基于ＱＰ＿ＴＲ信任域方法的低信噪比序列圖像目標跟蹤

摘要:運動平臺上低信噪比序列圖像中的目標跟蹤面臨著兩大困難:平臺運動導致圖像存在全局平移，使得目標在相鄰幀間脫離跟蹤算法搜索窗;圖像中的干擾使得跟蹤窗口經常跳動而導致跟蹤失敗#65377;鑒于QP_TR信任域算法的優良性能，針對上述兩個問題提出了一種新的基于QP_TR信任域和Kalman濾波的跟蹤算法#65377;該算法利用QP_TR進行圖像穩定和模板匹配，通過Kalman濾波器狀態估計濾除干擾#65377;與三步搜索方法相比，加大了搜索窗大小的同時減少了模板匹配的次數，提高了性能#65377;在真實圖像序列上進行的實驗表明，該算法能有效地穩定運動圖像，實現運動平臺上低信噪比序列圖像中目標的穩定跟蹤#65377;

關鍵詞:QP_TR信任域算法; 序列圖像中的目標跟蹤; 運動狀態估計

中圖分類號:TP391.41文獻標志碼:A

文章編號:1001-3695(2007)10-0190-03

0引言

序列圖像中的目標跟蹤算法是視頻監視#65380;智能用戶接口#65380;基于對象的視頻壓縮#65380;巡航導彈末端制導和輔助駕駛等許多計算機視覺應用中的關鍵技術#65377;目標跟蹤本質上是一個選取合適的目標特征，并在隨后各幀中尋找與該特征最匹配的區域的過程#65377;首先，根據特征定義一個目標函數，該函數通過以描述區域的參數為自變量來反映各區域和目標的匹配程度;然后，通過適當的優化算法求解這個目標函數的最優值;最后得到最匹配的區域，使跟蹤問題得到解決#65377;

在運動平臺上低信噪比序列圖像中，目標的運動跟蹤通常都十分困難，這是因為圖像中不僅有很強的干擾，而且存在攝像機全局的運動#65377;干擾使得目標方框跳動，全局運動使得目標落在搜索范圍之外#65377;已有的圖像穩定方法[1]在存在很強干擾的情況下效果不佳#65377;

與當前流行的基于線性搜索的mean shift方法[2]相比，信任域算法是一種性能更優良的優化算法#65377;而QP_TR算法在經典的信任域算法基礎上又進一步改良了獲得目標函數的海森矩陣和梯度的方式，因此具有更高的精度和更好的迭代性能[3]#65377;基于QP_TR信任域和Kalman濾波，本文提出了一種新的跟蹤算法，有效地解決了運動平臺上低信噪比序列圖像中的目標跟蹤問題#65377;

1QP_TR信任域算法

循環優化算法大致可劃分為兩類，即線性搜索和信任域[4]#65377;在線性搜索方法中，每次循環都沿著梯度下降最快的方向進行;而信任域方法每次循環是在一個有界區域內搜索一個最優值(在這個有界區域內求最優值的過程稱為信任域的子問題)#65377;因此，線性搜索可以看成是信任域方法的一個特例#65377;

1.1經典信任域算法

2基于QP_TR的圖像穩定

當攝像機平臺存在明顯牽連運動時，連續兩幀圖像之間將有很大的全局平移，通常會導致目標真實位置位于跟蹤算法搜索窗范圍之外，使得跟蹤失敗#65377;圖像穩定的任務就是盡可能減少這種牽連運動的影響，保證在圖像有很大平移的情況下跟蹤算法仍能搜索到目標#65377;現有成熟的穩定算法或要求在相鄰幀之間穩定檢測并跟蹤一組特征點[1]，或者須先對圖像進行傅里葉變換進行粗穩定，再逐點做差進行精穩定[5]#65377;前者在成像質量較好的序列中行之有效，但在干擾很強#65380;信噪比低的圖像中穩定檢測并跟蹤一組特征點就非常困難;后者則因計算量太大而無法實時運用#65377;

由于攝像機的運動，在t時刻拍攝到的圖像為It(x，y)，在t+1時刻為It+1(u，v)#65377;攝像機所引入的運動可以由變換Γ表示，即(u，v)=Γ(x，y)#65377;Γ把t時刻的坐標(x，y)映射為t+1時刻的坐標(u，v)，它代表著攝像機的全局運動，稱為運動模型#65377;本文采用平移模型:

圖4是在“卡車2”序列上應用完整算法跟蹤的結果#65377;由先驗知識可知，在此觀察距離上，卡車相鄰兩幀間獨立運動的位移不會超過10個像素，實驗中取D=10#65377;在第236幀時，攝像機突然左轉，引起圖像整體右移#65377;圖像穩定精確檢測到這一運動，自動將目標方框位置修正(圖4(c)中右邊實線方框)，仍位于目標之上，左邊虛線方框為Kalman濾波器預測的位置，經過數幀狀態更新后，其反映了目標的真實位置#65377;由于利用了Kalman濾波器的狀態估計指導跟蹤，當卡車被部分遮擋時，目標方框沒有發生跳動#65377;

7結束語

本文使用QP_TR方法對圖像進行穩定，在穩定后的圖像中再次利用QP_TR方法進行模板匹配來實現目標跟蹤#65377;圖像中的干擾通過Kalman濾波器狀態估計和先驗知識加以濾除#65377;在Intel P4 1.7 GHz，Red Hat Linux FC3的環境中，處理速度為10 fps#65377;

參考文獻:

[1]MORIMOTO C， CHELLAPPA R. Automatic digital image stabilization[C]//Proc of the IEEE International Conference on Pattern Recognition. Vienna: Technical University of Vienna， 1996.

[2]COMANICIU D， RAMESH V， MEER P. Realtime tracking of nonrigid objects using mean shift[C]//Proc of the IEEE Conference on Computer Vision and Pattern Recognition. South Carolina: Hilton Head Island， 2000:142149.

[3]BERGHEN F V. Intermediate report on the development of an optimization code for smooth， continuous objective functions when derivatives are not available[EB/OL].(2003-08-09).http://www.optimizationonline.org/DB_HTML/2003/08/704.html.

[4]LIU T L， CHEN H T. Realtime tracking using trustregion methods[J]. IEEE PAMI， 2004，2(3):397-402.

[5]GUESTRIN C， COZMAN F， KROTKOV E. Image stabilization for feature tracking and genetation of stable video overlays， report CMURITR9742[R]. Pittsburgh: Carnegie Mellon University， 1997.[6]任金昌，張文哲，趙榮椿，等.一種基于自適應閾值的復雜背景下自動目標跟蹤方法[J].計算機應用研究，2003，20(4):55-57.

“本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文”