基于目標跟蹤中的模板分塊更新算法

韓銳 徐靜 萬博科技職業(yè)學院

引言

現(xiàn)階段，目標跟蹤算法可以劃分為基于原圖像的模式匹配目標跟蹤算法以及基于運動檢測的目標跟蹤算法。在目標過程中，由于可能被外界障礙物所遮擋，或是出現(xiàn)外觀上的變化，因此想要精準的完成目標跟蹤，就必須要對相應的模板進行更新。基于此，探究基于目標跟蹤的模板分快更新算法有著極高的現(xiàn)實價值。

一、目標跟蹤的原理簡述

目標跟蹤就是在連續(xù)的視頻序列中，建立所要跟蹤物體的位置關系，得到物體完整的運動軌跡；通過給定圖像第一幀的目標坐標位置，完成在下一幀圖像中目標確切位置的計算。在實際的運動過程中，目標可能會出現(xiàn)一些視覺上的變化，例如姿態(tài)或形狀的變化、尺度的變化、背景遮擋或光線亮度的變化等，對于目標跟蹤算法而言，其主要圍繞著解決這些變化和具體的應用展開探究。

二、區(qū)分遮擋與外觀變化的模板更新

（一）遮擋與外觀變化的區(qū)分算法

1.分塊跟蹤算法

在目標跟蹤中，需要在當前幀中提取與模板相似程度最高的區(qū)域。假定，當前幀的某候選坐標為y，并將一個中心為y+dy的矩形塊定義為qty，此時，使用公式就能夠計算出各個候選目標與目標模板之間的相似度。其中，代表著塊pt和塊qty的直方圖匹配距離，該數(shù)值越小，則表明兩塊直方圖之間的相似程度越高。使用公式可以完成目標各塊與模板中對應塊之間的匹配距離更新權重。其中，代表著的方差。

2.對可能發(fā)生遮擋或外觀變化的模板分塊進行檢測

在上文中，獲取了模板各塊的權重。一般來說，當這一權重值小于0.5時，則證明目標塊的灰度分布發(fā)生了較大的變化，極有可能發(fā)生遮擋或是外觀變化，此時，該目標塊可視為無效塊處理。

3.無效塊的主灰度分量反投影

對于無效塊來說，若是其主要由遮擋造成，則該塊的灰度分布上更容易出現(xiàn)在前一幀背景區(qū)域或是丟失塊區(qū)域；若是無效塊的產生主要由外觀變化造成，則該塊的灰度分布上更容易出現(xiàn)前一幀目標區(qū)域。基于這樣的情況，使用將無效塊的主灰度分量反投影至前一幀目標以及環(huán)形背景的方式更為適用，且能夠計算出無效塊灰度來源于前一幀目標及背景區(qū)域的概率。

在本次研究中，使用MGC替代無效塊的灰度分布反投影，利用公式能夠計算出無效塊的平均直方圖。其中，qt代表著無效塊、c代表著無效塊的數(shù)量。選取計算結果中前五個最大的灰度分量，使用如下公式即可完成其空間離散度的計算，即：

在上述公式中，x0代表著目標當前的位置；xi代表著目標及環(huán)形背景中p的坐標；δjb代表著Kronecker函數(shù)；NB代表著q的總個數(shù)。對計算出的空間離散度進行排序，選取前三個小灰度分量作為MGC。

對完成反投影操作的圖像進行灰度級擴展以及形態(tài)學處理，能夠得出：在反投影處理后，圖像中的白色像素是的灰度與無效塊主灰度相同的像素；在目標被遮擋的情況下，由于灰度變化主要來源于外部障礙物，所以反投影圖顯示出的無效塊MGC普遍倆源于背景中的障礙物；在目標旋轉的情況下，由于灰度改變導致無效塊產生，所以反投影圖顯示出的無效塊MGC普遍來源于目標。

4.遮擋與外觀變化的判斷

若是將障礙物當做外觀變化而構建起新的模板，則會導致目標完全丟失的問題發(fā)生。相比較來說，將外觀變化當做遮擋就不會產生模板更新，出現(xiàn)目標完全丟失的概率較低。基于這樣的情況，本研究認為遮擋的優(yōu)先級別高于外觀變化。此時，外觀變化的判斷過程如下：統(tǒng)計整個反投影圖中前景像素的個數(shù)以及目標區(qū)域內前景像素的個數(shù)；此時，若是無效塊內的灰度屬于目標的概率滿足則可判定目標出現(xiàn)外觀變化，反之課判定為遮擋。其中，th表示閾值，在本研究中設定為0.8。

（二）模板更新規(guī)則

在檢測中，若發(fā)現(xiàn)目標被部分遮擋，則根據算法規(guī)則不對模板進行更新，以此避免障礙物信息增加至模板內。結合上述分析能夠看出，在大塊背景混入目標或是目標外觀變化后的灰度與背景保持一致時，會出現(xiàn)將外觀變化誤判為遮擋的情況。一般來說，背景混入不會發(fā)生模板更新，而在灰度一致的情況下，如更新模板會加重干擾，因此不更新模板，并利用其余匹配度較好的分塊展開繼續(xù)跟蹤。若目標發(fā)生外觀變化，僅對權重低于0.5的模板塊進行更新。

三、總結

綜上所述，使用無效塊灰度對目標區(qū)域、環(huán)形背景區(qū)域反投影的方式完成遮擋與外觀變化的區(qū)分有著更好效果。同時，使用相應的模板更新算法，能夠在目標發(fā)生遮擋或是外觀變化的情況下保證跟蹤效果。