基于ViBe和粒子濾波的多目標汽車跟蹤

孫奔奔

摘 要：針對汽車多目標跟蹤，提出了基于自適應閾值ViBe算法和粒子濾波的汽車多目標跟蹤方法。通過ViBe算法提取運動車輛前景區域，對每個運動車輛目標創建獨立的粒子濾波器，使用Harris算法計算角點數，以初始化粒子數，通過粒子濾波對車輛進行跟蹤。該方法經實驗驗證，魯棒性較好。

關鍵詞：ViBe算法;粒子濾波;多目標跟蹤;Harris算法;魯棒性;前景檢測

中圖分類號：TP391文獻標識碼：A文章編號：2095-1302（2020）04-00-02

0 引 言

圖像處理在車輛跟蹤方面具有廣泛的應用。常用的檢測算法如幀間差分法、光流法、背景差分法等[1]，其特點如下所示：

（1）幀間差分法對于目標運動快慢較為敏感;

（2）光流法在復雜背景下的目標跟蹤準確性好，但計算復雜，且抵抗噪聲能力較差[2];

（3）背景差分法適用于噪聲干擾等復雜場景，在目標檢測中魯棒性強[3-5]，如GMM（混合高斯模型）背景差分，建模初始化和參數估計時間長[6]。

在跟蹤方法中，常用的跟蹤算法有Camshift，Kalman濾波，粒子濾波法等[7]，其特點如下所示：

（1）基于Camshift的方法僅能夠對顏色模型進行跟蹤，一旦模型顏色相近就會出現誤跟蹤的情況;

（2）Kalman濾波方法只能用于線性跟蹤的場景，無法解決車輛出現突然停止等速度突變的情況;

（3）粒子濾波法通過隨機樣本描述概率分布，處理非線性非高斯情況效果較好[8-9]。

本文采用背景差分法中的ViBe算法解決多目標跟蹤問題。通過自適應閾值改進的ViBe算法具有速度快、適應光照變化等優點。提取運動目標前景區域，對每個運動車輛目標創建獨立的粒子濾波器，通過計算Harris角點數來初始化粒子數，對車輛進行跟蹤，解決粒子濾波計算量大的問題。

1 算法描述

1.1 自適應閾值ViBe算法

ViBe算法主要包括三個方面，即模型的初始化方法、模型的背景檢測、模型的更新策略。

1.1.1 模型的初始化

通過一幀圖像即可完成ViBe的初始化。利用相近像素點擁有相近時空分布的特性，填充像素樣本集[10]。對于一個像素點而言，隨機選擇其鄰域點的像素值作為它的模型樣本值。

式中：t=0為初始時刻;NG（x）為鄰域點;M0（x）為背景樣本集;v0（y）為樣本值。

1.1.2 背景檢測過程

以顏色模型計算失真值，如圖1所示。

式中，δ為顏色失真值。

自適應閾值方法中，閾值大小與樣本集的方差成正比，樣本集方差越大，說明背景越復雜，判定閾值就越大。其中，0.5σm區間在[20，40]范圍內。當計算某像素點的δ小于20，且在歐式距離上匹配度低于閾值的數目超過2個時，判斷該點為背景點。

1.1.3 背景模型更新策略

ViBe算法采用無記憶更新策略，在每次確定需要更新像素點的背景模型時，以新的像素值隨機取代該像素點樣本集的一個樣本值。

當像素點V（x）被分類為背景時，隨機選擇該像素點背景樣本集M（x）中的一個值，以V（x）替換。同時，對V（x）鄰域的背景模型樣本值也以等概率的方式進行更新。經過Δt時間后，模型樣本值隨時間變化的概率為：

1.2 粒子濾波

粒子濾波通過隨機選取粒子以保持粒子的多樣性，但此舉會導致全局搜索而降低效率。本文將粒子濾波應用在ViBe前景提取的車輛區域的固定框內初始化粒子集，縮小了計算范圍，提高了運算速率。

2 算法處理過程

算法處理過程如下：

（1）選擇前50幀圖像，采用背景差分法進行背景更新，防止視頻中的運動車輛造成鬼影問題;

（2）采用自適應ViBe算法檢測運動目標，通過Sobel檢測算法去除陰影并對輪廓內的圖像做種子搜索算法運算來填充空洞，對進入視頻中的運動物體進行跟蹤，得到運動目標的前景，對完整進入視頻的車輛確定最小外圍矩形，并框選出目標區域;

（3）對目標車輛分配不同的粒子濾波器，通過Harris算法對框內的車輛目標進行角點檢測，將角點數目作為粒子數，初始化粒子集;

（4）狀態轉移，計算上一階段多次重采樣獲得的粒子的下一時刻位置;

（5）歸一化權值，即;

（6）對新位置進行預測，待所有粒子相似度加權后，將結果作為目標可能的位置;

（7）對目標軌跡進行重采樣，根據粒子權重對粒子進行篩選，重新分布粒子;

（8）獲取下一幀圖像。

車輛跟蹤流程如圖2所示。

3 實驗及結論

圖3所示為自適應閾值ViBe算法通過前景提取繪制出的兩車輛最小外界矩形。計算前景區域內的Harris角點作為粒子濾波器的初始粒子數，分別為175（左）和152（右），帶入粒子濾波器對兩車輛進行跟蹤。跟蹤過程中選取300幀視頻中的第190幀，第213幀，第237幀，發現跟蹤框能夠實時跟蹤車輛位置，如圖4所示。本文為每個車輛分配不同的粒子數目，并且粒子數目遠小于全局粒子濾波的數目，以有效減少計算量，提高跟蹤效率。試驗表明，本方法對車輛跟蹤具有很好的魯棒性。

4 結 語

本文對公路場景中多車輛的跟蹤情況，提出將自適應閾值的ViBe算法和粒子濾波相結合，以實現對多目標的檢測和跟蹤。試驗結果表明，本文方法對于多目標的跟蹤和檢測具有很好的效果。下一階段將繼續優化程序以加快檢測和跟蹤速率。

參考文獻

[1]曾巧玲，文貢堅.運動目標跟蹤綜述[J].重慶理工大學學報（自然科學版），2016，30（7）：103-111.

[2] BARNICH O，DROOGENBROECK M V. ViBe：a universal background subtraction algorithm for video sequences [J]. IEEE transactions on image processing，2011，20（6）：1709-1724.

[3]厲丹，鮑蓉，孫金萍，等.多分辨率LK光流聯合SURF的跟蹤方法[J].計算機應用，2017，37（3）：806-810.

[4]歐陽梓標，牛燕雄，謝朋言.一種改進的基于ViBe的運動目標檢測方法[J].半導體光電，2018，39（2）：260-263.

[5]徐文瀚，程石磊.基于改進ViBe算法的前景檢測[J].電子技術與軟件工程，2017（16）：82-83.

[6] KAEWTRAKULPONG P. An improved adaptive background mixture model for real-time tracking with shadow detection [Z]. Video based surveillance systems：computer vision and distributed processing，2001.

[7]王輝，宋建新.一種基于閾值的自適應ViBe目標檢測算法[J].計算機科學，2015（z1）：154-157.

[8]李明杰，劉小飛，張福泉，等.基于粒子濾波和背景減除的多目標檢測與跟蹤算法[J].計算機應用研究，2018，35（8）：272-275.

[9] LIU F，XUAN S，LIU X. Video target tracking based on a new adaptive particle swarm optimization particle filter [C]// International Conference on Intelligent Computing. Springer，Berlin，Heidelberg，2013.

[10]張紅瑞，馬永杰.融合混合高斯模型的改進的ViBe算法[J].西北大學學報（自然科學版），2017，43（3）：361-366.