基于改進(jìn)的均值漂移算法的運(yùn)動(dòng)汽車跟蹤

雷 飛，孟曉瓊，呂 露，黃 濤

(北京工業(yè)大學(xué) 電子信息與控制工程學(xué)院,北京 100124)

基于改進(jìn)的均值漂移算法的運(yùn)動(dòng)汽車跟蹤

雷 飛，孟曉瓊，呂 露，黃 濤

(北京工業(yè)大學(xué) 電子信息與控制工程學(xué)院,北京 100124)

交通領(lǐng)域的智能視頻監(jiān)控系統(tǒng)有效解決了車輛的實(shí)時(shí)跟蹤問題。針對(duì)運(yùn)動(dòng)車輛的特點(diǎn)，提出一種均值漂移(Mean Shift)和粒子濾波相融合的跟蹤算法。該算法以HSV顏色直方圖為核心建立運(yùn)動(dòng)汽車目標(biāo)模型，利用Bhattacharyya距離度量粒子區(qū)域和目標(biāo)模型的相似性，并根據(jù)相似性來更新粒子權(quán)值。使用Mean Shift聚類偏移粒子，通過觀測模型和再估計(jì)過程使得這些粒子的候選區(qū)域能更加接近真實(shí)的目標(biāo)位置。實(shí)驗(yàn)結(jié)果表明，該算法具有較強(qiáng)的實(shí)時(shí)性和魯棒性，能實(shí)現(xiàn)對(duì)感興趣運(yùn)動(dòng)汽車的穩(wěn)定跟蹤。

均值漂移；粒子濾波；采樣；目標(biāo)跟蹤

0 引 言

運(yùn)動(dòng)車輛跟蹤是智能交通領(lǐng)域[1]的重要研究課題，對(duì)保障交通的有序運(yùn)行具有重大意義。運(yùn)動(dòng)目標(biāo)跟蹤就是將一個(gè)連續(xù)視頻序列轉(zhuǎn)換成連續(xù)的圖像序列，并從每幀畫面中根據(jù)感興趣的運(yùn)動(dòng)目標(biāo)(例如車輛、行人、動(dòng)物等)的位置、形狀、色彩、紋理等相關(guān)特征對(duì)其進(jìn)行實(shí)時(shí)定位，檢測出運(yùn)動(dòng)目標(biāo)的準(zhǔn)確運(yùn)動(dòng)路徑。傳統(tǒng)的跟蹤算法主要分為兩種：一是傳統(tǒng)的Mean Shift[2]目標(biāo)跟蹤算法，因其無需參數(shù)、計(jì)算量小，對(duì)目標(biāo)變形、旋轉(zhuǎn)變化適應(yīng)性強(qiáng)等優(yōu)點(diǎn)得到普遍應(yīng)用和廣泛研究。但是該算法在迭代過程中容易陷入局部最優(yōu)解，造成目標(biāo)跟丟現(xiàn)象。二是引入粒子濾波算法(PF)[3]。粒子濾波能夠處理因?yàn)楸尘案蓴_、遮擋等問題帶來的非線性和多模態(tài)的情景，可以實(shí)現(xiàn)并行化，跟蹤魯棒性較強(qiáng)，但算法的復(fù)雜度較高，很難滿足多目標(biāo)下的實(shí)時(shí)跟蹤。

借鑒前人的研究經(jīng)驗(yàn)，文中提出一種基于Mean Shift和粒子濾波相結(jié)合(MSPF)的運(yùn)動(dòng)汽車目標(biāo)跟蹤算法，并且融合了顏色和運(yùn)動(dòng)信息來建立目標(biāo)描述模型，對(duì)傳統(tǒng)的Mean Shift算法進(jìn)行改進(jìn)并將其嵌入到粒子濾波中，對(duì)粒子樣本重新分配和傳播[4]，使其朝著目標(biāo)狀態(tài)的最大后驗(yàn)概率密度[5]的分布方向移動(dòng)，以提高算法的跟蹤效率。在充分描述目標(biāo)狀態(tài)的前提下，實(shí)現(xiàn)實(shí)時(shí)準(zhǔn)確的目標(biāo)跟蹤。

1 顏色和運(yùn)動(dòng)信息的融合

信息提取流程如圖1所示。

圖1 顏色和運(yùn)動(dòng)信息的提取流程圖

針對(duì)目標(biāo)顏色特征[6]的尺度不變性和旋轉(zhuǎn)不變性，結(jié)合基于HSV顏色空間的H和S兩個(gè)分量來實(shí)現(xiàn)目標(biāo)顏色概率分布圖Ic(x,y)的創(chuàng)建。用運(yùn)動(dòng)概率分布圖中目標(biāo)區(qū)域內(nèi)全部點(diǎn)的像素灰度值來計(jì)算目標(biāo)的運(yùn)動(dòng)概率分布圖Im(x,y)。設(shè)定搜索窗口為一個(gè)矩形區(qū)域，分別計(jì)算在顏色和運(yùn)動(dòng)兩個(gè)概率分布圖模型中該區(qū)域的對(duì)應(yīng)零階矩Mc和Mm，表示為：

(1)

利用表示顏色和運(yùn)動(dòng)信息的零階矩[7]，求解聯(lián)合特征的零階矩M，如式(2)所示：

(2)

其中，β∈[0,1]是融合概率，通常取β=0.8，反映了目標(biāo)跟蹤過程中顏色、信息等特征對(duì)跟蹤結(jié)果的貢獻(xiàn)度。

通過式(2)建立的融合機(jī)制[8]，將兩種概率分布圖模型通過有選擇性的加權(quán)結(jié)合于一體，得到更加可靠和穩(wěn)定的目標(biāo)模型。

2 基于顏色和運(yùn)動(dòng)信息融合的均值漂移算法

當(dāng)目標(biāo)出現(xiàn)在第一幀圖像中時(shí)，用鼠標(biāo)手動(dòng)選取目標(biāo)區(qū)域的初始位置，設(shè)為C0(x0,y0)。初始化迭代次數(shù)從0開始，改進(jìn)的算法流程圖如圖2所示。

由圖2可知，改進(jìn)的基于顏色和運(yùn)動(dòng)信息的均值漂移算法的具體實(shí)現(xiàn)步驟如下：

Step1:由式(2)求出所選定跟蹤的目標(biāo)區(qū)域的零階矩和一階矩，有：

(3)

圖2 改進(jìn)的基于顏色和運(yùn)動(dòng)信息的均值漂移算法

其中，M00是融合的特征信息概率分布圖中目標(biāo)區(qū)域的零階矩；M10和M01為分布圖中目標(biāo)區(qū)域的一階矩。

Step2:根據(jù)M00、M10和M01，計(jì)算當(dāng)前時(shí)刻的搜索區(qū)域的質(zhì)心位置點(diǎn)(xc,yc)，公式為：

(4)

Step3:計(jì)算當(dāng)前的質(zhì)心位置C1(xc,yc)，并作為新的搜索窗口的中心。若‖C1-C0‖<ε或未達(dá)到迭代次數(shù)，將迭代次數(shù)加1，返回Step1重新計(jì)算新窗口的質(zhì)心位置，直至迭代次數(shù)達(dá)到給定閾值或‖C1-C0‖≥ε為止，退出循環(huán)。

傳統(tǒng)的教學(xué)模式非常機(jī)械，一般教師都是采用“滿堂灌”的方法，不管學(xué)生是否能接受。這種教學(xué)模式在當(dāng)今受到了很多業(yè)內(nèi)人士的鄙視。小學(xué)是一個(gè)教育啟蒙的階段，而英語作為外來語言，在教學(xué)中，學(xué)生的自悟才是重點(diǎn)。因?yàn)榕d趣是學(xué)生學(xué)習(xí)的推動(dòng)力，所以要讓學(xué)生喜歡英語和熱愛英語。教師應(yīng)該積極探索新的教學(xué)方式，敢于打破小學(xué)英語教學(xué)思維局限性，以增強(qiáng)小學(xué)生學(xué)習(xí)英語的積極性為考慮的第一前提。翻轉(zhuǎn)課堂教學(xué)模式則是時(shí)代的產(chǎn)物，是目前最有效的英語教學(xué)方法之一，教師要合理應(yīng)用該教學(xué)模式提高學(xué)生的學(xué)習(xí)效率。

3 基于改進(jìn)的均值漂移算法的運(yùn)動(dòng)汽車跟蹤

改進(jìn)的跟蹤算法如圖3所示，分為三個(gè)部分：重采樣過程、均值漂移過程、粒子觀測和目標(biāo)狀態(tài)估計(jì)過程。

3.1 重采樣過程

圖3 基于均值漂移和粒子濾波相融合的算法原理

3.2 均值漂移過程

均值漂移過程充分體現(xiàn)了該算法基于均值漂移向量而對(duì)粒子產(chǎn)生的強(qiáng)烈聚合作用。采樣粒子在經(jīng)過重采樣處理和狀態(tài)轉(zhuǎn)移模型傳播后，粒子的位置產(chǎn)生了很大變化，使得很多粒子偏離了目標(biāo)位置，所以用均值漂移算法對(duì)粒子進(jìn)行聚類[11]收斂，使其朝目標(biāo)狀態(tài)的概率密度增長的方向聚集。具體步驟是：

(5)

3.3 粒子觀測和目標(biāo)狀態(tài)估計(jì)過程

粒子觀測和目標(biāo)狀態(tài)估計(jì)過程中使用觀測模型更新收斂后的粒子，利用權(quán)值變化后的粒子對(duì)目標(biāo)狀態(tài)進(jìn)行估計(jì)。

(6)

采樣粒子的權(quán)值滿足：

(7)

由蒙特卡洛原理[14]，通過粒子的加權(quán)求和得出目標(biāo)狀態(tài)的后驗(yàn)估計(jì)xk，滿足等式：

(8)

因此，基于MSPF相結(jié)合實(shí)現(xiàn)的運(yùn)動(dòng)汽車跟蹤的具體算法流程如圖4所示。

圖4 均值漂移和粒子濾波相融合的算法流程

4 實(shí)驗(yàn)結(jié)果及分析

仿真實(shí)驗(yàn)環(huán)境：四核處理器3.2GHz，4G內(nèi)存，MicrosoftWindows7操作系統(tǒng)的臺(tái)式機(jī)。運(yùn)行環(huán)境是MATLAB，版本為7.14.0(R2012a)。

實(shí)驗(yàn)采用文中算法對(duì)運(yùn)動(dòng)汽車的視頻進(jìn)行目標(biāo)跟蹤，并與均值漂移算法下的跟蹤效果進(jìn)行比較，以驗(yàn)證文中算法的有效性。手動(dòng)選取運(yùn)動(dòng)目標(biāo)框圖，用于跟蹤的視頻序列共351幀圖像，圖片尺寸為350×240，色彩深度為24位。

實(shí)驗(yàn)結(jié)果表明，采用粒子濾波算法實(shí)現(xiàn)汽車目標(biāo)跟蹤時(shí)，多次實(shí)驗(yàn)統(tǒng)計(jì)后要求粒子數(shù)量不能少于250，低于250則會(huì)出現(xiàn)目標(biāo)跟丟的情況，而且算法讀取連續(xù)幀序列的時(shí)間較長。對(duì)比之下，運(yùn)用文中的MSPF融合算法只用了50個(gè)粒子就實(shí)現(xiàn)了較好的跟蹤效果，如圖5所示。在第5～50幀圖像中，盡管目標(biāo)相距攝像機(jī)較遠(yuǎn)，算法依舊實(shí)現(xiàn)了對(duì)其位置的準(zhǔn)確識(shí)別和定位；在第75幀，目標(biāo)在受到光線及陰影遮擋的情況下仍能定位到中心位置區(qū)域，隨著運(yùn)動(dòng)目標(biāo)的速度加大，融合算法始終保持了優(yōu)秀的跟蹤效果。

圖5 基于融合算法的運(yùn)動(dòng)汽車跟蹤結(jié)果

實(shí)驗(yàn)中分別運(yùn)用三種算法對(duì)運(yùn)動(dòng)汽車跟蹤時(shí)的運(yùn)行時(shí)間進(jìn)行了對(duì)比，其中融合算法下的運(yùn)行時(shí)間穩(wěn)定在100ms左右，且不會(huì)產(chǎn)生像均值漂移運(yùn)行時(shí)間中突發(fā)的峰值情況。

5 結(jié)束語

文中提出了一種傳統(tǒng)均值漂移與粒子濾波相融合的算法來實(shí)現(xiàn)運(yùn)動(dòng)汽車目標(biāo)跟蹤技術(shù)。實(shí)驗(yàn)結(jié)果表明，該算法保證了運(yùn)動(dòng)汽車跟蹤的魯棒性和實(shí)時(shí)性，排除了背景環(huán)境和目標(biāo)特征因素的干擾，實(shí)現(xiàn)了快速而穩(wěn)定的跟蹤效果。但是文中只是針對(duì)單一目標(biāo)實(shí)現(xiàn)跟蹤而且需要手動(dòng)選取目標(biāo)跟蹤區(qū)域，未來需要從多目標(biāo)多模型的角度進(jìn)一步開展工作。

[1] 吳 琳.計(jì)算機(jī)視覺導(dǎo)航綜述[J].電腦知識(shí)與技術(shù),2008(9):143.

[2]FukunagaK,HostetlerL.Theestimationofthegradientofadensityfunction,withapplicationsinpatternrecognition[J].IEEETransactionsonInformationTheory,1975,21(1):32-40.

[3]CollinsR.Asystemforvideosurveillanceandmonitoring:VSAMfinalreport[R].Pittsburgh：CarnegieMellonUniversity,2000.

[4]McKennaSJ,JabriS,DuricZ,etal.Trackinggroupsofpeople[J].ComputerVisionandImageUnderstanding,2000,80(1):42-56.

[5]ZivkovicZ.ImprovedadaptiveGaussianmixturemodelforbackgroundsubtraction[C]//Proceedingsofthe17thinternationalconferenceonpatternrecognition.Cambridge:[s.n.],2004:28-31.

[6] 趙增順,沈繼畢,王繼貞,等.基于Bayes濾波的移動(dòng)機(jī)器人定位方法[J].計(jì)算機(jī)科學(xué),2011,38(2)：199-201.

[7]HandschinJE.MonteCarlotechniquesforpredictionandfilteringofnon-linearstochasticprocesses[J].Automation,1970,6(4):555-563.

[8]IsardM,BlakeA.CONDENSATION-conditionaldensitypropagationforvisualtracking[J].InternationalJournalofComputerVision,1998,29(1):5-28.

[9] 劉文靜,于金霞,湯永利.粒子濾波自適應(yīng)部分系統(tǒng)重采樣算法研究[J].計(jì)算機(jī)應(yīng)用研究,2011,28(3):912-914.

[10]ParagiosN,DericheR.Geodesicactivecontoursandlevelsetsforthedetectionandtrackingofmovingobjects[J].IEEETransactionsonPatternAnalysisandMachineIntelligence,2001,22(3):266-280.

[11] 雷 飛，張新穎，王 依.基于均值漂移和粒子濾波相結(jié)合的水下運(yùn)動(dòng)目標(biāo)跟蹤[J].制造業(yè)自動(dòng)化,2012,34(16):68-71.

[12] 張 虎，方 華，李春貴.基于改進(jìn)混合高斯模型的自適應(yīng)運(yùn)動(dòng)車輛檢測算法[J].計(jì)算機(jī)應(yīng)用與軟件,2014,31(1)：286-289.

[13]DellaertF,BurgardW,FoxD,etal.UsingtheCONDENSATIONalgorithmforrobust,Vision2basedmobilerobotlocalization[C]//ProceedingsoftheIEEEcomputersocietyconferenceoncomputervisionandpatternrecognition.LosAlantions,CA,USA:IEEEComputerSociety,1999:588-594.

[14] 王 鑫,胡昌華,暴飛虎.基于貝葉斯原理的粒子濾波算法[J].彈箭與制導(dǎo)學(xué)報(bào),2006,26(2):269-271.

The intelligent video surveillance system effectively solves the problem of real-time tracking of vehicles in transportation field.According to vehicle characteristics,a new algorithm combined of Mean Shift and particle filter is proposed to track the target.The algorithm takes the HSV color histogram as the core to establish the target model of moving vehicle,using the Bhattacharyya distance to measure the similarity between particle region and the target model and updating the particle weights according to the similarity.After that,Mean Shift is used to cluster offset particles whose candidate region is closer to real target location through the observation model and re-estimation.Experimental results show that the algorithm has strong real-time performance and robustness,and can achieve the stable tracking of interest moving vehicles.

Mean Shift;particle filter;sampling;target tracking

2016-03-29

2016-08-02

時(shí)間：2017-01-10

北京市教育科技計(jì)劃面上項(xiàng)目(KM201210005003)

雷 飛(1972-)，男，副教授，研究方向?yàn)閳D像處理和實(shí)時(shí)控制；孟曉瓊(1991-)，女，碩士，研究方向?yàn)槟Ｊ阶R(shí)別與圖像處理。

http://www.cnki.net/kcms/detail/61.1450.TP.20170110.1019.042.html

TP301

A

1673-629X(2017)02-0106-04

10.3969/j.issn.1673-629X.2017.02.024

Moving Vehicle Tracking Based on Improved Mean Shift LEI Fei,MENG Xiao-qiong,LYU Lu,HUANG Tao

(College of Electronic Information & Control Engineering,Beijing University of Technology, Beijing 100124,China)