非高斯噪聲背景下計算機視覺目標跟蹤方法

王秉， 王子衡

(1. 河南交通職業技術學院 航運海事系， 河南 鄭州 450000;2. 達姆施塔特工業大學 電子信息工程系， 德國 達姆施塔特 64289)

?

非高斯噪聲背景下計算機視覺目標跟蹤方法

王秉1， 王子衡2

(1. 河南交通職業技術學院 航運海事系， 河南 鄭州 450000;2. 達姆施塔特工業大學 電子信息工程系， 德國 達姆施塔特 64289)

針對雜波背景下計算機視覺目標跟蹤問題，提出一種非高斯噪聲背景下計算機視覺目標跟蹤方法.在視頻目標運動模型和觀測模型的基礎上引入了柯西混合噪聲模型，對非高斯噪聲運動目標的狀態進行建模；然后，在傳統高斯噪聲粒子濾波的框架內給出文中方法的具體實現步驟.針對大面積遮擋和夜晚光照改變的極端情況下對路上行駛的車輛進行實時跟蹤實驗，結果表明：文中方法明顯提升極端雜波環境下的目標運動過程的建模精度，有效提升目標跟蹤精度.

計算機視覺； 非高斯噪聲； 粒子濾波； 雜波環境； 跟蹤精度

基于計算機視覺的視頻目標跟蹤技術是人工智能、視頻監控、智能會議、智能交通等領域的基礎研究課題[1-2].由于視頻在雜波環境下干擾較多，容易導致跟蹤目標的混疊，特別是多目標遮擋、目標的消失與再現及光照突變等影響，給傳統的基于檢測跟蹤的方法帶來了很大的挑戰[3-4].隨著非線性濾波技術的發展，研究人員將基于貝葉斯濾波技術的非線性濾波方法引入到計算機視覺跟蹤領域.顏佳等[5]首次將卡爾曼濾波(kalman filter，KF)方法引入到視覺目標跟蹤領域，雖然實現了文中環境下的有效跟蹤，但是由于KF只適應高斯解析模型的線性目標運動系統，在雜波機動非線性運動系統中無法實現有效跟蹤；龔俊亮等[6]提出了擴展卡爾曼濾波(EKF)視覺目標跟蹤方法，基于泰勒級數對非線性目標運動模型進行一階近似截斷處理，實現了視覺目標的有效跟蹤；Dou等[7]提出了基于無跡卡爾曼濾波(UKF)視覺目標跟蹤方法，采用UT變換取代EKF的雅克比矩陣的計算，對目標狀態后驗的均值和方差進行時間先后的傳遞，獲取了更高精度的跟蹤結果.為實現更加復雜環境下的視頻目標跟蹤問題，近年來，研究人員先后將更加適應強非線性系統的粒子濾波(PF)[8]和容積卡爾曼濾波(CKF)[9]方法應用到雜波環境下的視覺目標跟蹤問題，取得了較大程度的發展.雖然該類方法在視覺目標跟蹤領域取得了優秀的應用成果，但是這些方法均是基于高斯噪聲的假設給出的具體解析實現方法，這種高斯噪聲統計特性的假設無法滿足目標遮擋、光照變化等雜波情況下的目標背景.基于此，本文提出了一種非高斯噪聲背景下計算機視覺目標跟蹤方法.

1 系統模型的建立和實現

1.1 過程狀態

針對計算機視覺目標跟蹤問題，將某一時刻目標的狀態記為xk=[x，y，w，h].其中：x，y為跟蹤目標的質心點(通常情況下為矩形方框或橢圓的中心點)；w，h為矩形方框的寬和高(或橢圓的短軸和長軸).視頻目標的運動模型表示[10]為

(1)

式(1)中:xk，yk為k時刻的狀態和觀測；f(·)，h(·)為相應的過程和觀測的動態轉移函數；uk為控制參量；wk，vk為相應的噪聲分量；Γk為噪聲的輸入矩陣參量.系統模型和觀測模型的動態函數，與系統的初始狀態x0一起決定了整個濾波系統的動態模型.

1.2 觀測模型說明

(2)

式(2)中:σc，i為高斯方差值，σc，i=0.2.

1.3 基本粒子濾波實現原理

基本粒子濾波方法主要通過賦予相應權重信息的粒子集合加權近似估計系統的瞬時狀態，并通過在線量測信息遞歸的估計目標的后驗狀態分布.粒子權值信息主要來依賴后驗概率密度和參考的先驗概率密度的似然量測.在實際的PF視頻目標跟蹤系統中，需要目標的運動模型，將式(1)表示為

(3)

式(3)中:fm-1為Rk×Rn→Rk維的目標狀態非線性函數;ωm-1∈Rn為零均值的白噪聲序列，協方差為Qk，其大小代表目標狀態預測的不確定度；相應觀測信息zm∈Rz的表達式為

(4)

式(4)中:hm∶Rm×Rq→Rz為觀測非線性函數；量測誤差um是零均值的白噪聲序列；協方差Rk表示量測的不確定度.標準PF可以概括為如下兩個步驟.

步驟1 預測.在獲取m-1時刻的概率密度函數p(xm-1|zm-1)以后，基于式(1)表示的系統模型，可以預測m時刻的概率密度函數為

(5)

步驟2 更新.在給定先驗信息和最新觀測序列zm={zi;i=1，2，…，m}條件下，可以獲取后驗密度的估計值為

(6)

式(5)，(6)形成了PF狀態估計的遞歸過程.

(7)

在系統狀態滿足馬爾科夫鏈特性的條件下，后驗狀態可以表示為

(8)

式(8)中:δ(·)為Diracdelta函數.

(9)

1.4 非高斯噪聲模型

目前，常用的非線性濾波方法中，均采用高斯噪聲對系統過程進行建模分析，實際上并不符合遮擋、光照對比度較低等雜波環境.由于模型誤差累積效應的影響，目標跟蹤的精度和有效性都會有所降低，基于此，參考文獻[13]的研究，采用柯西-高斯混合噪聲模型取得傳統非線性濾波系統的高斯噪聲模型，對雜波環境下的視覺目標跟蹤模型進行建模分析.其中，柯西-高斯混合噪聲可以表示為

(10)

式(10)中:模型混合比例可以計算為

(11)

式(11)中:0<α<2;γ為符合α穩態分布特征的比例系數.在實際的視覺跟蹤系統中，可以將模型(3)中的wk，vk的統計特性表示為

(12)

式(12)中：v為柯西分布峰值所在的位置參量，表示當前幀圖像中心點位置像素值；γ為柯西分布最大值的一半對應的寬度尺寸;μ，σ分別代表著高斯分布的均值和方差.

2 仿真實驗分析

實驗中，采用目前濾波跟蹤方法普遍采用的特征提取方法.為增強運動信息的有效性，提取了運動目標的運動邊緣特征作為觀測信息進行處理.兩種情況下的具體實驗結果，如圖1～4所示.圖2中：eRMS為均方根誤差.

圖1,3中：黑方框為文中方法跟蹤結果；灰方框為高斯噪聲條件下的標準粒子濾波方法.由圖1～4可知：文中方法實現了較好的跟蹤，其跟蹤效果明顯優于傳統高斯噪聲統計特性假設情況下的標準粒子

圖1 遮擋情況下跟蹤結果 圖2 遮擋情況下跟蹤均方根誤差曲線Fig.1 Tracking results under occlusion Fig.2 Tracking mean square error and curve under occlusion

圖3 夜間跟蹤結果 圖4 夜間跟蹤均方根誤差曲線Fig.3 Tracking results at night Fig.4 Tracking mean square error and curve at night

濾波方法；在兩種復雜情況下，由于文中方法引入了非高斯噪聲模型，一定程度上提升了目標運動的過程狀態模型；文中方法在雜波環境下的跟蹤精度較標準PF方法提升了近40%.

3 結束語

以雜波環境下視頻目標跟蹤問題為背景，探索了非高斯噪聲情況下計算機視覺目標跟蹤問題.在視頻目標運動模型和觀測模型的基礎上引入了柯西混合噪聲模型，對非高斯噪聲運動目標的狀態進行建模.然后，在標準粒子濾波的框架內給出了方法的具體實現步驟.最后，基于部分遮擋和光照對比度較低的視覺跟蹤問題進行仿真實驗，驗證了文中方法的有效性和精確性.

[1] MORRIS J B T，TRIVEDI M M.Contextextual activity visualization from long-term video observations[J].IEEE Intelligent Systerms，2010，25(3):50-62.

[2] 劉晨光，程丹松，劉家鋒，等.一種基于交互式濾波器的視頻中多目標跟蹤算法[J].電子學報，2011，39(2):260-267.

[3] 李春鑫，王孝通.基于Rao-Blackwellized粒子濾波的多特征融合多光譜目標自適應跟蹤[J].光學精密工程，2009，17(9):2321-2326.

[4] CAO Jie，LI Wei，WU Di.Multi-feature fusion tracking based on a new particle filter[J].Journal of Computers，2012，12(7):2939-2947.

[5] 顏佳，吳敏淵.遮擋環境下采用在線Boosting的目標跟蹤[J].光學精密工程，2012，20(2):439-446.

[6] 龔俊亮，何昕，巍仲慧，等.采用改進輔助粒子濾波的紅外多目標跟蹤[J].光學精密工程，2012，20(2):413-420.

[7] DOU Jianfang，LI Jianxun.Robust visual tracking base on adaptively multi-feature fusion and particle filter[J].Optik，2014，125(2014):1680-1686.

[8] MORSHIDI M，TJAHJADI T.Gravity optimised particle filter for hand tracking[J].Patter Recognition，2014，47(2014):194-207.

[9] 宋宇，李慶玲，康軼非，等.平方根容積 Rao-Blackwillised 粒子濾波SLAM算法[J].自動化學報，2014，40(2):357-367.

[10] 孫中森，孫俊喜，宋建中，等.一種抗遮擋的運動目標跟蹤算法[J].光學精密工程，2007，15(2):268-271.

[11] WU Bingfei，KAO ChihChung，JEN Chenglung，et al.A relative discriminative histogram of oriented-gradients-based particle filter approach to vehicle occlusion handling and tracking[J].IEEE Transaction on Industrial Electronics，2014，61(8):4228-4237.

[12] 鐘必能，潘勝男.選擇性搜索和多深度學習模型融合的目標跟蹤[J].華僑大學學報(自然科學版)，2016，37(2):207-212.

[13] SAHA S，GUSTAFSSON F.Particle filtering with dependent noise processes[J].IEEE Transaction on Signal Processing，2012，60(9):4497-4508.

(責任編輯： 陳志賢 英文審校： 吳逢鐵)

Computer Vision Target Tracking Method Under Non-Gauss Noise Background

WANG Bing1， WANG Ziheng2

(1. Department of Maritime， Henan Vocational and Technical College of Communications， Zhengzhou 450005， China;2. Department of Electrical Engineering and Information Technology，Technical University of Darmstadt， Darmstadt 64289， Germany)

Aiming at the problem of computer vision target tracking in clutter background， a computer vision target tracking method under non Gauss noise background is proposed. Based on the vision target moving model and observation model, the Cauchy mixed noise model is introduced to model the non Gauss noise moving object， and the non Gauss noise moving target state is modeled. The proposed method concrete implementation steps is realized in the framework of the traditional Gauss noise particle filter. For driving large area occlusion and night illumination change under extreme conditions on the road of the vehicle real-time tracking, the experimental results show that this method significantly improve the modeling accuracy of extreme clutter target motion process， effectively improve the accuracy of target tracking.

computer vision; non-Gaussian noise; particle filter; clutter environment； tracking accuracy

10.11830/ISSN.1000-5013.201606023

2016-10-18

王秉(1965-)，男，副教授，主要從事計算機圖形圖像的研究.E-mail:wbjtxy@163.com.

國家自然科學基金資助項目(201411326136)； 河南省科技廳資助項目(2013132300410337)； 河南省教育廳資助項目(JYB2015037)

TP 391

A

1000-5013(2016)06-0774-04