《电子技术应用》

一种改进的目标监测与跟踪算法

来源:微型机与应用2013年第22期
武岫缘, 文志强, 龙永新, 高总总, 李世峰
((湖南工业大学 计算机与通信学院,湖南 株洲412000))
摘要: 针对Mean Shift算法在目标跟踪过程中因核窗宽不变导致目标尺度变化时定位不精确的问题,提出了融入边缘检测的方法计算目标大小,从而实现自适应调整核窗宽的改进算法。当目标丢失和发生遮挡时,结合Kalman滤波器对下一帧中目标位置进行预测,提出改进的跟踪算法,有效提高了跟踪的准确性和鲁棒性。

Abstract:

摘  要:针对Mean Shift算法目标跟踪过程中因核窗宽不变导致目标尺度变化时定位不精确的问题,提出了融入边缘检测的方法计算目标大小,从而实现自适应调整核窗宽的改进算法。当目标丢失和发生遮挡时,结合Kalman滤波器对下一帧中目标位置进行预测,提出改进的跟踪算法,有效提高了跟踪的准确性和鲁棒性。
关键词: 目标跟踪; Mean Shift算法; Canny边缘检测; Kalman滤波

    Mean Shift算法是一种典型的无参估计目标跟踪算法,适合非线性运动目标跟踪,具有快速高效的特点[1],广泛应用于运动目标跟踪[2]。Mean Shift最先由FUKUNAGA和HOSTELER提出,之后COMANICIU D将其应用在计算机视觉领域[3]。该算法对目标变形、旋转、边缘遮挡等不敏感,鲁棒性较强[4]。Mean Shift算法整个跟踪过程中核窗宽始终不变,且无运动预测模块,易造成定位不准、目标丢失等问题[5]。本文提出融入边缘检测的方法对传统Mean Shift算法进行改进,并融合Kalman滤波器对目标状态进行预测,提高了跟踪的准确性和鲁棒性。
1 自适应核窗带宽的Mean Shift算法
    自适应核带宽窗口的调整主要是满足目标大小变化,而不考虑目标图像的纹理特征,当前视频帧跟踪结束后,在确定Mean Shift跟踪窗口大小时,采用背景相似度算法在当前目标位置周围提取目标最优特征后进行边缘检测(Canny算子)确定跟踪窗口宽度,根据检测到的目标边缘计算目标形心。
2 改进的目标跟踪算法
    Kalman滤波器能对运动目标位置和速度进行准确预测[6],因此本文采用基于颜色直方图的Mean Shift算法,同时综合考虑目标运动方向和速度信息。把Kalman滤波器预测的下一帧中目标的位置作为迭代初始位,利用Kalman滤波器根据以往的目标位置信息预测目标在本帧图像中可能的位置,Mean Shift算法就可以在这个位置的邻域内找到目标的真实位置。
  

    从上面实验可得:传统算法在第158帧跟踪窗口发生偏移,到第187帧时跟踪窗口被完全偏移到近似物体上,目标丢失。本文算法跟踪窗口随目标尺度的减小而缩小,取得了很好的效果。
    场景2: 目标遮挡且运动方向改变,两种算法跟踪结果如图3、图4所示。
    从上面实验可得:传统算法从第462至第515帧,目标发生遮挡,改变运动方向,造成跟踪失败。改进算法在第462帧实现目标连贯跟踪,具有较好的实时性和鲁棒性。
    场景3:光线较弱,特征不明显的小目标仍能实现对行人的跟踪,但是在该行人打开车门时,由于环境和车的颜色的干扰, 跟踪窗口稍微发生了偏移, 实验效果如图5所示。

 

 

    其中,场景2目标跟踪过程中传统算法和改进算法的迭代次数曲线图如图6所示,本文算法有效减少了跟踪过程中的Mean Shift迭代次数。

   
    n:统计跟踪过程中丢失帧数目,n=0;
    N:判断目标是否丢失;
    θ:衡量相似性函数值[0,1]。
   (1)自动初始化,读取视频帧进行Canny边缘检测,计算出目标几何中心。
 (2)用目标形心作为迭代起始点进行迭代跟踪。
   (3)计算相似性函数值d(y)。
    若d(y)<θ,目标与候选模型匹配, 跟踪有效,更新坐标及目标模型且n=0,继续下一次迭代;若d(y)>θ,目标跟踪框偏移目标较大,目标丢失,对丢失帧计数变量n进行累加计数,转到步骤(4)。
    (4)记当前帧为k,使用Kalman滤波对k+1帧目标位置进行预测输出跟踪点位置。计算k+1帧在此点的特征分布并与保留的目标特征分布进行迭代匹配。
    (5)Kalman预测跟踪的位置一直不能与原目标特征分布匹配,所统计的丢失帧数目n超过设定值N时判断目标丢失,之后重新定位目标。转到步骤(1),对目标进行定位,重新初始化跟踪。
    改进算法流程图如图7 所示。

    从实验结果可知,本文的改进算法在目标进行快速运动、微弱光照下特征不明显时以及背景中发生短时间的遮挡时,都能准确地跟踪到目标,并且能够满足实时性和可靠性的要求。
参考文献
[1] FUKANAGA K, HOSTETLER L D. The estimation of the gradient of a density function,with applications in pattern recognition[J].IEEE Transactions on Information Theory,1975,21(1):32-40.
[2] Yang Ge,Liu Hong. Survey of visual tracking algorithms[J]. Transactions on Intelligent Systems,2010,5(2):95-105.
[3] COMANICIU D, RAMESH V, MEER P. Kernel-based object tracking[J]. IEEE Transactions on Pattern Analysis Machine Intelligence,2003,25(5):564-575.
[4] 许焕明, 高向东. 行人轮廓检测算法研究[J]. 微型机与应用,2012,31(22):38-41,43.
[5] 孙建伟,薛秀萍,刘晓东,等.基于OpenCV的视频序列目标检测与跟踪技术研究[J].电子技术,2013,42(6):19-23.
[6] KHAN Z H, GU I Y H, WANG T, BACKHOUSE A. Joint anisotropic Mean Shift and consensus point feature correspondences for object tracking in video[C]. Proceedings IEEE International Conference Multi-media and Expo,2009:1270-1273.

继续阅读>>