摘要：提出了基于融合顏色和LBP紋理特征的均值偏移粒子濾波視頻跟蹤算法。粒子濾波用帶權粒子集表示待求解函數(shù)值，解決了非高斯非線性問題，提高了跟蹤精度。將均值偏移嵌入到粒子濾波算法框架，實現(xiàn)對粒子的聚類，減少粒子數(shù)量同樣達到實時準確跟蹤的效果。融合顏色信息、紋理信息的多種特征描述，能夠準確地描述模標，提高模標鎖定的準確性，克服環(huán)境中相似顏色干擾的問題。實驗證明，該算法在人體行為實時跟蹤的準確性和魯棒性方面較原算法有明顯提高。

關鍵詞：背均值偏移；粒子聚類；核函數(shù)；紋理特征

中圖分類號：TP391.41 文獻標識碼：A

0 引言

視頻跟蹤[1]是計算機視覺領域的核心方向之一。 本文提出了融合顏色特征和LBP紋理特征的均值偏移粒子濾波算法，將均值偏移嵌入到粒子濾波算法框架[2]，粒子聚類作用提高粒子集的效率。仿真實驗表明，提出的方法在相似顏色干擾、遮擋等環(huán)境下跟蹤目標魯棒性、實時性、準確性較強。

1 基于融合特征的Meanshift粒子濾波算法

1.1 均值偏移粒子濾波算法

本文提出的Meanshift粒子濾波算法中，算法框架如下。

1.1.1 粒子采樣

假設粒子的初始位置為x0，粒子的數(shù)目為N，運動目標每個可能的狀態(tài)由粒子表征。每個粒子的初始權值為1/N，N個粒子的權值之和為1。

初始目標運動模型第一幀圖像像素記作，n，m個特征值。初始運動目標模型表示為

（1）

1.1.2 狀態(tài)轉移

通常采用ARP公式：

（2）

（3）

1.1.3 粒子均值偏移收斂

粒子預測方程是：

設y1為起始點，核函數(shù)中心點：

（4）

1.1.4 權值更新

由于核函數(shù)窗口寬h的變化，從第二幀起的每一幀包含的像素用i=1，…， 表示，中心點在yj處的候選目標模型表示為：

（5）

其中，j=1，…，N

目標模型與候選模型的相似度由最優(yōu)相似性函數(shù)巴氏系數(shù) （Bhattachyarya系數(shù)）表示：

（6）

則巴氏距離（Bhattachyarya）為：

（7）

觀察值的概率密度函數(shù)[6]為

（8）

（9）

1.1.5 計算目標位置

目標最終位置由所有粒子的加權均值確定。

（10）

1.1.6 重采樣

重采樣是解決粒子濾波退化問題的主要方法。進行重采樣的標準是判斷有效粒子數(shù)的值與

Nth 的大小，若，采用替代法進行重采樣，使 。

算法增加了一個Meanshift迭代過程。由于Meanshift具有將粒子移動到概率密度局部最大處的收斂性，使粒子經過迭代后很好的接近目標實際位置，少量粒子數(shù)量同樣能達到常規(guī)粒子濾波算法估計粒子系統(tǒng)狀態(tài)的效果，降低計算量的同時，保證了實時性和準確性。

1.2特征描述

1.2.1 顏色特征

目標的顏色模型選擇HSV空間顏色直方圖，提取模型中的H分量。均值偏移跟蹤算法的核窗寬是固定值，對于形變物體無法自適應，因此，改進算法的關鍵是調整自動更新大小的跟蹤窗口。

本文提出改進的均值偏移跟蹤算法候選模型構造顏色分布直方圖如下：

（11）

1.2.2 LBP紋理特征

LBP算子的定義為：

（12）

其中，gc為位置（xc，yc）處的灰度值，gp為在點 （xc，yc）為圓心、R為半徑的圓周上P個點的灰度值，設T為閾值，使得當gp-gc≥T時，s（u）為1，否則為0。本文取T=4。

獲得目標圖像LBP編碼之后，得到用LBP紋理[3]特征來表示的目標模型為：

（13）

1.2.3 顏色和LBP紋理的特征融合

歸一化目標與模板之間相似度得到各個特征對應的權值，即

（14）

則總相似度[3]為：

（15）

且。

1.3算法流程

算法流程如下：

步驟1：粒子初始化，進行顏色粒子和LBP紋理粒子初始化，提取相應粒子特征，建立兩種子模型。

步驟2：目標狀態(tài)預測，使用動態(tài)模型公式（2）、（3）預測各種條件下當前幀的位置。

步驟3：Meanshift算法實現(xiàn)粒子收斂。

步驟4：粒子權值更新，利用式（9）更新兩種特征的粒子權值。

步驟5：跟蹤定位，利用公式（10）求得兩種特征加權平均值，目標最終位置由所有粒子的加權均值確定。

步驟6：特征融合，通過公式（14）、（15）加權求和獲得總相似度。

步驟7：目標遮擋處理，當<0.2時，判定目標丟失或被長時遮擋；當0.2≤<0.4時，目標被短時遮擋。

使用動態(tài)模型公式（2）、（3）產生的粒子集解決目標被短時間遮擋情況，通過更新目標的狀態(tài)實現(xiàn)跟蹤；使用搜索策略解決目標被長時間遮擋或者丟失的情況，實現(xiàn)目標找回。

步驟8：重采樣，當 時，對目標的粒子重采樣。

2 仿真實驗

硬件環(huán)境：Intel 酷睿i7 7700K，16GB DDR4內存的PC計算機。

軟件環(huán)境：Windows 7、Visual C++6.0和OpenCV 3.3。

實驗采用三段長為316幀、146幀和436幀，分辨率為800x480的人體運動測試視頻進行驗證。

實驗1：圖2和圖3顯示了基于均值偏移的粒子濾波跟蹤算法，在人體運動目標受到相似顏色干擾時，采用單一顏色特征、兩種特征相融合情況下的跟蹤結果比較。

試驗證明，在采用兩種融合特征進行跟蹤時，二者的互補作用明顯，無論在移動位置還是尺度變化上均取得了良好的效果。多特征融合的跟蹤算法能較準確地跟蹤目標，而單一顏色特征的跟蹤算法在受到相似顏色干擾時，跟蹤效果差，容易導致跟蹤失效。

3 結論

本文提出的算法優(yōu)點是具有較好魯棒性、實時性和準確性，缺點是算法只能進行簡單的人體行為識別檢測和跟蹤。為此，基于復雜環(huán)境下多運動目標的跟蹤以及嚴重遮擋問題成為下步研究的熱點。

基金項目：國家自然科學基金（The National Natural Science Foundation of China under Grant No.61071217）

參考文獻：

[1]龔翔.基于粒子濾波的視覺跟蹤算法研究[D].南京理工大學，2009.

[2]李冬.一種結合Mean-shift和粒子濾波的視頻跟蹤算法[J].寧波大學學報，2011，1（24）

[3]袁國武.一種結合了紋理和顏色的運動目標跟蹤算法[J].計算機應用與軟件，2011（11）：15

作者介紹：

姜瑩礁（1985-），男（蒙古族），內蒙古呼和浩特市土左旗人，碩士研究生，主要研究方向為行為識別，861632060@qq.com