基于SIFT特征的目標跟蹤算法魯棒性研究

劉宏申 張傳文

安徽工業(yè)大學計算機學院 安徽 243032

0 引言

本文提出了基于改進的 SIFT特征的多目標穩(wěn)定跟蹤算法。SIFT算法的特征點描述子的生成占去了算法處理的大部分時間，不能很好的滿足實時性。實驗證明，該算法對多目標跟蹤能夠保持穩(wěn)定性，使誤差減少，解決了非剛性目標跟蹤時的問題，提高了容錯性、魯棒性。

1 運動目標檢測

本文提出了一種利用幀間差分信息提取背景的方法，算法的思想如下：用近期的非運動像素作為背景，對運動區(qū)域的像素使用前一時刻的背景像素的值代替，當背景構(gòu)建完成(用30幀來建立背景圖像)，用背景減除法分來割出運動前景圖。

設(shè)I(x,y,t)為第t幀(x,y)處的像素值，D(x,y,t)為差分圖像，B(x,y,t)即為要構(gòu)成的背景圖像，則差分圖像可以表示為：

由于噪聲的影響，對檢測得到差分圖像先進行膨脹，再進行二值化處理，從而得到二值化圖像：

其中 T1為二值化閥值。經(jīng)過處理，在二值化圖像中運動區(qū)域為 1，非運動區(qū)域為 0。對二值化后的前景圖像進行檢測，對較大的二值化團塊做最小外接矩陣運算。并將運動變化的區(qū)域標定出來，并將矩陣區(qū)域內(nèi)所有像素都置 1，處理后的二值圖像結(jié)合當前幀圖像對背景進行更新，更新模型表示為：

a為遺忘因子；對a調(diào)節(jié)來控制圖像非運動區(qū)域跟新的快慢。當a接近1時，對光線的敏感度影響較小，更新的非運動區(qū)域與上一時刻幀的相關(guān)性較大，背景能夠很快適應光線的變化，可以消除受到光線變化的影響，彌補了背景減除法的不足。其步驟如圖1所示。

圖1 背景減除法流程

2 運動目標跟蹤

目標跟蹤簡單來說就是確定目標是不是在當前幀相應的位置出現(xiàn)。比較典型的特征提取算法有 Harris算法、SUSAN算法等，但這些算法對于物體的形變往往無能為力，而 SIFT算法對圖像的縮放、旋轉(zhuǎn)等形變都具有很好的適用性，但是 SIFT算法的特征點描述子生成占去算法的大量時間，影響了實時性，本文運用的改進的 SIFT算法就是針對與特征點描述子進行改進，從而減少了算法的時間，增強了實時性。

2.1 SIFT的特征提取理論

SIFT特征算法由Lowe提出，SIFT特征點對于圖像的尺度和旋轉(zhuǎn)保持不變性，對光照的變化也能保持一定的穩(wěn)定性。高斯卷積核實現(xiàn)尺度變換的惟一線形核，二維圖像的尺度空間定義為：

其中，(x,y)是空間坐標；σ代表尺度坐標，圖像被平滑的少，相應的坐標也就小。對于高斯卷積核，大尺度對應概貌特征，小尺度對應細節(jié)特征。

為了有效的檢測到穩(wěn)定的關(guān)鍵特征點，提出了 DOG(Difference-of-Gaussian)。DOG算子定義為兩個不同尺度的高斯核差分，如下表示：

新的道德公共物品，需要由道德文化構(gòu)建的新鄉(xiāng)情進行制度改造。它是一種特殊層次的情感，是維系社會組織中人際關(guān)系的橋梁。缺少情感的維系，人只是社會組織中孤立的個體，不會存在什么信任、友愛、幫助，也就不會有道德世界中的善。新鄉(xiāng)情的培育可以使道德認知直接外化為道德行為，從而真正做到知行合一。道德情感被喚醒，并被進一步發(fā)展成為道德執(zhí)著，道德其實就是人們內(nèi)心自愿遵循的秩序。當這種秩序進行了自我更新，不僅可以消解道德焦慮產(chǎn)生的精神困擾，甚至有可能將這種消極的道德焦慮轉(zhuǎn)化為積極的道德情感，從而使道德情感在維系道德秩序和倫理功能方面發(fā)揮著更為重要的作用。

二維高斯函數(shù)為

式中σ是高斯正態(tài)分布的均方差，即為空間尺度因子。

將檢測得到的運動目標圖像進行 SIFT特征提取，按標號來存儲目標快生成的特征向量。為了增強匹配的穩(wěn)定性，對每個關(guān)鍵點使用4×4共16種子點來描述，從而對每一個關(guān)鍵點形成128維的SIFT特征向量。

2.2 改進的SIFT算法

首先，在 SIFT 算法中運用了高斯模糊的方法，高斯模糊生成的曲面等高線是從關(guān)鍵點開始的成高斯分布的同心圓。所以距離關(guān)鍵點比較近的點對關(guān)鍵描述子的生成影響比較大，將原來的矩形區(qū)域劃分以關(guān)鍵點為圓心的同心圓區(qū)域代替，即可省去高斯的模糊步驟。

其次，SIFT算法在生成描述子前需要旋轉(zhuǎn)鄰域，使關(guān)鍵點的方向為0

0，這樣才能保證旋轉(zhuǎn)的不變性。而圓形具有很好的旋轉(zhuǎn)不變性，所以改進的 SIFT算法可以省去鄰域角度歸0的步驟。新的描述子構(gòu)造方法如下：

(1) 將半徑為8的圓心鄰域分為4個同心圓，如圖2。

(3) 對象量進行排序，保證旋轉(zhuǎn)不變性。

(4) 進行歸一化處理，以減少光照的影響。設(shè)'D是特征點描述子，則D'=(d1',d2',...,d40')，歸一化的公示為：

圖2 改進算子鄰域的劃分

2.3 基于累計特征的跟蹤算法

本文用利用幀間差分信息提取背景，對非運動區(qū)域進行更新，對運動目標移動遺留下來的區(qū)域用前一幀的像素值進行更新。根據(jù)幀間差分法的特性，背景能夠很快適應光線的變化。當最小外界矩陣運算完畢后對背景進行更新。實驗表明該方法降低了計算的復雜度，同時也具有較好的魯棒性。

圖3 改進算子鄰域的劃分

在跟蹤過程中本實驗是利用改進的 SIFT算法進行特征的提取，其同心圓的維度選為12，利用留存優(yōu)先級對目標進行判別跟蹤。其過程可以分為兩個部分：目標的匹配和目標庫的更新。其中匹配過程又分為點到點的特征向量匹配和根據(jù)點到點的匹配進行的目標物體的匹配。更新過程是對目標庫里的特征根據(jù)留存優(yōu)先級決定其淘汰還是保留。

3 實驗結(jié)果及分析

(1) 用本文的算法對視頻進行人體的跟蹤，實驗證明該算法對人體的旋轉(zhuǎn)變化時有良好的跟蹤效果。由于本文引入留存優(yōu)先級使得就算是在人的下蹲情況下和人被短暫的遮擋情況下都具有良好的效果。實驗對非剛性目標采用 1800轉(zhuǎn)體(如圖 4所示)，在轉(zhuǎn)體過程中，算法不斷對歷史特性進行更新，實驗結(jié)果表明算法對形變具有較高的魯棒性。

圖4 算法在目標形變的條件下的跟蹤效果圖

(2) 算法對多目標關(guān)聯(lián)的魯棒性

圖5中，圖(a)為跟蹤結(jié)果，圖(b)為原始幀，圖(c)為背景。對一段視頻進行本文跟蹤算法處理，得到表1結(jié)果。

圖5 本文算法對多個目標的跟蹤效果

表1 算法在不同場景下目標跟蹤的匹配結(jié)果

由表1可知，算法對多目標匹配關(guān)聯(lián)穩(wěn)定，當maxR(留存優(yōu)先級)值為3時，對剛性目標識別的精度在95%以上，由于非剛性形變在移動過程中特征發(fā)生改變，要穩(wěn)定跟蹤目標，需要保留的幀信息較多，本文設(shè)為6時跟蹤的精度才達到94%。

4 結(jié)束語

針對視頻序列中跟蹤的難點，本文用改進的 SIFT算法進行目標跟蹤。改進的 SIFT主要是改進特征描述子，提了SIFT的算法實時性。并且結(jié)合幀間差分法是想了目標跟蹤系統(tǒng)，系統(tǒng)中還運動了目標可的留存優(yōu)先級法。對目標的遮擋，形變都具有很好的效果。實驗得出此方法提高了系統(tǒng)的運行速度，提高了系統(tǒng)的實時性及魯棒性。

[1]馬頌德,張正友.計算機視覺---計算機理論與算法基礎(chǔ)[M].北京:科學出版社.1997.

[2]朱勝利.Mean Shift及相關(guān)算法在視頻跟蹤中的研究[D].杭州:浙江大學.2006.

[3]秦先祥,陳華.運動目標識別與跟蹤的模板匹配算法改進及仿真研究[J].廣西科學院學報.2008.