张秀林 , 王浩全 , 刘 玉 , 安 然
(1.中北大学 动态测试技术重点实验室,山西 太原 030051;2.中北大学 信息与通信工程学院,山西 太原 030051)
在Mean Shift跟踪算法中,Changjiang Yang[1]对多维图像的Mean shift方法进行了讨论,使用改进的快速高斯变换提高算法的速度,Collins[2]将尺度空间和 Mean shift相结合解决了核函数带宽实时变化时的目标跟踪。但是,核窗宽决定了参与Mean-Shift迭代的样本数量,而且也反映了跟踪窗口的大小,在整个跟踪过程中不再发生变化[3-4]。 因此,当目标存在明显尺度变化的时候,尤其是当目标尺寸逐渐增大以至超出核窗宽范围的时候,固定不变的核窗宽常常会导致目标的丢失。
卡尔曼滤波器初预测算法流程:
其中,D(i)表示像素i的颜色值,uk表示第k个聚类颜色模型的均值,Tk表示属于第k个聚类的像素集合,nk表示第 k个聚类包含的像素数。
第k个聚类的高斯模型:
第k个聚类在目标颜色分布中的权重:
第k个聚类的归一化权值:
田志芳立即慌了,她发现杨连长也在,他是和刀营长骑马提前来的,但他胸前没挂红花。她扭过头问向阳花:“谁?谁结婚?”向阳花笑嘻嘻地说:“别急,妹子,你今天仔细找找,这里还有比杨连长更好的不?”
计算目标模型:
Step3:使用3种尺寸的窗口搜索候选目标以适应尺度上的变化。运动车辆的中心在X、Y轴上的运动是一个由随机加速而被扰动的直线运动。
其中,(x,y)表示矩形中心的坐标,t近似为视频序列的帧数,和分别是矩形中心在 x和 y方向的运动速度,w(t)和v(t)是两个相互独立的零均值高斯白噪声序列,分别表示状态转移噪声和观测噪声。
Step4:计算候选目标区域中每个聚类的权值:
计算直方图的相似性:
在起始帧中Epanechikov核函数作用的区域称为目标区域,起始帧中的卡尔曼滤波的矩形框中心确定后,目标区域的中心(核函数的中心坐标)、目标区域的大小(等于核函数的带宽)就可以确定了。将像素的灰度u作为特征值,分别对目标与背景的特征值建立归一化直方图[6]。
q′(u)、p′(u)分别为为目标中灰度特征值 u 在目标归一化灰度直方图中的取值和背景中灰度特征值u在背景归一化灰度直方图中的取值;ξ满足:logξ≤L(u)≤-logξ;采用 λu=(L(u)+logξ)/2logξ,将 L(u)转换为[0,1]范围内核直方图的带权因子。
基于Mean Shift和卡尔曼滤波相结合的跟踪算法流程:
Step1:起始帧中的卡尔曼滤波的矩形框中心x0确定后,得到核函数作用区域特征值u=1……m估计的概率密度:
其中,h为核函数的带宽,k(x)为核函数的轮廓函数,δ(x)是 Delta 函数。
Step2:根据矩形窗中心的位置,卡尔曼滤波预测下一帧中矩形窗中心的位置(x,y),当前帧目标中心的位置作为前一帧中目标中心的位置y0。
Step3:目标候选区域内的像素为{xi}i=1,2,3…nk,从y0这一点开始寻找核函数的中心坐标(也就是最优匹配的目标中心为y)。计算视频对象的概率分布模型:
Bhattacharyya系数[7]近似为:
Step4:计算权值:
Step5:利用Mean Shift计算新的漂移位置
Step6:Mean Shift算法在(x,y)的邻域内寻找目标真实的位置得到(x*,y*)作为矩形窗中心的位置,转到 Step2处执行。
通过分析卡尔曼滤波器关于目标位置的估计值和由Mean Shift算法得到的卡尔曼滤波器的观测值之间残差[8]的大小来判断是否出现了大比例的遮挡。当前帧中目标中心位置估计值为{x(t),y(t)}, Mean Shift算法寻找到的目标中心真实位置为{x*(t),y*(t)},通过{x*(t),y*(t)}得到的卡尔曼观测值为{X*(t),Y*(t)}。
滤波残差为:
设门限值γ,如果σ(t)>γ,卡尔曼滤波器停止工作。利用前几帧Mean Shift收敛点的位置线性预测下一帧可能起始点的值{x(t),y(t)},然后在这个起始点邻域内利用 Mean Shift算法寻找当前帧目标的位置{x*(t),y*(t)},求当前观测值{X*(t),Y*(t)}和起始点位置{x(t),y(t)}的残差 σ(t),与 γ 进行比较。如果σ(t)<γ,下一帧卡尔曼滤波器重新开始工作。
对快速运动车辆的视频序列 (遮挡问题)进行了跟踪测试。图1 Mean Shift算法对快速运动车辆(遮挡问题)的跟踪效果,第62帧和81帧车速较慢、第78帧只有小比例遮挡,能够实现正确的跟踪;第70帧和第93帧车速加快、第79帧和第80帧大比例遮挡,算法失去了对快速运动车辆的跟踪。图2本文算法的跟踪效果,有一些帧为全部遮挡,方框没有随意发散,在局部范围内移动。新算法能够始终实现对快速运动车辆(遮挡问题)的跟踪。
文中提出了一种卡尔曼滤波中集成Mean Shift算法的目标跟踪算法。该算法根据目标主要颜色的分布建立目标模型,用较少的参数对目标进行准确的描述,从而根据目标尺度的改变来调整卡尔曼滤波中矩形窗的大小,来弥补Mean Shift算法中窗口不变的缺陷。通过卡尔曼滤波初步预测了当前帧目标中心的位置,基于核直方图的Mean Shift算法在这点的邻域内寻找目标真实的位置,在目标出现大比例遮挡情况时,利用卡尔曼残差来关闭和打开卡尔曼滤波器,充分利用目标位置的线性预测替代卡尔曼的作用,提高了跟踪算法的鲁棒性。实验表明该算法在目标尺度变化、目标被部分遮挡、完全遮挡等情况下对快速运动的目标能够取得较好的跟踪效果。
图1 Mean Shift算法对快速运动车辆的跟踪效果:遮挡问题Fig.1 Mean Shift algorithm tracking of fast moving vehicles:occlusion
图2 本文算法对快速运动车辆的跟踪效果:遮挡问题Fig.2 Algorithm tracking of fast moving vehicles:occlusion
[1]Changjiang YANG,Ramani DURAISWAMI, Larry DAVIS.Similarity measure for nonparametric kerneldensity based object tracking[C]//Eighteenth Annual Conference on Neural Information Processing Systems Victoria, British Columbia,Canada:NIPS,2004.
[2]Robert T.COLLINS.Mean-shift blob tracking through scale space[J].IEEEComputerSocietyConferenceonComputerVision and Pattern Recognition (CVPR ’03),2003(2):234-240.
[3]Comaniciu D,Ramesh V,Meer P.Real-Time tracking of nonrigid objects using mean shift[J].In:Werner B,ed.IEEE Int’ l Proc.of the Computer Vision and Pattern Recognition,Stoughton:Printing House,2000(2):142-149.
[4]Yilmaz A,Shafique K,Shah M.Target tracking in airborne forward looking infrared imagery[J].Int’l Journal of Image and Vision Computing,2003,21(7):623-635.
[5]陶新民,徐晶,杨立标,等.一种改进的粒子群和k均值混合聚类算法[J].电子与信息学报.2010,32(1):92-97.
TAO Xin-min,XU Jing,YANG Li-biao,etal.Improved cluster algorithm based on K-Means and particle swarm optimization[J].JournalofElectronics&InformationTechnology,2010,32(1):92-97.
[6]王田,刘伟宁,韩广良,等.基于改进mean shift的目标跟踪算法[J].液晶与显示,2012,27(3):396-399.
WANG Tian,LIU Wei-ning,HAN Guang-liang,et al.Target tracking algorithm based on improved meanshift[J].Chinese Journal of Liquid Crystals and Displays,2012,27(3):396-399.
[7]赵欣,陈峰,吴立知.一种改进的 mean shift运动目标跟踪算法[J].通信技术.2011,11(44):76-79.
ZHAO Xin,CHEN Feng,WU Li-zhi.An improved mean shift moving target tracking algorithm[J]. Communications Technology,2011,11(44):76-79.
[8]朱胜利,朱善安,李旭超.快速运动目标的Mean shift跟踪算法[J].光电工程,2006,33(5):66-70.
ZHU Sheng-li,ZHU Shan-an,LI Xu-chao.Algorithm for tracking of fast motion objects with Mean shift[J].Opto-Electronic Engineering,2006,33(5):66-70.