岳昊恩 袁亮 呂凱

摘 ?要： 針對(duì)目標(biāo)嚴(yán)重遮擋后，運(yùn)動(dòng)狀態(tài)發(fā)生改變時(shí)，傳統(tǒng)的基于運(yùn)動(dòng)預(yù)測(cè)的算法無法有效跟蹤的問題，提出一種基于幀差法的改進(jìn)算法。引入巴氏系數(shù)（Bhattacharyya）作為目標(biāo)是否發(fā)生遮擋的判據(jù);當(dāng)發(fā)生遮擋時(shí)，幀差法檢測(cè)目標(biāo)，再次檢測(cè)到目標(biāo)時(shí)將此位置作為Mean Shift迭代的起始位置;最后正常跟蹤時(shí)采用卡爾曼濾波預(yù)測(cè)目標(biāo)位置，減少迭代次數(shù)。實(shí)驗(yàn)結(jié)果表明，當(dāng)目標(biāo)在嚴(yán)重遮擋后，運(yùn)動(dòng)狀態(tài)改變時(shí)，基于運(yùn)動(dòng)預(yù)測(cè)的算法將無法跟蹤目標(biāo)，改進(jìn)算法能夠重新跟蹤目標(biāo)。

關(guān)鍵詞： 目標(biāo)檢測(cè); 跟蹤算法; 卡爾曼濾波; ?Mean Shift; 幀差法; 嚴(yán)重遮擋

中圖分類號(hào)： TN391?34 ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼： A ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文章編號(hào)： 1004?373X（2019）12?0180?03

Abstract： Since the traditional motion prediction based algorithm cannot conduct effective tracking when the moving state of the target changes after severe occlusion， an improved algorithm based on the frame difference method is proposed. Bhattacharyya is introduced as the judgment criterion of whether the target is occluded or not. The frame difference method is used to detect the target when occlusion occurs. The position where the target is again detected is taken as the starting position of the Mean Shift iteration. The Kalman filtering is used to predict the target position during normal tracking， so as to reduce iteration times. The experimental results show that the improved algorithm can track the target again while the motion prediction based algorithm cannot track the target when the moving state of the target changes after severe occlusion.

Keywords： target detection; tracking algorithm; Kalman filtering; Mean Shift; frame difference method; severe occlusion

0 ?引 ?言

計(jì)算機(jī)視覺技術(shù)在交通監(jiān)控[1]、人機(jī)交互[2]和無人機(jī)飛控[3]等領(lǐng)域得到廣泛的應(yīng)用。運(yùn)動(dòng)目標(biāo)跟蹤技術(shù)[4]是計(jì)算機(jī)視覺的一個(gè)重要分支，具有重要研究意義。均值偏移（Mean Shift）算法由于其計(jì)算量小、顏色特征不易受外形變化干擾，得到了廣泛的應(yīng)用，但當(dāng)運(yùn)動(dòng)目標(biāo)發(fā)生嚴(yán)重遮擋時(shí)，均值偏移算法將無法跟蹤目標(biāo)。針對(duì)遮擋問題很多學(xué)者對(duì)算法進(jìn)行了改進(jìn)：文獻(xiàn)[5]提出使用卡爾曼濾波改進(jìn)均值偏移算法，使算法能夠應(yīng)對(duì)短時(shí)遮擋;文獻(xiàn)[6]提出分塊改進(jìn)算法，每次選擇置信度最高的子塊作為跟蹤結(jié)果，但發(fā)生完全遮擋時(shí)，沒有最優(yōu)的子塊;文獻(xiàn)[7]提出在傳統(tǒng)的卡爾曼和均值偏移算法框架下，加入線性預(yù)測(cè)的方法來應(yīng)對(duì)嚴(yán)重遮擋問題，當(dāng)發(fā)生嚴(yán)重遮擋時(shí)采用線性預(yù)測(cè)作為均值偏移算法迭代起始點(diǎn)，但當(dāng)目標(biāo)在嚴(yán)重遮擋后運(yùn)動(dòng)狀態(tài)發(fā)生改變，基于運(yùn)動(dòng)預(yù)測(cè)的方法無法獲得目標(biāo)準(zhǔn)確位置，將無法跟蹤到目標(biāo)。

針對(duì)這些問題提出使用光流法改進(jìn)的均值偏移算法，考慮目標(biāo)在完全遮擋后運(yùn)動(dòng)狀態(tài)可能發(fā)生改變，此時(shí)使用幀差法檢測(cè)運(yùn)動(dòng)目標(biāo)，當(dāng)檢測(cè)到運(yùn)動(dòng)目標(biāo)時(shí)，將該位置作為均值偏移算法迭代起始點(diǎn)。

1 ?基于運(yùn)動(dòng)預(yù)測(cè)的抗遮擋算法

1.1 ?卡爾曼濾波算法

卡爾曼濾波算法[8]用于估計(jì)目標(biāo)的位置，可以減少M(fèi)ean Shift算法迭代次數(shù)。假設(shè)系統(tǒng)噪聲和觀測(cè)噪聲均為白噪聲，對(duì)運(yùn)動(dòng)目標(biāo)構(gòu)建系統(tǒng)模型如下：

1.2 ?均值偏移算法

均值偏移算法[9]是一種無參密度梯度估計(jì)算法，給定初始點(diǎn)[x]和核函數(shù)[K（xi-x）]，那么用核函數(shù)定義的窗口內(nèi)的密度函數(shù)的加權(quán)均值為：

式中：[N（x）]為x領(lǐng)域內(nèi)的一系列點(diǎn);[K（xi）≠0]。[m（x）-x]為均值偏移量向量，而Mean Shift算法為要用新的位置替代原來的位置（[x←m（x）]），一直迭代到[m（x）]收斂為止，此時(shí)會(huì)得到局部最大值。

1.3 ?加入線性預(yù)測(cè)的融合算法

如文獻(xiàn)[7]中算法所述，引入Bhattacharyya作為遮擋判斷系數(shù)，當(dāng)系數(shù)小于一定閾值時(shí)認(rèn)為發(fā)生遮擋，此時(shí)開始使用線性預(yù)測(cè)的位置作為下一幀的均值偏移算法起始位置，正常跟蹤時(shí)，采用卡爾曼濾波算法結(jié)果作為下一幀均值偏移算法真實(shí)位置。但當(dāng)目標(biāo)運(yùn)動(dòng)速度發(fā)生變化時(shí)，線性預(yù)測(cè)將無法真實(shí)反映目標(biāo)位置。

2 ?基于幀差法的抗遮擋算法

幀差法[10]是一種較為常用的背景固定情況下的運(yùn)動(dòng)目標(biāo)檢測(cè)算法，發(fā)生遮擋后，調(diào)用幀差法，獲得兩幀相減結(jié)果，之后采用形態(tài)學(xué)方法處理，去除噪點(diǎn)，獲取最大腐蝕區(qū)域，將該區(qū)域作為目標(biāo)檢測(cè)結(jié)果。檢測(cè)及形態(tài)學(xué)處理結(jié)果如圖1所示。

圖1 ?幀差法成功檢測(cè)到出現(xiàn)目標(biāo)

改進(jìn)算法流程圖如圖2所示。根據(jù)相似度閾值判斷目標(biāo)是否發(fā)生遮擋，當(dāng)發(fā)生遮擋時(shí)，執(zhí)行幀差法進(jìn)行運(yùn)動(dòng)目標(biāo)的監(jiān)測(cè)，如果沒有檢測(cè)到目標(biāo)，則導(dǎo)入下一幀圖像繼續(xù)進(jìn)行檢測(cè)，直到目標(biāo)重新出現(xiàn);低于閾值時(shí)正常跟蹤，采用卡爾曼濾波算法對(duì)下一幀的目標(biāo)位置進(jìn)行預(yù)測(cè)，減少均值偏移算法迭代次數(shù)。

圖2 ?基于幀差法的抗遮擋跟蹤算法

3 ?實(shí)驗(yàn)結(jié)果與分析

本文使用室內(nèi)行人行走視頻進(jìn)行跟蹤實(shí)驗(yàn)（CPU：i5，4核2.60 GHz，4 GB，運(yùn)行環(huán)境WIN7，Matlab 2017a），分別拍攝一段正常行走的視頻序列和一段遮擋后減速的視頻序列進(jìn)行實(shí)驗(yàn)。

在遮擋時(shí)勻速行走，文獻(xiàn)[7]算法和本文算法對(duì)照效果如圖3、圖4所示。易知，兩種算法均能夠正常跟蹤，其中本文算法在第62幀目標(biāo)重新出現(xiàn)后，能重新定位目標(biāo)并跟蹤。

圖3 ?遮擋下勻速行走時(shí)文獻(xiàn)[7]算法跟蹤結(jié)果

圖4 ?遮擋下勻速行走時(shí)本文算法跟蹤結(jié)果

在發(fā)生遮擋時(shí)減速行走，文獻(xiàn)[7]算法和本文算法對(duì)照效果如圖5、圖6所示。文獻(xiàn)[7]算法由于始終采用線性預(yù)測(cè)結(jié)果作為均值偏移算法迭代起始點(diǎn)，當(dāng)目標(biāo)再次出現(xiàn)后，由于無法跟蹤到目標(biāo)，巴氏系數(shù)始終很低，將會(huì)一直采用線性預(yù)測(cè)結(jié)果作為最終跟蹤結(jié)果，導(dǎo)致跟蹤失敗。而本文改進(jìn)算法能夠在目標(biāo)再次出現(xiàn)后迅速定位到目標(biāo)實(shí)現(xiàn)跟蹤。

4 ?結(jié) ?論

針對(duì)在嚴(yán)重遮擋過程中目標(biāo)運(yùn)動(dòng)狀態(tài)發(fā)生改變時(shí)，基于運(yùn)動(dòng)預(yù)測(cè)的方法將無法有效地跟蹤目標(biāo)，提出結(jié)合幀差法的改進(jìn)Mean Shift算法。引入巴氏系數(shù)作為遮擋判斷，當(dāng)遮擋發(fā)生后，采用幀差法進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)，當(dāng)目標(biāo)在遮擋發(fā)生時(shí)改變運(yùn)動(dòng)狀態(tài)，目標(biāo)復(fù)出后本文算法能夠重新定位目標(biāo)，克服了運(yùn)動(dòng)狀態(tài)改變后基于運(yùn)動(dòng)預(yù)測(cè)的算法在目標(biāo)復(fù)出后無法跟蹤目標(biāo)的問題。

圖5 ?遮擋減速行走時(shí)文獻(xiàn)[7]算法跟蹤結(jié)果

圖6 ?遮擋減速行走時(shí)本文算法跟蹤結(jié)果

參考文獻(xiàn)

[1] 譚呈祥.基于計(jì)算機(jī)視覺的實(shí)時(shí)車輛運(yùn)動(dòng)速度檢測(cè)算法研究[J].現(xiàn)代電子技術(shù)，2016，39（9）：164?166.

TAN Chengxiang. Study on real?time vehicle motion?speed detection algorithm based on computer vision [J]. Modern electronics technique， 2016， 39（9）： 164?166.

[2] 沈潔.基于手勢(shì)識(shí)別技術(shù)的交互式虛擬攝影系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J].現(xiàn)代電子技術(shù)，2018，41（5）：93?96.

SHEN Jie. Design and implementation of interactive virtual photography system based on gesture recognition technology [J]. Modern electronics technique， 2018， 41（5）： 93?96.

[3] 姚西，亢巖.圖像透視特征提取方法及其在無人機(jī)視覺導(dǎo)航中的應(yīng)用[J].現(xiàn)代電子技術(shù)，2014，37（2）：16?20.

YAO Xi， KANG Yan. Methods of image perspective feature extraction and its application in UAV visual navigation [J]. Modern electronics technique， 2014， 37（2）： 16?20.