基于局部特征匹配的目標跟蹤研究

肖秦琨，劉向軍

（西安工業(yè)大學 電子信息工程學院，陜西 西安 710032）

隨著計算機視覺技術(shù)、信號處理和多媒體等技術(shù)的發(fā)展，視頻監(jiān)控系統(tǒng)得到廣泛的應用。為了減少人力的參與和提高視頻監(jiān)控系統(tǒng)的智能化，研究目標跟蹤的有效方法是非常有必要的[1]。運動目標跟蹤利用目標點、線、區(qū)域塊等特征對目標進行特征匹配，從而實現(xiàn)跟蹤。比較典型的匹配算法有：Mean-shift算法、粒子濾波和模板匹配等。Mean-shift算法[2]采用顏色特征，計算量小、實時性好，缺點是灰度圖像或紋理信息較少，圖像的目標跟蹤不能取得很好的跟蹤結(jié)果，且目標存在遮擋和明顯尺度變化時容易丟失目標。粒子濾波算法[3]作為一種基于貝葉斯估計的非線性濾波算法，在處理非高斯非線性時變系統(tǒng)的參數(shù)估計和狀態(tài)濾波問題方面有獨到的優(yōu)勢，但是作為一種新型算法對通用問題缺乏借鑒意義，實時性差且粒子濾波的收斂性尚未解決。模板匹配算法[4]是通過計算像素點鄰域相似度來判斷匹配度，算法簡單，但該方法需遍歷整張圖片，計算量大，且目標形變、旋轉(zhuǎn)、遮擋時，跟蹤的魯棒性較差。基于以上問題，研究基于Shape Context的目標跟蹤算法具有良好的現(xiàn)實意義。

基于以上原因，文中提出了一種基于局部特征匹配的目標跟蹤方法，該方法利用Shape Context[5]對目標邊緣上點的相互位置關系進行匹配，對平移、旋轉(zhuǎn)、遮擋等情況具有良好的魯棒性。局部特征匹配的基本思想是：利用Shape Context提取目標的輪廓信息和特征，然后對兩個目標特征點進行相似度比較，通過判斷其相似度，利用預測投票的方法斷定其質(zhì)心位置進行匹配。

1 目標跟蹤算法

目標跟蹤常用的特征提取算法有：SUSAN算法、Harris算法等。然而這些算法在目標部分遮擋、形變等情況時，對目標提取的特征信息不準確，容易發(fā)生誤匹配或無法找到匹配目標。而基于Shape Context的特征提取，是一種對目標的邊界特征進行描述的方法，通過邊界的局部特征匹配可以很好的確定目標。

1.1 Shape Context特征提取

輪廓能最直接描述一個物體，因而輪廓線上的一定數(shù)量的離散點可以表示一個物體的形狀信息。Shape Context通過提取目標的輪廓邊界信息，計算其相似度來描述目標的特征。

一幅圖中，在邊緣檢測的基礎上，可以得到一組離散的邊界點點集，設點集為 Pi={p1，p2，…pn}，對任一個點 pi，其余n-1個點與i點構(gòu)成的向量組，能很好的反映該點在目標中的形狀信息。

為直觀反映Shape Context特征描述方法，我們引入一種類似雷達掃描系統(tǒng)的對數(shù)極坐標系，如圖1所示：

圖1 特征提取示意圖Fig.1 Schematic of the feature extraction based on shape context

整個空間被分成 12×5=60個bin，對給定點pi，以該點為中心所成的極坐標系中，落入每個bin中像素點個數(shù)來描述。依次計算得到n個形狀直方圖，對任一物體的輪廓可以用n×60大小的矩陣表示。

1.2 特征匹配和目標跟蹤

文中基于目標Shape Context特征信息，建立特征數(shù)據(jù)庫，以特征數(shù)據(jù)庫為中介，與被跟蹤目標特征信息進行匹配，投票找出被測目標的質(zhì)心和邊界信息，從而確定被跟蹤目標，如圖2所示。

圖2 文中目標跟蹤流程圖Fig.2 Flow chart of tracking

1）建立目標特征信息數(shù)據(jù)庫

以人為例，建立10～20個目標的image、mask（輪廓信息）信息，訓練得到目標的SC特征，生成codebook特征集D（D：包含 cek，k=1，...，n）。Codebook 中記錄邊緣點的 SC 特征，點與質(zhì)心的相對位置等信息。

2）特征匹配

對被測目標進行邊緣檢測（edge_detection），提取目標圖片幀的SC特征，與codebook中特征集進行比較。用Cost值評價兩個點的相似度[6]。令Cs為Shape Context的Cost值。Cs就是基于 χ2-test的直方圖距離統(tǒng)計值。g（k）和 h（k）分別表示待匹配的兩幅圖像對應點的直方圖值。計算方法如下：

Cs值越小，相似度越大。

3）投票預測目標的質(zhì)心

設被檢測點A的SC信息為{fi}，定義codebook中與fi匹配的cek的概率為P（cek|A），該點預測到的目標o的質(zhì)心c的概率P（o，c|cek，A）。由此可得到被檢測幀中目標的質(zhì)心為：

由P(o，c)得到投票圖，投票最大值即hypo_center。同時根據(jù)點對點的投票結(jié)果確定被檢測目標的邊界bbox_list。

與傳統(tǒng)的目標跟蹤算法不同，文中引入了Shape Context的統(tǒng)計直方圖值進行相似度度量，這就克服了傳統(tǒng)方法中目標旋轉(zhuǎn)、平移等情況下難以匹配的問題，同時，采用預測估計的方法判斷目標的位置，能夠取得良好的匹配效果。

2 實驗結(jié)果及分析

對于相似度度量，采用了COST值計算，我們選取前7副數(shù)據(jù)庫中的圖片與待檢測的目標幀（第21幀）進行演示，計算結(jié)果演示如表1所示。

表1 COST值計算相似度Tab.1 Computing the sim ilarity of COST

表1中，T為閾值，COST為基于χ2-test的直方圖距離統(tǒng)計值的平均值。通過實驗，發(fā)現(xiàn)當閾值設定為T=0.3時，匹配率接近100%，很多情況下可作為經(jīng)驗值使用。

針對文中提出的特征提取方法，采用MATLAB進行算法的實現(xiàn)。

如圖3所示，對于輸入的原圖像，首先我們進行邊緣檢測，對其進行SC_feature的提取，通過相似度量確定與codebook中的對應點。圖（c）為投票的圖，“+”位置代表投票的最大值。圖（d）為通過多次投票得到目標的位置信息，顯示出投票的結(jié)果。

圖3 目標跟蹤過程演示Fig.3 Object tracking experiment

圖4 跟蹤結(jié)果Fig.4 Tracking result

圖4為多次投票后得到的多幀圖像中的目標跟蹤結(jié)果，由圖4可見，文中提到的基于局部特征的目標跟蹤算法是有效的。

圖5 目標質(zhì)心位置跟蹤結(jié)果Fig.5 Trajectory of object center

為了直觀的顯示本文方法下目標跟蹤的效率，建立了一個目標運動質(zhì)心位置變化和投票預測得到的質(zhì)心位置的對比圖，如圖5所示，“.”表示采用文中提到的方法進行實驗得到的目標質(zhì)心位置，“-”表示目標本身質(zhì)心位置變化。從圖中可以看出，本方法得到的目標質(zhì)心位置和目標的運動軌跡基本相同，能夠?qū)崿F(xiàn)良好的跟蹤效果。

3 結(jié)束語

根據(jù)目標跟蹤中存在的諸多問題，文中詳細研究了基于Shape Context特征提取算法進行目標跟蹤，對目標旋轉(zhuǎn)、變形、局部遮擋等問題具有良好的魯棒性。文中的新穎之處在于：

1）與傳統(tǒng)的目標跟蹤算法不同，引入了Shape Context的統(tǒng)計直方圖值進行相似度度量機制，對目標旋轉(zhuǎn)、形變時具有良好的魯棒性。

2）在相似度度量基礎上，采用投票的方法對目標的位置進行預測估計，實驗證明，這種方法能做到很好的匹配效果。

[1]朱宏.基于視頻序列的運動目標檢測與跟蹤技術(shù)研究[D].成都:西南交通大學，2008.

[2]宋新，沈振康，王平，等.Mean Shift在目標跟蹤中的應用[J].系統(tǒng)工程與電子技術(shù)，2007，29（09）:405-409.SONG Xin， SHEN Zhen-kang， WANG Ping， et al.Application of mean Shift method in target tracking[J].Systems Engineering and Electronics， 2007，29（09）：405-409

[3]Johnson N，Hogg D C，et al.Learning the distribution of object trajectories for event recognition[J].Image and Vision Computing，1996，14（1）:609-615.

[4]Feng Z R,Lu N,Jiang P.Posterior probability measure for image matching[J].Pattern Recognition，2008，41（7）:2422-2433.

[5]Belongie S， Malik J， Puzicha J.Shape context：a new descriptor for shape matching and object recognition[J].Neural Information Processing Systems，2001，13（3）：831-837.

[6]Belongie S，Mori G，malik J.Matching with shape contexts[J].IEEE Workshop on Content-based access of Image and Video-Libraries，2000，11（3）:961-967.