• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    一種結(jié)合Camshift和Kalman濾波的TLD目標(biāo)跟蹤算法

    2019-04-01 12:43:58蔡亞南李東興吳秀東宋汝君
    關(guān)鍵詞:跟蹤目標(biāo)濾波樣本

    蔡亞南 李東興 吳秀東 宋汝君 王 迎

    (山東理工大學(xué)機(jī)械學(xué)院 山東 淄博 255000)

    0 引 言

    隨著時(shí)代的發(fā)展,機(jī)器視覺已成為人類感知世界和獲得重要信息的主要途徑。其中,計(jì)算機(jī)視覺的重要研究方向是視頻目標(biāo)跟蹤,其應(yīng)用前景越來越廣泛,主要應(yīng)用在機(jī)器人視覺方面、醫(yī)療診斷方面和軍事領(lǐng)域等[1-2]。通過對視頻進(jìn)行圖像處理得到目標(biāo)的圖像序列,然后分析、理解和處理圖像序列,最終實(shí)現(xiàn)對運(yùn)動(dòng)目標(biāo)的檢測和跟蹤[3]。在目標(biāo)追蹤過程中,光流法最為常見,但其不僅計(jì)算量大,而且適用于短時(shí)間目標(biāo)跟蹤而非適用于長時(shí)間的目標(biāo)檢測、識別和跟蹤。

    目標(biāo)跟蹤問題可以分為兩類:一是遞歸方式,二是基于檢測的方式。Meanshift算法具有快速模型匹配、無需參數(shù)、計(jì)算量小和可與其他算法結(jié)合的特點(diǎn)。但當(dāng)目標(biāo)尺寸變化較大時(shí),Meanshift算法由于核函數(shù)的固定不變性,不具有自適應(yīng)性,需要手動(dòng)初始化等缺點(diǎn),不能準(zhǔn)確尺度定位、在線更新,不可實(shí)現(xiàn)長時(shí)間的有效跟蹤,最終導(dǎo)致目標(biāo)跟蹤失敗。所以要越來越多地關(guān)注在線更新的目標(biāo)跟蹤方法[4]。TLD算法是一種可以實(shí)現(xiàn)長時(shí)間對目標(biāo)跟蹤的功能,主要從追蹤、檢測和學(xué)習(xí)三個(gè)方面著手實(shí)現(xiàn)跟蹤,具有魯棒性高、學(xué)習(xí)恢復(fù)能力強(qiáng)的特點(diǎn)。但當(dāng)出現(xiàn)相似目標(biāo)物,或者目標(biāo)物被遮擋和旋轉(zhuǎn)時(shí)TLD算法跟蹤精確度低、效果差[5-6]。

    本文提出了一種結(jié)合Camshift和Kalman濾波的TLD目標(biāo)跟蹤算法,可實(shí)現(xiàn)對目標(biāo)的長期有效跟蹤和對目標(biāo)窗口大小的自動(dòng)化控制。Camshift算法是基于Meanshift算法形成的可連續(xù)自適應(yīng)的一種算法,將Camshift結(jié)合Kalman濾波既可實(shí)現(xiàn)對目標(biāo)位置的快速查找又可實(shí)現(xiàn)對窗口大小的控制功能。Camshift結(jié)合Kalman濾波后再改進(jìn)TLD跟蹤算法,可實(shí)現(xiàn)對目標(biāo)的運(yùn)動(dòng)方向、速度大小建模。將TLD跟蹤方法的原始輸出數(shù)據(jù)與改進(jìn)算法的預(yù)測結(jié)果相結(jié)合,然后對此時(shí)的狀態(tài)輸出結(jié)果進(jìn)行修正,最后對輸出結(jié)果加權(quán)處理,確定目標(biāo)的最終準(zhǔn)確位置。若出現(xiàn)目標(biāo)物被遮擋狀況,交由TLD學(xué)習(xí)器處理,若發(fā)生嚴(yán)重遮擋狀況,則由改進(jìn)的算法來預(yù)測目標(biāo)的運(yùn)動(dòng)軌跡。本文算法既具有TLD算法原有的長期有效跟蹤特點(diǎn)和自動(dòng)調(diào)整識別窗大小的功能,又提高了對目標(biāo)實(shí)時(shí)跟蹤的準(zhǔn)確性,同時(shí)對短時(shí)遮擋具有預(yù)測功能。

    1 TLD算法

    TLD算法由追蹤器、檢測器和機(jī)器學(xué)習(xí)三部分組成,框架結(jié)構(gòu)如圖1所示。

    圖1 TLD算法的框架結(jié)構(gòu)

    在TLD算法初始化的過程中,首先將視頻幀送入到機(jī)器學(xué)習(xí)模塊,此時(shí)的學(xué)習(xí)模塊會(huì)產(chǎn)生正負(fù)樣本,用來初始化追蹤模塊和檢測模塊。在此之后的圖像序列中,對數(shù)據(jù)的處理過程需追蹤模塊和檢測模塊并行進(jìn)行。將輸出的融合結(jié)果作為當(dāng)前幀,此時(shí)融合的數(shù)據(jù)被送入在線學(xué)習(xí)模塊,學(xué)習(xí)模塊會(huì)對跟蹤模塊和檢測模塊起到反作用。該過程可實(shí)現(xiàn)對跟蹤模塊和檢測模塊的數(shù)據(jù)更新,進(jìn)而驗(yàn)證所得數(shù)據(jù)的準(zhǔn)確性,跟蹤目標(biāo)更加準(zhǔn)確[7-8]。這三個(gè)部分相互作用,并將所得到的數(shù)據(jù)整合,最終確定下一幀的跟蹤目標(biāo)。

    1.1 追蹤器模塊

    TLD算法的跟蹤模塊是基于LK光流跟蹤法形成的中值流跟蹤法,利用前向、后向跟蹤算法,進(jìn)一步估算前向軌跡和后向軌跡的誤差值,即可實(shí)現(xiàn)對像素點(diǎn)的跟蹤,預(yù)估目標(biāo)在當(dāng)前幀的位置[9-10]。

    計(jì)算過程如下:

    S=(Iτ,Iτ+1,…,Iτ+k)

    (1)

    (2)

    (3)

    (4)

    (5)

    1.2 檢測器模塊

    該模塊首先用尺寸不同的掃描窗全局掃描視頻流的圖像幀,經(jīng)樣本采集,將其輸入級聯(lián)分類器進(jìn)行篩選,再對每一個(gè)矩形框進(jìn)行判定,最終確認(rèn)是否出現(xiàn)跟蹤目標(biāo)。級聯(lián)分類器的結(jié)構(gòu)組成如圖2所示。

    圖2 檢測器結(jié)構(gòu)示意圖

    1.3 學(xué)習(xí)模塊

    P-N學(xué)習(xí)的過程是TLD算法的核心所在,包括P約束和N約束兩個(gè)部分,P約束通過對目標(biāo)移動(dòng)的軌跡進(jìn)行研究,來實(shí)現(xiàn)對正樣本的添加[11]。若分類器檢測出很多個(gè)目標(biāo)時(shí)N約束可標(biāo)記遠(yuǎn)離目標(biāo)邊界框樣本為負(fù)樣本。

    2 算法設(shè)計(jì)

    2.1 Camshift算法

    Camshift算法包括反向投影圖像的計(jì)算,對反向投影圖像進(jìn)行Meanshift計(jì)算和不斷搜索三個(gè)過程。

    由RGB轉(zhuǎn)換到HSV顏色空間時(shí),圖像的直方圖為:

    (6)

    對直方圖歸一化處理:

    (7)

    式中:n為像素個(gè)數(shù);m為色度級別;xi為像素點(diǎn)位置;c(xi)為第i個(gè)像素位置的目標(biāo)索引;δ為單位脈沖函數(shù)。

    2.2 Camshift算法結(jié)合Kalman濾波的算法

    1) Kalman濾波分為預(yù)測和修正兩個(gè)階段,其中預(yù)測階段包括兩部分:狀態(tài)預(yù)測和誤差協(xié)方差預(yù)測[12-13]。對Kalman濾波算法建模如下:

    信號模型:Xk=AkXk-1+BkWk

    (8)

    觀測模型:Zk=HkXk+BkVk

    (9)

    式中:Ak、Bk、Hk分別是狀態(tài)轉(zhuǎn)移矩陣、輸入矩陣和觀測矩陣;Wk、Vk分別為動(dòng)態(tài)噪聲和觀測噪聲;Wk與Vk是互不相關(guān)的白噪聲序列;Xk-1為狀態(tài)向量,其中核心部分是Zk,決定Kalman濾波預(yù)測的準(zhǔn)確性。

    2) Camshift結(jié)合Kalman濾波的算法由當(dāng)前幀目標(biāo)位置預(yù)測、匹配目標(biāo)和更新Kalman濾波狀態(tài)三部分組成。

    (1) Kalman濾波通過判定圖像目標(biāo)的歷史信息來確定當(dāng)前幀圖像目標(biāo)的正確位置。

    (2) Kalman濾波預(yù)測值的鄰域范圍內(nèi),依據(jù)由Camshift算法得出的顏色概率分布圖來控制目標(biāo)窗口,變換窗口的大小和進(jìn)一步搜索與目標(biāo)模板最相似的目標(biāo)。

    (3) 將完成匹配的目標(biāo)位置作為Kalman濾波的觀測值,然后更新Kalman濾波的狀態(tài)。

    殘差法可以用來判斷目標(biāo)物被嚴(yán)重遮擋與否。即觀測值與預(yù)測值之間的差值。

    (10)

    式中:x(k)、y(k)代表目標(biāo)位置的觀測值,x′(k)、y′(k)代表目標(biāo)位置的預(yù)測值。該過程可以通過比較r(k)與閾值的大小,判斷是否出現(xiàn)嚴(yán)重遮擋現(xiàn)象。

    Camshift與Kalman濾波相結(jié)合的算法具體實(shí)現(xiàn)流程如圖3所示。

    圖3 Camshift與Kalman濾波相結(jié)合的算法流程圖

    該過程經(jīng)過初始化搜索窗,由Camshift算法實(shí)現(xiàn)跟蹤、窗口大小控制,Kalman濾波器進(jìn)行初步建模,并不對跟蹤干擾。通過Camshift算法計(jì)算的目標(biāo)區(qū)域大小和目標(biāo)區(qū)域內(nèi)像素個(gè)數(shù)判定是否有大面積顏色相似背景干擾和遮擋,若出現(xiàn)顏色相似遮擋,需加入Kalman預(yù)測信息。

    2.3 結(jié)合Camshift和Kalman濾波的TLD目標(biāo)跟蹤算法

    本文提出了Camshift結(jié)合Kalman濾波的TLD目標(biāo)跟蹤算法,實(shí)現(xiàn)對目標(biāo)的長期有效跟蹤和目標(biāo)窗口大小的自動(dòng)化控制功能,同時(shí)提高TLD跟蹤算法在目標(biāo)遮擋下的跟蹤能力。其算法框圖如圖4所示。

    圖4 結(jié)合Camshift和Kalman濾波的TLD目標(biāo)跟蹤算法

    輸入視頻幀,首先初始化Kalman濾波器,由Camshift與Kalman濾波相結(jié)合的算法跟蹤目標(biāo),預(yù)測運(yùn)動(dòng)目標(biāo)的下一時(shí)刻的狀態(tài)。同時(shí),由TLD算法得到目標(biāo)下一時(shí)刻的狀態(tài),確定其跟蹤區(qū)域。此時(shí),如果TLD跟蹤效果較好,即可將TLD跟蹤的結(jié)果輸出,作為觀測值去更新改進(jìn)的卡爾曼濾波。如果TLD由于遮擋或者相似背景導(dǎo)致跟蹤失敗時(shí),由卡爾曼濾波預(yù)測目標(biāo)的位置和狀態(tài),即可將此時(shí)的預(yù)測值作為觀測值更新改進(jìn)的卡爾曼濾波。該方法具有抗遮擋和相似背景干擾的能力。

    3 實(shí)驗(yàn)結(jié)果與分析

    為了驗(yàn)證本文算法跟蹤的準(zhǔn)確性,本文選擇了Moto、Pedestrian和David三組具有遮擋、明暗變化的視頻進(jìn)行實(shí)驗(yàn),并且將本文算法與原TLD、CT、CNT三種算法進(jìn)行效果比對,根據(jù)跟蹤成功率和跟蹤性能進(jìn)行評價(jià):

    (11)

    式中:TB、TG分別是跟蹤的邊界框和跟蹤框,當(dāng)Csr>0.5時(shí)認(rèn)為跟蹤是有效的。根據(jù)目標(biāo)中心的定位誤差δdist=|Ctrack(x,y)-Cture(x,y)|來評價(jià)跟蹤性能,Ctrack和Cture分別是跟蹤框的中心點(diǎn)坐標(biāo)和目標(biāo)框的中心點(diǎn)坐標(biāo),CT和CNT分別為圖像重建算法和決策樹算法。

    本文選取了以上三組視頻幀,對不同算法在不同視頻中的跟蹤成功率進(jìn)行比較。從表1中可以看出,不管是具有遮擋還是明暗變化的視頻,本文改進(jìn)的TLD算法跟蹤正確率是較高的。

    表1 不同算法的成功率比較 %

    另外,根據(jù)中心位置的定位誤差定性地評定不同算法的跟蹤性能。圖5分別表示了不同跟蹤算法在三組視頻幀中的中心位置誤差曲線,由圖可知本文算法在目標(biāo)遮擋方面處理的較好,對原TLD算法易發(fā)生漂移現(xiàn)象[14]有很好的抑制作用。

    (a) (b) c)圖5 不同跟蹤算法在各個(gè)視頻幀中的中心位置誤差曲線

    為了驗(yàn)證本文算法的實(shí)時(shí)性和快速性,本文將本文算法和原TLD跟蹤算法進(jìn)入分類器的樣本數(shù)量進(jìn)行了比較,如圖6所示。

    圖6 輸入的樣本數(shù)量比較圖

    通過圖6對比可以看出,改進(jìn)的TLD算法需要插入檢測模塊的樣本數(shù)量明顯下降,從而加快了樣本的分類速度,提高了運(yùn)算速度。表2給出了本文算法與原TLD算法的平均幀率,其中本文算法優(yōu)于原TLD跟蹤算法,該速率能夠保證視頻的流暢性和實(shí)際場合跟蹤的實(shí)時(shí)快速性。

    表2 兩種算法在測試過程中的平均幀率幀·s-1

    圖7是本文跟蹤算法應(yīng)用在David視頻幀中,截取的一些視頻幀??梢钥闯?,該算法在明暗變化、目標(biāo)尺度方向改變和目標(biāo)改變外觀時(shí)都能很好的跟蹤。

    (a) (b) (c)

    (d) (e) (f)圖7 本文算法在David視頻中的跟蹤

    當(dāng)目標(biāo)被遮擋時(shí),為體現(xiàn)本文算法的長時(shí)、準(zhǔn)確跟蹤性能,現(xiàn)將本文算法與原TLD算法的跟蹤進(jìn)行比較,如圖8所示??梢钥闯?,當(dāng)被跟蹤目標(biāo)發(fā)生遮擋后(幀255為第一次遮擋、幀623為第二次遮擋),兩種跟蹤算法都具有對遮擋的預(yù)測功能。但原TLD算法的跟蹤窗出錯(cuò),導(dǎo)致跟蹤失敗,而本文算法可以長時(shí)間實(shí)時(shí)準(zhǔn)確跟蹤目標(biāo),且跟蹤成功。

    圖8 目標(biāo)遮擋時(shí)兩種跟蹤算法的準(zhǔn)確性比較

    4 結(jié) 語

    針對跟蹤過程中目標(biāo)受干擾、漂移現(xiàn)象和計(jì)算量大導(dǎo)致跟蹤失敗的問題,本文采用改進(jìn)的TLD算法與Kalman濾波相結(jié)合的方法實(shí)現(xiàn)對目標(biāo)的長時(shí)跟蹤和對目標(biāo)跟蹤窗口大小的控制。本文用Camshift跟蹤器替代原始的光流法跟蹤器,一定程度上提升了運(yùn)算速度,抑制了漂移現(xiàn)象。當(dāng)目標(biāo)被遮擋時(shí)用Camshift優(yōu)化過的TLD學(xué)習(xí)器處理,當(dāng)目標(biāo)物發(fā)生嚴(yán)重遮擋時(shí)則用改進(jìn)的Kalman濾波算法預(yù)測目標(biāo)的運(yùn)動(dòng)軌跡。首先判斷是否有大面積顏色、相似背景干擾和遮擋以及顏色相似運(yùn)動(dòng)物。若沒有,則用Camshift算法不加入Kalman預(yù)測信息;若有,則加入Kalman預(yù)測信息。一方面調(diào)整窗口位置和大小并設(shè)定窗口的最大長度,通過判定搜索窗口的長和寬是否大于設(shè)定值,來調(diào)整搜索窗口的長和寬大?。涣硪环矫?,通過判斷是否出現(xiàn)遮擋或嚴(yán)重遮擋,進(jìn)一步修正Kalman濾波的預(yù)測值,更新Kalman濾波,實(shí)現(xiàn)目標(biāo)跟蹤。通過幾組不同的視頻實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果顯示:本文的算法不但提高了運(yùn)算速度,還在一定程度上改進(jìn)了目標(biāo)發(fā)生嚴(yán)重遮擋時(shí)容易丟失的問題。對于明暗變換,目標(biāo)形變也能夠?qū)崿F(xiàn)跟蹤。但當(dāng)目標(biāo)被完全遮擋、遮擋時(shí)間過長和發(fā)生巨大形變的時(shí)候會(huì)出現(xiàn)跟蹤失敗的問題,還有待改進(jìn)。

    猜你喜歡
    跟蹤目標(biāo)濾波樣本
    核相關(guān)濾波與孿生網(wǎng)絡(luò)相結(jié)合的目標(biāo)跟蹤算法
    用樣本估計(jì)總體復(fù)習(xí)點(diǎn)撥
    推動(dòng)醫(yī)改的“直銷樣本”
    基于圖割理論的尺度自適應(yīng)人臉跟蹤算法
    隨機(jī)微分方程的樣本Lyapunov二次型估計(jì)
    連續(xù)同色調(diào)背景下運(yùn)動(dòng)目標(biāo)自適應(yīng)跟蹤
    村企共贏的樣本
    基于卡爾曼和圖像信息量的Mean Shift改進(jìn)跟蹤算法
    RTS平滑濾波在事后姿態(tài)確定中的應(yīng)用
    基于線性正則變換的 LMS 自適應(yīng)濾波
    遙測遙控(2015年2期)2015-04-23 08:15:18
    三门峡市| 武宁县| 太和县| 汾阳市| 连云港市| 库车县| 芦溪县| 徐汇区| 克山县| 泰兴市| 老河口市| 广水市| 论坛| 高密市| 于都县| 乌兰县| 蓬溪县| 公安县| 扶风县| 兴山县| 巨野县| 博野县| 玛沁县| 盐亭县| 英山县| 绥阳县| 杭锦旗| 广河县| 甘谷县| 云南省| 共和县| 贵港市| 胶南市| 罗山县| 杨浦区| 黄骅市| 方山县| 高密市| 长葛市| 喀喇沁旗| 宜君县|