基于改進分塊匹配和AKF的抗遮擋目標跟蹤*

楊 錸， 李坤倫

(河南大學 物理與電子學院，河南 開封 475004)

0 引 言

基于圖像處理技術的機動目標跟蹤技術是計算機視覺、人機交互領域的研究熱點，被廣泛應用于機器人視覺導航、行為識別、安防監控等領域[1]。然而，在實際跟蹤過程中無法避免因光照變化、背景擾動、目標遮擋等一系列因素影響目標視覺信息，特別是目標遮擋直接導致目標圖像信息流失，跟蹤結果出現偏差甚至丟失目標[2]。

分塊匹配 (block matching,BM) 算法充分利用目標未被遮擋區域的信息進行跟蹤，有效降低了局部被遮擋區域帶來的不利影響，具有較好的抗遮擋跟蹤能力。文獻[3]利用子塊的顏色直方圖特征在目標預測區域搜索匹配，投票表決得到目標的位置，實現了目標跟蹤；文獻[4]依據子塊紋理直方圖特征的匹配程度設置子塊加權系數，最后加權表決得到目標的位置實現目標跟蹤；文獻[5，6]利用目標子塊的顏色和深度等特征模型，進行多線索多特征的分塊匹配目標跟蹤。但是標準的分塊匹配算法具有局限性[7]：固定且獨立的子塊劃分方法對非剛性結構變化目標的適應能力較差；當目標處于大面積遮擋時各子塊信息均會丟失，跟蹤算法失效。所以，本文在標準分塊匹配算法基礎上設計了一種動態子塊劃分方法，并且引入抗野值卡爾曼濾波(anti-outlier Kalman filtering,AKF)[8,9]模型在線判定和修正卡爾曼(Kalman)新息野值序列，實現了目標在嚴重遮擋狀態下的準確跟蹤。

1 分塊匹配算法

分塊匹配算法依據相鄰幀圖像間在時域和空域上的強相關性，將目標模板劃分為(m×n)大小的子塊；以一定匹配準則在既定范圍的搜索框(P×Q)中搜索匹配目標得到最佳匹配位置；計算相對于初始位置的偏移量得到子塊的運動矢量M，算法原理示意如圖1。

圖1 塊匹配原理示意

常見的子塊匹配準則有最小均方差 (mean square error,MSE) 準則和最大相關匹配(maximum correlation matching,MCM)準則2種：

1)MSE準則

(1)

2)MCM準則

(2)

式中I為波門；T為模板；R為結果；x′∈(0,w-1)和y′∈(0,h-1)為模板與波門重疊區域。

分塊匹配算法在塊匹配理論基礎上將目標模板劃分為n個獨立子塊，并將各子塊最優運動矢量mi加權處理后得到目標運動矢量M最優的估計

(3)

分塊匹配算法充分利用目標未被遮擋區域的信息進行目標跟蹤，具有一定的抗遮擋跟蹤能力，但具有較大缺陷[7]：當目標被遮擋時其子塊對應區域的灰度值會發生突變，且子塊總像素點越少突變像素點對匹配結果的影響就越大，即子塊的匹配容錯能力越差，而增大子塊面積雖能提升匹配容錯能力，卻加大了計算量降低了算法實時性。因此，綜合考慮此原理并針對分塊匹配算法的缺陷提出了一種動態子塊劃分方法，具體分塊流程如下：

1)截取模板整體為一個全局子塊T0；

2)沿x方向將目標模板等分為兩個對稱的子塊，并構成固定子塊組T1(t10,t11)；

3)沿y方向將目標模板等分為兩個對稱的子塊，并構成固定子塊組T2(t20,t21)；

4)在目標預測區域進行T0搜索匹配，依據T0匹配置信度計算子塊伸縮因子δ；

2 AKF模型

AKF算法是一種抗野值Kalman濾波算法，對于運動方程具有非線性的機動目標而言，常采用Kalman濾波算法對目標的運動軌跡進行預測和估計，簡化后的非線性跟蹤系統的狀態方程和觀測方程[10]為

Xk=AXk-1+Wk-1

(4)

Zk=Xk+Vk

(5)

式中Xk為系統的狀態向量；Zk為觀測向量；Wk-l為過程激勵白噪聲；Vk為觀測白噪聲。

當目標處于遮擋時系統對目標位置的觀測結果會出現較大偏差，可視為連續的系統觀測野值，現假設系統k時刻出現觀測野值Z′(k)，并將野值看作疊加于正常觀測數據上的一個偏差分量

(6)

Kalman帶偏差的新息序列

(7)

測量序列野值判定準則中最常用的準則是萊特準則(又稱3σ準則)

(8)

式中Xi|i-1為i-1時刻對i時刻參數的預測值；σ(Xi|i-Xi)為i時刻前該參數所有最優估計殘差的標準差。另外，結合式(4)和式(5)可得Kalman新息序列表達式

e(k)=Xk|k-AXk-1|k-1+Vk

(9)

所以簡化系統的Kalman新息序列e(k)的測量誤差服從高斯分布，是滿足3σ判別準則的前提條件[11]，可建立e(k)測量野值的判定和修正[12]準則

(10)

式中eo(k)為新息測量序列的線性擬合值；T=3σ為門限值，σ為新息序列殘差的標準差。

3 改進新算法

3.1 新算法步驟

1)分析并識別圖像中被跟蹤目標得到目標模板T,依據上述動態子塊劃分流程中步驟(1)～步驟(3)得到全局子塊T0和子塊組T1和T2。

2)在目標預測區域以T0為模板搜索匹配目標得到匹配置信度ε，若ε高于閾值轉到步驟(3)；否則，轉到步驟(7)。

4)利用3σ準則對Kalman新息序列測量值進行野值判定，若判斷結果為真，則跳轉至步驟(6)；否則，跳轉至步驟(7)。

6)選取若干歷史新息序列測量點，線性擬合得到當前新息序列測量值的預測值eo(k)取代測量值e(k)。

7)更新跟蹤框位置并進行目標丟失判斷，若判斷結果為真，則退出循環，算法結束；否則，跳轉至步驟(2)繼續循環。

3.2 實驗結果與分析

3.2.1實驗環境設置

為了檢驗算法的有效性， 采用實驗硬件條件為CPU2.5GHz、 內存4GB、32位 Windows7操作系統的筆記本電腦， 并使用VS2008和OpenCv2.3編程實現。 實驗所用圖像為截取目標跟蹤實驗平臺上得到一組連續的AVI格式的視頻文件(圖像分辨率為320×240)，以模型魚為跟蹤目標，選取模型魚從進入遮擋、嚴重遮擋、退出遮擋3種狀態驗證新算法的有效性和可行性。

在實驗跟蹤過程中，設置Kalman濾波模型的系統白噪聲和觀測白噪聲分別為Q=25，R=5×10-2；全局子塊匹配置信度閾值ε分別為ε=80，ε=90和ε=100；進行野值判定時新息序列線性擬合測量點個數N=5；并采用黑色矩形框標注目標跟蹤結果。圖2為文獻[5]算法的跟蹤結果，圖3為本文新算法在ε=80時的跟蹤結果。

3.2.2實驗結果分析

由圖2可以看出，在第81幀前目標處于無遮擋或小面積遮擋，文獻[5]算法跟蹤效果良好，而在第82幀后目標被大面積遮擋時跟蹤算法失效。

圖2 文獻[5]算法

由圖3可以看出，在第81幀前目標處于無遮擋或小面積遮擋時新算法跟蹤效果良好；第82、第83、第84幀目標出現嚴重遮擋甚至完全遮擋時新算法仍穩定準確跟蹤目標，跟蹤效果明顯優于文獻[5]算法。

圖3 新算法(ε=80)

3.2.3客觀指標對比

1)運動矢量的測量精度

均方根誤差(root mean square error,RMSE)反映了測量數據偏離真實值的程度，用于判別數據相關程度。RMSE越小，表明測量精度越高測量數據越接近真實值

(11)

式中zi為測量值;xi為真實值;n為觀測次數。

文獻[5]方法和本文動態分塊方法所得目標運動矢量的RMSE如表1，選取T0匹配置信度閾值ε分別為ε=80,ε=90和ε=100，運動矢量數據測量次數n=60。

表1 目標運動矢量的RMSE

由表1可知，本文新分塊方法得到的目標運動矢量均方根誤差較小，更接近目標真實的運動矢量。由于目標運動矢量測量結果的RMSE主要受ε影響，綜合考慮算法實時性和有效性選取ε=80，此時新算法得到的目標運動矢量的測量精度較文獻[5]提高了43.15 %。

2)軌跡曲線的累積誤差

目標跟蹤結果的軌跡曲線與真實軌跡曲線的吻合度可直觀反映算法跟蹤結果的準確程度。圖4為模型魚從進入遮擋、嚴重遮擋、退出遮擋過程中，文獻[5]算法和本文算法所得的目標運動軌跡曲線對比。可知，新算法得到的目標軌跡曲線與真實軌跡曲線吻合度較高，表2為實驗曲線相對目標真實軌跡曲線的累積誤差。

圖4 目標軌跡曲線對比

結合圖4和表2分析，新算法所得目標軌跡曲線的累積誤差較小，且在ε=80時,較文獻[5]采用標準分塊匹配算法所得軌跡曲線的累積誤差低了63.82 %，更接近目標真實運動軌跡，進一步證實了新算法抗遮擋跟蹤能力優于標準的分塊匹配算法。

表2 目標跟蹤曲線的累積誤差

4 結束語

本文針對分塊匹配目標跟蹤算法的缺陷提出了一種改進方法，克服了固定子塊對非剛性變化目標適應能力差的缺陷，較大程度提升了目標運動矢量的測量精度；另外，將AKF濾波模型應用于目標位置的濾波中，有效解決了在目標處于嚴重遮擋狀態下算法失效的問題。通過多組實驗結果表明：相對于標準分塊匹配算法，新算法得到的目標運動矢量測量精度提高了43.15 %，對遮擋目標識別率達到了97 %，且算法的速度達110 FPS滿足實時性要求，具有更好的穩定性和魯棒性。

[1] 黎萬義,萬 鵬,喬 紅.引入視覺注意機制的目標跟蹤方法綜述[J].自動化學報,2014,40(4):560-563.

[2] 薛 陳,朱 明,劉春香.遮擋情況下目標跟蹤算法綜述[J].中國光學與應用光學,2009,2(5):388-390.

[3] Adam A，Rivlin E,Shimshoni I.Robust fragments-based tracking using the integral histogram[C]∥IEEE Computer Society Conference on Computer Vision and Pattern Recognition,New York，2006:798-805.

[4] 李冠彬，吳賀豐.基于顏色紋理直方圖的帶權分塊均值漂移目標跟蹤算法[J].計算機輔助設計與圖形學學報，2012,23(12):2059-2066.

[5] 賈松敏，白聰軒，王麗佳，等.多特征分塊匹配的移動機器人目標跟蹤[J].電子設計工程，2016,24(1):22-24.

[6] 施 瀅，高建坡，崔 杰，等.分塊多特征自適應融合的多目標視覺跟蹤[J].傳感器與微系統，2015,34(9):128-130,

[7] 唐學怡.遮擋目標跟蹤技術研究[D].成都：電子科技大學,2009.

[8] 李 宇，曹 潔，徐 微.抗野值卡爾曼濾波器在排隊長度預測中的應用[J].計算機工程與設計,2009,30(12):3015-3017.

[9] 盧曉燕,盧京潮,周良榮,等.野值存在下的BP網絡自適應卡爾曼濾波[J].計算機仿真,2010,27(1):158-160.

[10] 王學斌,徐建宏,張 章.卡爾曼濾波器參數分析與應用方法研究[J].計算機應用與軟件,2012,29(6):212-214.

[11] 盧元磊,何佳洲,安 謹.目標預測中的野值剔除方法研究[J].計算機與數學工程,2013(283):723-724.

[12] 徐利娜,陳俊彪，穆高超.靶場外彈道數據處理中實時野值剔除算法[J].應用光學，2012，33(1):92-94.