基于聯(lián)合直方圖的自適應粒子濾波跟蹤算法

劉少林，朱文球，孫文靜，王業(yè)祥

(1.湖南工業(yè)大學 計算機學院，湖南 株洲 412007；2.智能信息感知及處理技術(shù)湖南省重點實驗室，湖南 株洲 412007)

0 引 言

實時的運動目標跟蹤算法一直是當今計算機視覺與圖像處理領(lǐng)域中的一個熱門研究領(lǐng)域，在日常生活以及科學研究中具有廣泛的應用[1-2]。目標在圖像中的描述在目標跟蹤中至關(guān)重要，通常采用的特征包括灰度、顏色、邊緣和LBP紋理等[3]。

1993年由Gordon等[4]等提出了一種基于貝葉斯理論的粒子濾波算法，但將其引入計算機視覺領(lǐng)域進行運動目標跟蹤卻是在1998年由Isard M等提出[5-6]。由于粒子濾波跟蹤算法在處理非線性、非高斯問題時的獨特優(yōu)勢，因此在目標跟蹤領(lǐng)域受到了更多研究者的重視。但是，它的缺陷也是很明顯的，即只有當粒子數(shù)量足夠時，加權(quán)粒子才能更好地模擬后驗概率分布，因此計算量十分大，無法保證算法的實時性，這使得它無法在目標跟蹤中得到廣泛的應用。為了解決粒子濾波計算量龐大的問題，近年來涌現(xiàn)出很多解決方法。其中，最常見的是將粒子濾波算法與快速收斂的mean shift算法[7]相結(jié)合的Kernel粒子濾波[8]?；谏鲜龇治?，文中提出一種基于顏色紋理聯(lián)合直方圖的自適應粒子濾波跟蹤算法。

1 基礎(chǔ)理論

1.1 顏色直方圖模型

顏色直方圖[9-10]是一種全局特征，由于其計算簡便、處理速度快、對目標尺度、旋轉(zhuǎn)部分遮擋不敏感等優(yōu)點而受到廣泛應用。

假設(shè)被跟蹤的目標是中心為y0，窗寬為h的矩形。文獻[5]將目標在圖像中的大小以及每一個像素點在矩形中所處的位置對直方圖構(gòu)建的影響體現(xiàn)在算法中，依據(jù)像素點在矩形中的位置分配不同的權(quán)值，位置離目標中心的距離越小其權(quán)值越大，權(quán)值函數(shù)為：

(1)

其中，r為像素點位置到矩形中心的距離。

目標的加權(quán)顏色直方圖為：

(2)

其中，Ch為歸一化系數(shù)。

(3)

1.2 LBP紋理直方圖模型

局部二值模式[11](local binary pattern，LBP)是一種用來描述圖像局部紋理特征的算子，具有灰度和旋轉(zhuǎn)不變性且計算復雜度低等優(yōu)點。

原始的LBP算子定義在3×3的窗口內(nèi)，對比窗口中心像素與相鄰的8個像素的灰度值，若周圍像素值大于中心像素值，則該像素點賦值為1，反之為0，從而得到一串二進制串，作為該像素點的LBP紋理特征值。計算公式如下：

(4)

其中，P為鄰域像素的數(shù)目；R為中心像素xi與鄰域像素的距離；gc為對應圖像塊中心的灰度；gp表示以yc為圓心，半徑為R的圓環(huán)上第p個等分點的灰度。函數(shù)s(x)僅與像素點的相對灰度有關(guān)，不受像素整體亮度變化的影響 。函數(shù)s(x)的定義如下：

(5)

其中,T為減輕噪聲及局部灰度變化影響所設(shè)置的閾值。

1.3 巴氏距離

某一區(qū)域的顏色直方圖pu和目標顏色直方圖qu之間的相似性用巴氏距離[9]來描述：

(6)

其中，ρ∈[0,1]稱為巴氏系數(shù)。

巴氏距離表示為：

(7)

d越小，表明該矩形為目標的概率越高。

2 自適應粒子濾波跟蹤算法

2.1 聯(lián)合顏色紋理直方圖

(8)

(9)

其中,r為抗擾動因素，r的絕對值越大，表明該值對于灰度變化越魯棒。

(10)

在維度的選取上，在實驗中令m=8×8×8×5，其中用前三維分別計算HSV顏色通道的值，第四維按照式10計算5種紋理模式中的值[14]。

2.2 算法流程

(11)

在算法重采樣過程中，不考慮權(quán)值小于閾值的粒子，而將權(quán)值比閾值大的粒子，按照粒子權(quán)值重新分配粒子。

基于聯(lián)合直方圖的自適應粒子濾波跟蹤算法實現(xiàn)過程分為以下4個步驟：

步驟1：粒子初始化。粒子數(shù)的初始值設(shè)定為N，t= 0時刻，在初始幀手動框選跟蹤區(qū)域，根據(jù)式10得到目標的顏色紋理直方圖表達式q(u)。

步驟2：狀態(tài)預測。粒子通過運動模型進行傳播，使用的運動模型如下：

(12)

其中，Vt-1為一個高斯隨機變量。

步驟3：權(quán)值更新。

(1)利用式10計算經(jīng)過運動傳播之后新粒子所在區(qū)域的顏色紋理直方圖P(u)。

(2)利用式7計算巴氏距離d。

(3)利用式11計算更新權(quán)重，并歸一化權(quán)值。

(13)

(14)

(2)生成一組服從均勻分布的隨機數(shù)u～U(0,1)。

步驟5：輸出。目標狀態(tài)的均值估計為：

(15)

3 實驗與分析

為了驗證提出的跟蹤算法的性能，在主頻為3.30 GHz、內(nèi)存為8 G的PC機上使用VS2013編程實現(xiàn)。實驗過程中第一幀使用鼠標指定待跟蹤目標,分別使用傳統(tǒng)的粒子濾波算法與文字中算法進行目標跟蹤，跟蹤效果分別如圖1、圖2所示。

圖1 傳統(tǒng)的粒子濾波算法

圖2 基于顏色紋理聯(lián)合直方圖的自適應粒子濾波跟蹤算法

傳統(tǒng)的粒子濾波算法由于目標被部分遮擋導致跟蹤效果不理想，如圖1中第93～105幀所示，后續(xù)幀中算法不斷在圖像中搜索目標，最終在第388幀中正確鎖定目標。改進算法由于采用顏色紋理直方圖進行跟蹤，穩(wěn)定性有了保障，最終實現(xiàn)對目標物體魯棒的跟蹤，如圖2第93～388幀所示。

兩種算法在處理速度、平均迭代次數(shù)以及成功率的對比如表1所示。實驗數(shù)據(jù)表明，改進算法雖然損失了處理速度，但還是滿足實時性的要求，并且跟蹤結(jié)果更加可靠和魯棒。

表1 算法性能對比結(jié)果

4 結(jié)束語

提出了一種基于聯(lián)合顏色與紋理特征直方圖的自適應粒子濾波目標跟蹤算法，在利用空間顏色特征的基礎(chǔ)上，加入了改進的LBP紋理特征，增強了目標特征的描述。多個不同場景的室內(nèi)外實驗表明，與經(jīng)典的粒子濾波跟蹤算法相比，該算法在抗相似目標的干擾上更加可靠和魯棒。

參考文獻:

[1] YILMAZ A,JAVED O,SHAH M.Object tracking:a survey[J].ACM Computing Survey,2006,38(4):13.

[2] TREPTOW A,ZELL A.Real-time object tracking for soccer-robots without color information[J].Robotics and Autonomous Systems,2004,48(1):41-48.

[3] NUMMIARO K,KOLLER-MEIER E,GOOL L V.An adaptive color-based particle filter[J].Image and Vision Computing,2003,21(1):99-110.

[4] GORDON N J,SALMOND D J,SMITH A F M.Novel approach to nonlinear/non-Gaussian Bayesian state estimation[C]//IEE proceedings F (radar and signal processing).[s.l.]:IET,1993:107-113.

[5] ISARD M,BLAKE A. ICONDENSATION:unifying low-level and high-level tracking in a stochastic framework[C]//European conference on computer vision.[s.l.]:[s.n.],1998:893-908.

[6] MENG Bo,ZHU Ming.Nonlinear object tracking using particle filter[J].Optics & Precision Engineering,2007,15(9):1421-1426.

[7] 董恩增,蘇麗婭,付艷紅,等.融合顏色紋理特征的自適應粒子濾波跟蹤算法[J].計算機測量與控制,2014,22(4)：1182-1184.

[8] DEGUCHI K,KAWANAKA O,OKATANI T.Object tracking by the mean-shift of regional color distribution combined with the particle-filter algorithm[C]//International conference on pattern recognition.Cambridge,UK:IEEE,2004:506-509.

[9] 莊 嚴,戰(zhàn)洪斌,王 偉，等.基于加權(quán)顏色直方圖和粒子濾波的彩色物體跟蹤[J].控制與決策,2006,21(8):868-872.

[10] 張 楠,蔡 念,張海員.基于空間直方圖的粒子濾波目標跟蹤算法[J].計算機工程與應用,2011,47(21):210-213.

[11] 劉 豪,楊永全,郭仙草,等.用于紋理特征提取的改進的LBP算法[J].計算機工程與應用,2014,50(6):182-185.

[12] NING Jifeng,ZHANG Lei,ZHANG D,et al.Robust object tracking using joint color-texture histogram[J].International Journal of Pattern Recognition & Artificial Intelligence,2011,23(7):1245-1263.

[13] 于亞風,劉光帥,馬子恒,等.用于紋理特征提取的改進的成對旋轉(zhuǎn)不變共生局部二值模式算法[J].計算機應用,2016,36(12):3389-3393.

[14] 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.