹤目標(biāo)，選取模型魚從進(jìn)入遮擋、嚴(yán)重遮擋、退出遮擋3種狀態(tài)驗(yàn)證新算法的有效性和可行性。

在實(shí)驗(yàn)跟蹤過程中，設(shè)置Kalman濾波模型的系統(tǒng)白噪聲和觀測白噪聲分別為Q=25，R=5×10-2；全局子塊匹配置信度閾值ε分別為ε=80，ε=90和ε=100；進(jìn)行野值判定時新息序列線性擬合測量點(diǎn)個數(shù)N=5；并采用黑色矩形框標(biāo)注目標(biāo)跟蹤結(jié)果。圖2為文獻(xiàn)[5]算法的跟蹤結(jié)果，圖3為本文新算法在ε=80時的跟蹤結(jié)果。

3.2.2實(shí)驗(yàn)結(jié)果分析

由圖2可以看出，在第81幀前目標(biāo)處于無遮擋或小面積遮擋，文獻(xiàn)[5]算法跟蹤效果良好，而在第82幀后目標(biāo)被大面積遮擋時跟蹤算法失效。

圖2 文獻(xiàn)[5]算法

由圖3可以看出，在第81幀前目標(biāo)處于無遮擋或小面積遮擋時新算法跟蹤效果良好；第82、第83、第84幀目標(biāo)出現(xiàn)嚴(yán)重遮擋甚至完全遮擋時新算法仍穩(wěn)定準(zhǔn)確跟蹤目標(biāo)，跟蹤效果明顯優(yōu)于文獻(xiàn)[5]算法。

圖3 新算法(ε=80)

3.2.3客觀指標(biāo)對比

1)運(yùn)動矢量的測量精度

均方根誤差(root mean square error,RMSE)反映了測量數(shù)據(jù)偏離真實(shí)值的程度，用于判別數(shù)據(jù)相關(guān)程度。RMSE越小，表明測量精度越高測量數(shù)據(jù)越接近真實(shí)值

(11)

式中zi為測量值;xi為真實(shí)值;n為觀測次數(shù)。

文獻(xiàn)[5]方法和本文動態(tài)分塊方法所得目標(biāo)運(yùn)動矢量的RMSE如表1，選取T0匹配置信度閾值ε分別為ε=80,ε=90和ε=100，運(yùn)動矢量數(shù)據(jù)測量次數(shù)n=60。

表1 目標(biāo)運(yùn)動矢量的RMSE

由表1可知，本文新分塊方法得到的目標(biāo)運(yùn)動矢量均方根誤差較小，更接近目標(biāo)真實(shí)的運(yùn)動矢量。由于目標(biāo)運(yùn)動矢量測量結(jié)果的RMSE主要受ε影響，綜合考慮算法實(shí)時性和有效性選取ε=80，此時新算法得到的目標(biāo)運(yùn)動矢量的測量精度較文獻(xiàn)[5]提高了43.15 %。

2)軌跡曲線的累積誤差

目標(biāo)跟蹤結(jié)果的軌跡曲線與真實(shí)軌跡曲線的吻合度可直觀反映算法跟蹤結(jié)果的準(zhǔn)確程度。圖4為模型魚從進(jìn)入遮擋、嚴(yán)重遮擋、退出遮擋過程中，文獻(xiàn)[5]算法和本文算法所得的目標(biāo)運(yùn)動軌跡曲線對比。可知，新算法得到的目標(biāo)軌跡曲線與真實(shí)軌跡曲線吻合度較高，表2為實(shí)驗(yàn)曲線相對目標(biāo)真實(shí)軌跡曲線的累積誤差。

圖4 目標(biāo)軌跡曲線對比

結(jié)合圖4和表2分析，新算法所得目標(biāo)軌跡曲線的累積誤差較小，且在ε=80時,較文獻(xiàn)[5]采用標(biāo)準(zhǔn)分塊匹配算法所得軌跡曲線的累積誤差低了63.82 %，更接近目標(biāo)真實(shí)運(yùn)動軌跡，進(jìn)一步證實(shí)了新算法抗遮擋跟蹤能力優(yōu)于標(biāo)準(zhǔn)的分塊匹配算法。

表2 目標(biāo)跟蹤曲線的累積誤差

4 結(jié)束語

本文針對分塊匹配目標(biāo)跟蹤算法的缺陷提出了一種改進(jìn)方法，克服了固定子塊對非剛性變化目標(biāo)適應(yīng)能力差的缺陷，較大程度提升了目標(biāo)運(yùn)動矢量的測量精度；另外，將AKF濾波模型應(yīng)用于目標(biāo)位置的濾波中，有效解決了在目標(biāo)處于嚴(yán)重遮擋狀態(tài)下算法失效的問題。通過多組實(shí)驗(yàn)結(jié)果表明：相對于標(biāo)準(zhǔn)分塊匹配算法，新算法得到的目標(biāo)運(yùn)動矢量測量精度提高了43.15 %，對遮擋目標(biāo)識別率達(dá)到了97 %，且算法的速度達(dá)110 FPS滿足實(shí)時性要求，具有更好的穩(wěn)定性和魯棒性。

[1] 黎萬義,萬 鵬,喬 紅.引入視覺注意機(jī)制的目標(biāo)跟蹤方法綜述[J].自動化學(xué)報(bào),2014,40(4):560-563.

[2] 薛 陳,朱 明,劉春香.遮擋情況下目標(biāo)跟蹤算法綜述[J].中國光學(xué)與應(yīng)用光學(xué),2009,2(5):388-390.

[3] Adam A，Rivlin E,Shimshoni I.Robust fragments-based tracking using the integral histogram[C]∥IEEE Computer Society Conference on Computer Vision and Pattern Recognition,New York，2006:798-805.

[4] 李冠彬，吳賀豐.基于顏色紋理直方圖的帶權(quán)分塊均值漂移目標(biāo)跟蹤算法[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2012,23(12):2059-2066.

[5] 賈松敏，白聰軒，王麗佳，等.多特征分塊匹配的移動機(jī)器人目標(biāo)跟蹤[J].電子設(shè)計(jì)工程，2016,24(1):22-24.

[6] 施 瀅，高建坡，崔 杰，等.分塊多特征自適應(yīng)融合的多目標(biāo)視覺跟蹤[J].傳感器與微系統(tǒng)，2015,34(9):128-130,

[7] 唐學(xué)怡.遮擋目標(biāo)跟蹤技術(shù)研究[D].成都：電子科技大學(xué),2009.

[8] 李 宇，曹 潔，徐 微.抗野值卡爾曼濾波器在排隊(duì)長度預(yù)測中的應(yīng)用[J].計(jì)算機(jī)工程與設(shè)計(jì),2009,30(12):3015-3017.

[9] 盧曉燕,盧京潮,周良榮,等.野值存在下的BP網(wǎng)絡(luò)自適應(yīng)卡爾曼濾波[J].計(jì)算機(jī)仿真,2010,27(1):158-160.

[10] 王學(xué)斌,徐建宏,張 章.卡爾曼濾波器參數(shù)分析與應(yīng)用方法研究[J].計(jì)算機(jī)應(yīng)用與軟件,2012,29(6):212-214.

[11] 盧元磊,何佳洲,安 謹(jǐn).目標(biāo)預(yù)測中的野值剔除方法研究[J].計(jì)算機(jī)與數(shù)學(xué)工程,2013(283):723-724.

[12] 徐利娜,陳俊彪，穆高超.靶場外彈道數(shù)據(jù)處理中實(shí)時野值剔除算法[J].應(yīng)用光學(xué)，2012，33(1):92-94.