水上運動船舶的檢測與跟蹤?

蔡丹 段先華 高海壯

（江蘇科技大學計算機科學與工程學院鎮江212003）

水上運動船舶的檢測與跟蹤?

蔡丹 段先華 高海壯

（江蘇科技大學計算機科學與工程學院鎮江212003）

文章在混合高斯模型的基礎上，對更新率做了進一步的改進，以解決目前對海上運動船舶檢測不足的問題。文章的基本思想是首先用一種改進的混合高斯模型對運動的船舶進行檢測，然后采用Kalman濾波與Camshift相結合的方法分析前者檢測的結果，實現船舶的跟蹤。在跟蹤過程中，先通過Kalman濾波進行預測，然后在此基礎上采用Camshift進行位置的搜索。通過這樣的方式，不僅提高了模型的自適應性，而且提高了跟蹤船舶的速度和準確度。

混合高斯模型；Kalman預測；Camshift

Class NumberTP391

1 引言

隨著全球經濟的發展，國際海運行業欣欣向榮。但由于水上環境的特殊性和復雜性，航海行業中經常發生船舶相撞、船橋相撞等事故，導致了巨大財產的損失和人員的傷亡。如何避免船舶相撞、船橋相撞成為人們研究的熱點［1］。如果在事故發生前預先統計水面運動船舶數量信息、描述其航行跡象，就能更好的調度航行的船舶，避免災害事故的發生［2～3］。

20世紀以來，隨著計算機技術的發展，數字圖像處理技術逐漸有了更加廣泛的應用，如車牌的定位，人臉、指紋識別自動導航系統等領域。由于受光照、風以及水面波浪等復雜而多變壞境的影響，自然環境下拍攝的水上運動船舶的視頻序列不可避免的帶有噪聲、不規則運動紋理等，這就給船舶的檢測和穩定跟蹤增加了難度。針對這一問題，本文提出了改進的檢測和跟蹤方法。本文主要分兩個模塊：第一模塊是以Stauffer［2～4］提出的自適應混合高斯模型［5～6］作為基礎，提出改變自適應更新率。第二個模塊是將Camshift［7］搜索模型和kala?man［7］濾波預測模型相組合用以提高船舶的跟蹤速度及準確度。整個實驗過程如圖1所示。

圖1實驗流程圖

2 改進的混合高斯的水面目標檢測

本文選擇使用混合高斯模型，但是傳統的混合高斯模型不適用于本文實驗的場景，因為本文的背景不干凈且存在運動目標，所以在經典的混合高斯模型的基礎上進行了改進。

2.1 混合高斯模型算法

混合高斯模型算法的基本思想是：對圖像中的每個像素點定義K（3-5）個高斯分布模型，然后隨著場景的變化，按照一定規律實時更新各個高斯模型的參數。將權值從大到小進行排序，認為前B個模型權值最大的是背景；在對運動物體檢測時，將當前圖像的像素點與B個高斯模型匹配［10］，只要它與B個高斯模型中的任一模型匹配，則認為是背景，反之則是前景。混合高斯模型的整個工作流程圖如圖2。

圖2混合高斯算法流程圖

2.1.1 背景建模

{X1，X2，…，Xt}為某一像素點在t時間段內的像素值的集合。那么該像素點出現的概率如式（1）：

式中：ωi，t為第i個高斯模型在t時刻的權重；η(Xi，μi，t，Σi，t)為第i個高斯模型在t時刻的概率密度函數如式（2）：

2.1.2 背景更新和目標的檢測

對高斯模型進行初始化之后，隨著場景的變化，需要對均值、方差、權值三個參數進行實時的更新。詳細的算法流程如下：

1）將當前圖像的每個像素點與K個高斯模型進行匹配，如果滿足式（3）則匹配，否則不匹配。

2）如果匹配，則與之對應的高斯模型的權值ωi，t、均值μi，t、方差σ2i，t進行更新。如果不匹配，均值和方差不變，各參數更新公式如下

3）如果1）中沒有任何高斯模型匹配，那么增加一個新的高斯分布，然后將權值最小的高斯模型替換掉，否則會超過K個模型。

4）K個高斯模型的權值更新后，將權重大的、方差小的高斯模型從大到小排序，選擇前B個權值大的作為背景模型。B滿足下列式（8）：

5）目標檢測時，將當前幀的像素點與B個背景模型進行匹配判斷，如果k個高斯模型中任一個高斯模型滿足式（9），則標記為該像素點為背景；否則為前景。

2.2 混合高斯模型的改進

本文通過結合多篇文章，對混合高斯模型進行改進，使之適應海上這一特定場景，并且能夠更加準確檢測運動的船舶。更新率α(0≤α≤1)的大小對混合高斯模型的實現有很大的影響，它決定了背景的更新率。當α的取值較大時，背景建模比較快，但背景中有目標出現時不能更好地抑制噪聲。當α的取值較小時，背景更新比較慢，但能夠很好地抑制噪聲。因此，對于水面特定的場景，α的取值要綜合考慮背景更新率和噪聲的抑制。式（10）給出了α的取值，前N幀用自適應更新速率來匹配模型，主要是為了快速地建立背景模型；N幀后更新率為α1，主要目的是更好地抑制噪聲。

α取值公式如下所示：

表1和圖3很好地驗證式（10）。實驗采用視頻流背景為晃動的樹葉，其分辨率為252*288，設置高斯模型數K=4，更新率分別設置為0.01，0.04，0.06，0.08，0.1。建模所需的幀數如表1。

表1 不同更新率建模速度比較

通過上表數據可以看出，當α=0.01時，建模需要12幀；而α=0.1時，建模只需要4幀；由此可知，當α的值越大，建模的速度越快，抑制噪聲的能力越差。但是隨著運動目標人走進來，不同α的取值對檢測效果影響如圖3。

圖3不同更新率對檢測目標的結果

3 基于Kalman濾波的Camshift水上運動目標跟蹤

3.1 Camshift算法

Camshaft算法是在Meanshift算法的基礎上，對其目標跟蹤做了進一步的改進，能夠自適應地調整搜索框的大小。基本思想是通過計算搜索窗口顏色概率分布圖的零階矩陣和一階矩陣得到質心的位置(xc，yc)：

然后將搜索窗口的中心位置移動到質心的位置，判斷中心位置質心的位置距離是否在預設的閾值范圍之內，如果不在范圍之內的話則重新計算搜索窗口的質心，直至在范圍之內；如果在范圍內則進入下一幀圖像進行目標搜索。對于下一幀圖像設置的新的搜索窗口的位置和尺寸是基于當前圖像的窗口的質心位置。

3.2 Kalman濾波

Kalman濾波是一種計算量小、實時性高的遞推算法，能夠相對準確地預估運動目標的位置。Kalman濾波的系統狀態方程和觀測方程分別為式（15～16）：

其中：Xk，Xk-1是不同時刻的狀態變量，Ak，k-1是狀態變化矩陣，Hk是觀測矩陣，V、W分別是狀態和觀測噪聲矩陣。Kalman濾在當前圖像幀中預測下一幀圖像中運動目標的質心位置，然后進行搜索匹配，實現對目標的跟蹤。

3.3 基于Kalman濾波的Camshift水上船舶跟蹤

算法

水上運動目標的預測與跟蹤，受光照、水面等方面的影響，使得每幀圖片的背景不斷變化。然而對于Camshift算法，在跟蹤時容易丟失目標。針對Camshift算法的不足，本文提出一種將Kalman［4］濾波算法與Camshift跟蹤算法相結合的算法，實現對水上運動船舶的實時跟蹤。此算法是將顏色特征和運動特征相互結合，而且在跟蹤的速度上也有所提高。從原理上講，是將兩個算法進行線性擬合：

式中，xt+1，t是Kalman濾波預測的t+1時刻的運動目標位置，Y為Camshift預測的運動目標位置，?是比例因子。本實驗在跟蹤之前，將前面用混合高斯檢測到的船舶運動目標截取下來，形成一個運動模板，計算這個模板的直方圖并且歸一化，將此直方圖作為反向投影，計算出模板t時刻的質心，同時可以用Kalman預先估計t+1時刻目標的位置，然后以該位置為中心Camshift進行搜索。此算法提高了跟蹤目標的準確度，縮小了目標位置的搜索范圍。此算法的流程圖如圖4所示。

圖4Kalman與Camshift

重復下面的步驟，即可得到下一幀圖像中船舶的位置。

Step1：統計t時刻圖像幀中目標的信息特征，選擇目標搜索窗口并計算它的質心位置。

Step2：利用Kalman濾波對t+1時刻的位置進行預測yt+1。

Step3：以yt+1為搜索的中點，用Camshift搜索目標的準確位置yms。

Step4：較目標模型與yms的Bhattacharyya距離，如果距離小于某一個設定的閾值，則以yms為Kalman濾波的觀測值并將它作為目標模型。否則，用Kalman濾波的觀測值yt+1代替。

Step5：修正Kalman模型。

Step6：令t=t+1。重復step2、step3、step4、step5、step6。

4 實驗結果與分析

本實驗主要對這一段視頻序列中的水上船舶進行檢測與跟蹤，其中對船舶檢測是用改進的混合高斯模型方法實現的；對船舶的跟蹤是將Kalman濾波和Camshift算法相結合實現的。

圖5是用傳統的混合高斯模型檢測的結果，但是背景還存在前景的陰影，前景運動船舶周圍存在許多噪聲，效果不是很好。

圖6是用改進的混合高斯模型實現的，相比較圖5，背景中不再存在前景的陰影，前后背景被清晰地分割出來，但是前景周圍還是存在一些噪聲。總的來說，改進后的混合高斯模型適應性更強，在水上相對復雜的背景下，可以很好地實現船舶的檢測。

圖6改進后檢測

圖7、圖8分別是用Camshift和Kalman濾波與Camshift相結合實現的運動船舶的跟蹤，此視頻流分辨率是252*288，總共有202幀。

圖7Camshift跟蹤

圖8Kalman+Camshift跟蹤

圖7中的四幀是Camshift的跟蹤效果圖，目標的有些部分沒有跟蹤到。

圖8是采用Kalman濾波和Camshift相結合實現的跟蹤效果，相比較圖8的跟蹤效可以看出，其滿足實時跟蹤的要求。從跟蹤過程中，可以看出第二種算在跟蹤時速度較快，表2是兩種算法平均每幀跟蹤的時間比較。

表2 兩種算法的時間比較

5 結語

在對船舶檢測過程中，本文提出了一種改進的混合高斯模型算法，從而能夠準確提取出運動的船舶，同時利用Camshifth與Kalman濾波方法進行船舶的跟蹤，滿足了實時跟蹤的要求。實驗結果表明：對于水上這種復雜的背景，本文提出的算法適應性強，能實現實時性。但是仍然存在局限性，在目標檢測時，前景目標的分割仍存在一些噪點，還有待改進。對于跟蹤算法，當水上出現的目標顏色相近時，目標跟蹤可靠性降低，所以對于內河背景下船舶的跟蹤此算法還得進一步完善。

［1］唐志強.混合高斯模型的船舶侵限檢測系統研究［D］.南京：南京大學，2015. TANG Zhiqiang.Vessel invasion detection system limited the gaussian mixture model research［D］.Nanjing：Nan?jing University，2015.

［2］姚會，蘇松志，王麗，等.基于改進的混合高斯模型的運動目標檢測方法［J］.廈門大學學報：自然科學版，2008，47（4）：505-510. YAO Hui，SU Zhisong，WANG Li.Moving object detection based on improved gaussian mixture model method［J］. Journal of Xiamen University：Natural Science Edition，2008，47（4）：505-510.

［3］閆鈞華，賀大雷.基于Kalman預測器的改進的CAMShift目標跟蹤［J］.中國慣性學報，2015（4）：198-215. YAN Junhua，HE Dalei.Based on Kalman predictor of im?proved CAMShift tracking［J］.Chinese Journal of Inertia. 2015（4）：198-215.

［4］吳琦穎，李翠華.一種新穎的海上運動目標實時監測方法［J］.計算機工程與應用，2014，43（14）：213-216. WU Qiying，LI Cuihua.A novel maritime moving target re?al-time monitoring method［J］.Computer Engineering and Application，2014，43（14）：213-216.

［5］岡薩雷斯，伍茲.數字圖像處理［M］.阮秋琦譯.北京：電子工業出版社，2007. GANG Saleisi，WU zi.Digital image processing［M］. Qiu-qiruantranslation.Beijing：ElectronicIndustry Press，2007.

［6］直芳，王運瓊，朱敏.數字圖像處理與分析［M］.北京：清華大學出版社，2006. ZHI Fang，WANG Yunqiong，ZHU Min.Digital image pro?cessing and analysis［M］.Beijing：tsinghua university press，2006.

［7］翟衛欣，程承旗.基于Kalman濾波的Camshift運動跟蹤算法［J］.北京大學學報（自然科學版），2015（5）：165-182. ZHA Weixin，CHENG Chengqi.Camshift tracking algo?rithm based on Kalman filter［J］.Journal of Beijing univer?sity（natural science edition），2015（5）：165-182.

［8］Viola P，Jones M.Robust real-time object detection［J］. International Journal of Computer Vision，2001.

［9］Wang Zhenshu.Bian，Shaorun，Lei Ming.Feature extrac?tion and classification of load dynamic characteristics based on lifting wavelet packet transform in power system load modeling［J］.International Journal of Electrical Pow?er and Energy Systems，2014（5）：213-246.

［10］Jiang Enyuan，Wang Enyuan.Analysis of Abnormal Vehi?cle Behavior Based on Trajectory Fitting［C］//Proceed?ings of 2015 Workshop 11，2015.

Detection and Tracking of Moving Target of Aquatic Vessels

CAI DanDUAN XianhuaGAO Haizhuang
（School of Computer Science and Engineering，Jiangsu University of Science and Technology，Zhenjiang212003）

Based on the Gaussian mixture model and aim at to solve the shortage of detection at present，this paper main idea is using improved gaussian mixture model to detectact target and then adopting the method of combining Kalman filter prediction and Camshift search algorithm.During tracing，first the movement of the target is predicted by using the Kalman filter，and based on this the position is searched by using the Camshift.At last，the results of the experiment apply in detection and tracking of aquatic vessels.Not only the adaptability of the model is improved，and moving target tracking speed and accuracy are improved further.

Gaussian mixture mode，Kalman filter prediction，Camshift

TP391

10.3969/j.issn.1672-9722.2017.07.016

2017年1月4日，

2017年2月17日

“江蘇高校高技術船舶協同創新中心/江蘇科技大學海洋裝備研究院”（編號：HZ2016021）資助。

蔡丹，女，碩士，研究方向：電子對抗、圖像處理、模式識別等。段先華，男，博士，教授，研究方向：電子對抗、圖像處理、模式識別等。高海壯，男，碩士研究生，研究方向：電子對抗、圖像處理、模式識別等。