基于點對矢量場的動態(tài)背景下運動目標跟蹤算法研究

彭 端

（西華大學計算機與軟件工程學院，成都 610039）

基于點對矢量場的動態(tài)背景下運動目標跟蹤算法研究

彭 端

（西華大學計算機與軟件工程學院，成都 610039）

動態(tài)背景下的運動目標跟蹤算法一直是計算機視覺領域的研究熱點。針對動態(tài)背景下的運動目標跟蹤，提出一種基于點對矢量場的運動目標跟蹤算法。首先，提取出運動目標身上的點對特征點。然后根據(jù)灰度、梯度方向差和點對距離的一致性對運動目標的特征點進行匹配，并根據(jù)匹配點對構建點對矢量場。最后，根據(jù)點對矢量場實現(xiàn)對運動目標的跟蹤。實驗結果表明，該算法對動態(tài)場景下的運動目標跟蹤具有一定的有效性。

目標跟蹤；點對；矢量場；動態(tài)背景

0 引言

運動目標跟蹤是計算機視覺領域的核心課題之一，被廣泛的應用于安全監(jiān)控、人機交互、智能交通、機器人視覺導航、醫(yī)療診斷、產(chǎn)品檢測等領域[1]。運動目標跟蹤，是指給定一段視頻序列，在該視頻序列的每幀圖像中實時地找到感興趣的運動目標，并評估其運動軌跡。傳統(tǒng)的目標跟蹤算法主要分為以下幾類：基于區(qū)域的跟蹤、基于活動輪廓的跟蹤、基于模型的跟蹤和基于特征的跟蹤[2]。其中，基于特征的跟蹤是以目標的某些不變特征來表示目標，具有較強的穩(wěn)定性，因此，在很多場景下都具有較好的跟蹤特性。在基于特征的跟蹤算法中，光流特征包含了運動目標的運動信息，因此在目標跟蹤中有著廣泛的應用，例如，陳婷婷[3]等人提出的一種基于Lucas-Kanade金字塔光流算法的運動人體特征點跟蹤方法，該方法對較大尺度運動的特征點跟蹤有很好的效果；張忠義[4]提出的一種結合LK光流和壓縮感知的跟蹤方法，該方法在解決目標在跟蹤過程中出現(xiàn)的外觀變化、環(huán)境中的遮擋以及光照變化等問題時仍有較好的性能。但是，由于光流法是對整個圖像中的像素點計算其光流，計算復雜、耗時大，不能滿足實時性的要求。角點，是一類重要的圖像點特征，其中包含了圖像的重要特征并具有旋轉不變性和不隨光照條件改變而改變的優(yōu)點。在一些應用中，使用角點特征進行處理，可以減少參與計算的數(shù)據(jù)量，提高信息含量，同時又不損失圖像的重要灰度信息。因此，角點在運動目標跟蹤中也有著廣泛的應用，例如，謝紅[5]等人提出了一種結合Harris角點和LK光流的運動目標檢測算法，具有較好的實時性。但是，由于Harris角點只是運動目標的典型位置上的特征點，因此存在檢測目標區(qū)域不完整的問題；吳垠[6]等人提出了一種基于尺度不變特征（SIFT）的跟蹤方法，該方法在旋轉、光照、縮放、小視角變化等方面有較好的魯棒性。但是，在動態(tài)場景下運動目標身上的SIFT特征點匹配很容易發(fā)生錯誤匹配的情況，影響目標跟蹤的準確性。

在借鑒光流特征和角點特征的基礎上，本文提出了一種基于點對矢量場的運動目標跟蹤算法。算法提取運動目標的點對特征點，根據(jù)灰度、梯度方向差和點對距離的一致性對運動目標的特征點進行匹配并構建匹配點對的矢量場，最后，根據(jù)點對矢量場實現(xiàn)對運動目標的跟蹤。

1 點對特征提取

角點是一類重要的圖像點特征，但目前關于角點

還沒有明確的數(shù)學定義，人們普遍認為角點是二維圖像亮度變換劇烈的點或圖像邊緣曲線上曲率的極大值點，這些點保留了圖像的重要特征。根據(jù)角點這一特性，本文構造了一種新的特征點，即點對。

1.1 基于sobel的梯度幅值和方向

Sobel算子（Sobel Operator）是一個離散性差分算子，通過計算圖像亮度函數(shù)的灰度之近似值來進行邊緣檢測。

首先利用Sobel算子求圖像梯度幅值，然后設置閾值T獲取強梯度帶，減少后續(xù)的運算開銷，一般情況下T為梯度幅值最大值的1/3。Sobel卷積因子包含兩組3×3的矩陣，分為x方向和y方向卷積因子，如圖1所示：

圖1 Sobel算子

在實際應用中，將兩個方向的Sobel算子分別與原始圖像（設為A）卷積，得到x和y方向的亮度差分近似值[7]，計算公式如下：

Gx代表x方向檢測的圖像灰度值，Gy代表y方向檢測的圖像灰度值，θ代表梯度方向，G為檢測圖像的Sobel梯度幅值。

1.2 獲取點對

遍歷梯度幅值圖像G，假設當前點為I（x，y），若在I的鄰域范圍內(nèi)（本文取的為5×5到11×11的環(huán)狀鄰域）存在以I為對稱中心的兩點I1（x1，y1）和I2（x2，y2），并且I1、I2都是位于強梯度帶上的點。然后判斷I1和I2的內(nèi)側灰度值是否與I的灰度值一致即灰度差小于閾值（此處閾值為[-5，5]），并且I1、I2的梯度方向差滿足閾值條件（本文的梯度方向差閾值范圍是40°到140°），則I1、I2構成I的點對，如圖2所示：

圖2 點對示意圖

獲取了I的點對I1、I2后，利用I1與I2的梯度方向差（argdiff）、I1與I2的連線距離（length）、I當前位置的灰度值（gray）構成I的點對特征，記為Scorners1（argdiff，length，gray），然后繼續(xù)在I的鄰域內(nèi)搜尋符合條件的其他點對，最終構成I的點對特征向量，記為Cfeaturei（Scorners1，Scorners2，…，Scornersj）（j=1，2，…，Ni，Ni為I的點對數(shù)）。

圖3 第1幀圖像的點對特征點

2 矢量場的建立

2.1 點對特征點的匹配

相鄰兩幀之間，目標的運動是具有連續(xù)性的，在獲取了目標區(qū)域的點對特征點后，通過遍歷點對特征點，并在下一幀的鄰域內(nèi)搜索尋找滿足灰度、梯度方向差和點對距離的一致性的匹配點，從而實現(xiàn)點對特征點的匹配，具體算法實現(xiàn)如下：

（1）遍歷目標區(qū)域點對特征點，若當前點對特征點為Inow（xnow，ynow）。

（2）遍歷Inow的點對特征向量CfeatureInow。

（3）以Inow為中心確定其在下一幀的搜索范圍（本文的搜索鄰域大小為15×15）。

（4）若在搜索范圍內(nèi)找到點對特征點Inext（xnext，ynext），遍歷其點對特征向量Cfeatureinext，比較Inow當前點對特征

與Inext的當前點對特征是否滿足灰度、梯度方向差和點對距離的一致性的，若滿足，則記錄下Inext的坐標為Inow的當前點對特征的匹配點，并且統(tǒng)計該坐標的匹配次數(shù)。

（5）遍歷完Inext的點對特征向量后，重復步驟（4）尋找其他的點對特征點，直到鄰域搜尋結束。

（6）繼續(xù)遍歷Inow剩余的點對特征，重復步驟（3）（4）（5），直到Inow的點對特征向量遍歷結束。

（7）Inow的點對特征向量遍歷結束后，繼續(xù)遍歷剩余的目標區(qū)域點對特征點，重復步驟（2）-（6），直到點對特征點遍歷結束。

至此，實現(xiàn)了目標區(qū)域的點對特征點的匹配，最終的匹配結果包含了特征點的每個特征分量的一系列匹配點，以及每個匹配點的匹配次數(shù)。

2.2 構建點對矢量場

在假設當前幀中有一點p1（x1，y1），它在下一幀的匹配點為p2（x2，y2），則p1的運動矢量定義為：

其中dx為p1在x方向的運動矢量，dy為p1在y方向上的運動矢量，dx和dy構成了p1的運動矢量MV（dx，dy）。

由前面的點對特征點匹配，得到了特征點的每個特征分量的一系列匹配點，以及每個匹配點的匹配次數(shù)，則可以根據(jù)匹配點對計算出特征點的運動矢量。首先，計算特征點的每個特征分量的運動矢量，具體算法如下：

（1）若當前特征點的坐標為pnow（xnow，ynow），計算出pnow與當前特征分量的匹配點的運動矢量，根據(jù)式（5）和式（6）。

（2）根據(jù)pnow與當前特征分量的匹配點的運動矢量，以各匹配點的匹配次數(shù)為權重，算出各匹配點運動矢量的平均值作為當前特征分量的運動矢量，各匹配點的匹配次數(shù)之和作為當前特征分量的匹配次數(shù)。

（3）特征點在經(jīng)過步驟（1）（2）的處理后，得到每個特征點的各特征分量的運動矢量以及匹配次數(shù)，然后，以各特征分量的匹配次數(shù)為權重，算出各特征分量的運動矢量的平均值作為當前特征點的運動矢量。

（4）最終得到全部特征點的運動矢量。

得到特征點的運動矢量后，所以特征點的運動矢量構成了矢量場，如圖4所示。根據(jù)目標區(qū)域特征點的矢量場就可以確定目標在下一幀中的位置，從而實現(xiàn)對目標的跟蹤。

圖4 第1幀圖像的矢量場

3 實驗結果

本文使用Visual C++編寫程序，測試環(huán)境為3.20GHz CPU計算機，Windows7操作系統(tǒng)，Visual Studio2012編譯環(huán)境。為驗證本文算法的有效性，本文以SegTrackv2數(shù)據(jù)庫下的soldier數(shù)據(jù)進行實驗，視頻圖像大小為528×224，并與LK光流法做了對比，實驗結果如圖5-圖7所示。

實驗表明，本文算法在解決動態(tài)背景下的運動目標跟蹤方面具有一定的有效性。

4 結語

本文給出了一種基于點對矢量場的運動目標跟蹤算法并利用Visual C++語言編程實現(xiàn)了該算法在真實場景下的跟蹤效果，對于解決動態(tài)背景下的運動目標跟蹤具有一定的實際意義。

從左到右依次為第4幀、第11幀、第23幀、第35幀圖5部分視頻原始圖像序列

圖6 LK光流跟蹤結果

圖7 本文算法跟蹤結果

[1]賈艷麗.基于視頻圖像序列的運動目標檢測與跟蹤[D].哈爾濱:哈爾濱工程大學，2012：1-3.

[2]凌超，吳薇.視頻圖像中運動目標跟蹤算法研究綜述[J].Science&Technology Information，2012（16）：6-7.

[3]陳婷婷，阮秋琦.較大尺度運動下的人體特征點跟蹤算法研究[J].Journal of Signal Processing，2014，30（7）：797-803.

[4]張忠義.基于改進LK光流的目標跟蹤算法研究[J].Information Technology，2015（10）：127-130.

[5]謝紅，原博，解武.LK光流法和三幀差分法的運動目標檢測算法[J].Applied Science and Technology，2016，43（3）：23-33.

[6]吳垠，李良福，肖樟樹，劉侍剛.基于尺度不變特征的光流法目標跟蹤技術研究[J].Computer Engineering and Applications，2013，49（15）:157-161.

[7]Rafael C.Gonzalez.數(shù)字圖像處理（第三版）[M].北京:電子工業(yè)出版社，2011：101-103.

The Moving Target Tracking Algorithm in Dynamic Background Based on the Vector Field of Point Pair

PENG Duan

（School of Computer and Software Engineering，Xihua University，Chengdu 610039）

Moving object tracking algorithm based on dynamic background has been a hot research topic in the field of computer vision.For moving object tracking in dynamic background,presents a new algorithm of moving object tracking based on the vector field of point pair.Firstly, extracts the point pair of the moving objects.Then,matches the feature points of moving objects according to the consistency of gray scale,gradient direction difference and distance of the point pair.And the vector field is constructed according to the matching points.Finally,tracking of moving objects based on the vector field of point pair.Experimental results show that the proposed algorithm is effective for the moving target tracking in dynamic scenes.

Target Tracking;Point Pair;Vector Field;Dynamic Background

1007-1423（2016）30-0011-04

10.3969/j.issn.1007-1423.2016.30.003

彭端（1990-），男，四川瀘州人，碩士研究生，研究方向為數(shù)字圖像與模式識別

2016-08-18

2016-10-16