《電子技術(shù)應(yīng)用》
您所在的位置:首頁(yè) > 顯示光電 > 設(shè)計(jì)應(yīng)用 > 基于背景加權(quán)的聯(lián)合顏色紋理直方圖跟蹤算法
基于背景加權(quán)的聯(lián)合顏色紋理直方圖跟蹤算法
2016年微型機(jī)與應(yīng)用第1期
黃清泉1,陳亮1,,龐亮2,,張翼鵬3
1.解放軍理工大學(xué) 通信工程學(xué)院,江蘇 南京 210007,; 2.中國(guó)人民解放軍91202部隊(duì),,遼寧 葫蘆島 125000; 3.南京炮兵學(xué)院 作戰(zhàn)實(shí)驗(yàn)中心,,江蘇 南京 210007)
摘要: 針對(duì)在背景與目標(biāo)顏色相近以及復(fù)雜場(chǎng)景中跟蹤不準(zhǔn)確的問(wèn)題,,提出一種改進(jìn)的背景加權(quán)Mean Shift (均值漂移) 跟蹤算法,在目標(biāo)顏色直方圖中加入紋理特征,,并將局部背景信息引入目標(biāo)特征直方圖中,,以排除復(fù)雜背景的影響。實(shí)驗(yàn)證明,,本文提出的算法在應(yīng)對(duì)復(fù)雜背景及遮擋時(shí)比經(jīng)典的Mean Shift算法以及背景加權(quán)Mean Shift算法更有效,,且擁有不錯(cuò)的運(yùn)行效率。
Abstract:
Key words :

  摘要:針對(duì)在背景與目標(biāo)顏色相近以及復(fù)雜場(chǎng)景中跟蹤不準(zhǔn)確的問(wèn)題,,提出一種改進(jìn)的背景加權(quán)Mean Shift (均值漂移) 跟蹤算法,,在目標(biāo)顏色直方圖中加入紋理特征,并將局部背景信息引入目標(biāo)特征直方圖中,,以排除復(fù)雜背景的影響,。實(shí)驗(yàn)證明,本文提出的算法在應(yīng)對(duì)復(fù)雜背景及遮擋時(shí)比經(jīng)典的Mean Shift算法以及背景加權(quán)Mean Shift算法更有效,,且擁有不錯(cuò)的運(yùn)行效率,。

  關(guān)鍵詞:Mean Shift;顏色紋理直方圖,;背景加權(quán)

0引言

  運(yùn)動(dòng)目標(biāo)跟蹤一直是計(jì)算機(jī)視覺領(lǐng)域的熱點(diǎn)問(wèn)題,, Mean Shift算法以其迭代次數(shù)少、調(diào)節(jié)參數(shù)少,、實(shí)時(shí)性好,、易于工程實(shí)現(xiàn)等優(yōu)點(diǎn)廣泛應(yīng)用于各實(shí)時(shí)跟蹤系統(tǒng)[12],。Cheng Y等[3]于1995年首次將Mean Shift(MS)算法[4]運(yùn)用到模式識(shí)別,此后,,Mean Shift 被廣泛用于目標(biāo)跟蹤,。但由于Mean Shift算法本身使用單一的顏色直方圖表示目標(biāo)特征,且使用了摻雜有背景信息的矩形目標(biāo)模板,,當(dāng)目標(biāo)處于背景與前景顏色相似的環(huán)境時(shí),,極易陷入局部最優(yōu),往往導(dǎo)致跟蹤目標(biāo)丟失,。

  為解決復(fù)雜場(chǎng)景中跟蹤精度低的問(wèn)題,,Comaniciu[5]等提出了背景加權(quán)顏色直方圖MS算法(BackgroundWeighted Histogram Mean Shift, BWHMS),,在直方圖中融入局部背 景信息,,以降低背景特征對(duì)目標(biāo)的影響。Ning Jifeng等[6]證明了BWHMS算法沒有真正實(shí)現(xiàn)將背景信息引入目標(biāo)模型中,,并未達(dá)到實(shí)際效果,,并在BWHMS算法基礎(chǔ)上提出一種改進(jìn)的背景加權(quán)(Corrected Background-Weighted Histogram, CBWH) MS跟蹤算法,提高了算法在復(fù)雜場(chǎng)景的魯棒性,。

  紋理信息是受背景顏色以及光照影響較小的特征,,在跟蹤時(shí)加入紋理信息可以提高跟蹤的穩(wěn)健性。局部二值模式(Local Binary Pattern,,LBP) [7]和它的變形[8]局部三值模式(Local Ternary Pattern,LTP),,由于描述紋理特征時(shí)能力突出,,有較高的計(jì)算效率,從而被廣泛應(yīng)用于跟蹤系統(tǒng)[9],。參考文獻(xiàn)[1011]提取目標(biāo)紋理及顏色直方圖,,跟蹤能力有所提升。以上基于顏色紋理的跟蹤算法雖然一定程度上提高了復(fù)雜場(chǎng)景的跟蹤效果,,但都沒有考慮背景對(duì)目標(biāo)定位的干擾,。

  為有效地解決以上問(wèn)題,本文在CBWHMS算法的基礎(chǔ)上提出了一種聯(lián)合R,、G,、B顏色和LBP紋理混合特征直方圖描述目標(biāo),并使用背景加權(quán)的MeanShift算法,。實(shí)驗(yàn)顯示,,本文改進(jìn)的方法不僅在背景干擾大時(shí)跟蹤精度更高,而且對(duì)于復(fù)雜場(chǎng)景的魯棒性更強(qiáng),,同時(shí)具有較好的計(jì)算效率,。

1經(jīng)典Mean Shift算法

  Mean Shift算法是通過(guò)人機(jī)交互的方式在起始幀通過(guò)鼠標(biāo)劃定一個(gè)矩形目標(biāo)區(qū)域,,計(jì)算區(qū)域中像素點(diǎn)的各特征值在特征空間中的概率,得到目標(biāo)模型,;在后續(xù)幀中可能出現(xiàn)目標(biāo)的候選區(qū)域得到目標(biāo)候選模型,;然后引入Bhattacharyya系數(shù)對(duì)目標(biāo)模型和候選目標(biāo)模型進(jìn)行相似性度量,通過(guò)求Bhattacharyya系數(shù)的最大值得到目標(biāo)的當(dāng)前位置,,實(shí)現(xiàn)對(duì)目標(biāo)的跟蹤,。

  11目標(biāo)模型

  基于加權(quán)核函數(shù)的目標(biāo)模型的概率密度函數(shù)u表示為:

  1.png

  式中,u是直方圖分量u的值,; m是分量個(gè)數(shù),,通常m取32或者16,如果未量化則默認(rèn)為256,;h是核函數(shù)k(x)的窗寬,; δ是Kronecker Delta函數(shù);b(xi)是xi處像素對(duì)應(yīng)的直方圖中的顏色索引,;常數(shù)C為歸一化系數(shù),,由約束條件:∑mu=1u=1,得到:C=1∑ni=1ky0-xih2,。

  12候選目標(biāo)模型

  候選目標(biāo)模型的概率密度函數(shù)u表示為:

  2.png

  13目標(biāo)模型和候選模型的相似性度量

  目標(biāo)模型與候選目標(biāo)模型兩者間的相似性常用Bhattacharyya系數(shù):(y)=∑mu=1p^u(y)q^u來(lái)計(jì)算,。用泰勒公式展開得到:

  34.jpg

  在當(dāng)前幀中不同的候選區(qū)域計(jì)算得到不同的候選模型,使得Bhattacharyya系數(shù)最小的候選區(qū)域即是本幀中目標(biāo)的位置,。MS算法就是在新的幀中確定一個(gè)候選位置,,使得Bhattacharyya系數(shù)最大。

2融合背景信息的顏色紋理直方圖均值漂移跟蹤算法

  21LBP紋理特征

  LBP擁有旋轉(zhuǎn)不變性,、灰度不變性,,是高效的局部紋理特征描述符,多被應(yīng)用于特征識(shí)別,、紋理分類等領(lǐng)域,。LBP計(jì)算圖像中各像素與其相鄰像素的灰度值并進(jìn)行比較,比較結(jié)果用二進(jìn)制模式表示以描述紋理,,計(jì)算公式為:

  5.png

  其中,,目標(biāo)像素的局部區(qū)域用P和R表示,P是鄰域內(nèi)像素的數(shù)目,,R是中心像素與相鄰像素的距離,;gp是圓心為像素點(diǎn)(xc,yc)、半徑為R的鄰域內(nèi)P個(gè)像素點(diǎn)的灰度,;gc是中心像素點(diǎn)(xc,yc)的灰度,。函數(shù)s(x)定義為:

  6.png

  但由式(5)表示的LBP不具有旋轉(zhuǎn)不變性,并不適合用來(lái)對(duì)目標(biāo)姿勢(shì)改變下進(jìn)行特征建模。對(duì)于這一缺點(diǎn),,參考文獻(xiàn)[12]給出了一種改進(jìn)的LBP,,定義為:

  LBPriu2P,R=∑P-1p=0s(gp-gc),U(LBPP,R)≤2

  78.png

  22聯(lián)合紋理顏色直方圖

  使用上述改進(jìn)LBP,對(duì)目標(biāo)的每個(gè)像素點(diǎn)進(jìn)行計(jì)算,,得到一個(gè)LBPriu2P,R,,當(dāng)P=8,R=1時(shí),,取值范圍為0~9,,計(jì)算目標(biāo)的紋理特征,再結(jié)合R,,G,,B三維的顏色直方圖聯(lián)合定義紋理顏色直方圖。但是通過(guò)實(shí)驗(yàn)得知,,這樣定義的聯(lián)合紋理顏色直方圖并未明顯地改善在目標(biāo)與背景相似時(shí)的跟蹤效果,。為增強(qiáng)視頻圖像中不平坦區(qū)域的特征表示能力,減少來(lái)自平坦區(qū)域的干擾,,參考文獻(xiàn)[8]只保留9種之中共5種不平坦的均勻模式,。此外,為增強(qiáng)對(duì)平坦區(qū)域的抗干擾能力,,增加一項(xiàng)抗干擾因子r,,對(duì)灰度值波動(dòng)的容忍度越大,r的絕對(duì)值越大,。最終本文定義紋理特征的計(jì)算如下:

  9.png

  該紋理特征只計(jì)算目標(biāo)區(qū)域中變化劇烈的像素點(diǎn),,來(lái)自平坦區(qū)域的影響被大大削弱,彌補(bǔ)了單一顏色特征直方圖的不足,。融合上述LBPriu28,1的特征值和顏色直方圖,,定義聯(lián)合紋理顏色直方圖為:

  1011.jpg

  在本文算法中,取維度m=8×8×8×5,,最后一維表示LBPriu28,1中5種紋理模式,前三維表示三維顏色通道,。

  23基于背景權(quán)重的顏色紋理特征概率分布

  由于跟蹤目標(biāo)通常使用矩形區(qū)域表示,,不可避免地包含了一些背景信息,為了減少背景信息的干擾,,本文將背景權(quán)重引入顏色紋理特征,,重新定義目標(biāo)模型和候選目標(biāo)模型。

  新的目標(biāo)模型為:

  ′u=C′vu∑ni=1kx*i2δb(x*i)-u(12)

  新的候選目標(biāo)模型為:

  1314.jpg

  在第一幀對(duì)初始目標(biāo)初始化,,得到其初始位置并計(jì)算得到背景的特征模型{u}u=1,…,m(∑mi=1u=1),;計(jì)算當(dāng)前幀背景特征{′u}u=1,…,m和{v′u}u=1,…,m;然后,,計(jì)算{′u}u=1,…,m與上一幀背景模型{u}u=1,…,m之間的相似度Bhattacharyya系數(shù),,其表達(dá)式為:

  ρ=∑nu=1o^uo^′u(15)

  如果ρ<ε,,表明背景變化較大,則更新背景模型:

  {u}u=1,…,m←{′u}u=1,…,m,,{vu}u=1,…,m←{v′u}u=1,…,m,。同時(shí)將{v′u}u=1,…,m代入式(12)計(jì)算目標(biāo)模型。否則,,不更新背景模型,。

  24顏色紋理直方圖的背景加權(quán)MS算法

  改進(jìn)算法的步驟如下:

  (1)初始化,獲取目標(biāo)初始位置y0,。根據(jù)式(10)計(jì)算目標(biāo)模型的  和 背景模型的{u}u=1,…,m,;計(jì)算 {vu}u=1,…,m并根據(jù)式(12)計(jì)算′;

  (2)賦值k←0,;

  (3)根據(jù)式(13)計(jì)算當(dāng)前幀候選目標(biāo)模型的(y0),;

  (4)根據(jù)式(14)計(jì)算權(quán)重ω′i;

  (5)根據(jù)式(3)計(jì)算新位置y1,;

  (6)賦值d←y1-y0,,y0←y1,k←k+1,;誤差閾值ε1←01,,最大迭代次數(shù)為N。如果d<ε1 or k>N,,計(jì)算當(dāng)前幀的背景特征{′u}u=1,…,m和{v′u}u=1,…,m,;如果ρ<ε2,則更新背景模型:{u}u=1,…,m←{′u}u=1,…,m,,{vu}u=1,…,m←{v′u}u=1,…,m,,并更新目標(biāo)模型:{′u}u=1,…,m,跳轉(zhuǎn)至步驟(2)跟蹤下一幀目標(biāo),;否則 ,,k←k+1 并跳轉(zhuǎn)至步驟(3)。

  改進(jìn)后算法流程如圖1所示,。

  

001.jpg

3實(shí)驗(yàn)結(jié)果

  為驗(yàn)證本文改進(jìn)算法的性能,,挑選了幾段標(biāo)準(zhǔn)的測(cè)試視頻進(jìn)行測(cè)試,并與只基于顏色直方圖的傳統(tǒng)MeanShift跟蹤算法(MS)以及基于背景加權(quán)的顏色直方圖跟蹤算法(CBWHMS)對(duì)比,。在圖2,、圖3中由上至下依次為經(jīng)典MS算法、CBWHMS算法,、改進(jìn)的顏色紋理直方圖的背景加權(quán)MS算法的跟蹤結(jié)果,。

002.jpg

  如圖2所示,選取行人經(jīng)過(guò)電線桿的視頻作為測(cè)試視頻,測(cè)試改進(jìn)算法在遮擋情況下的魯棒性,。在經(jīng)過(guò)電線桿以后,,由于目標(biāo)被遮擋,MS算法以及CBWH-MS算法難以區(qū)分遮擋環(huán)境中的目標(biāo),,降低了跟蹤效果,。而改進(jìn)算法能很好地定位到目標(biāo),說(shuō)明改進(jìn)算法相比于上述兩種算法,,在遮擋情況下具有更強(qiáng)的魯棒性,。

  如圖3所示,選取快速晃動(dòng)的玩具貓的視頻作為測(cè)試視頻,,測(cè)試改進(jìn)算法在復(fù)雜背景下的抗干擾性及計(jì)算效率,。在玩具貓快速運(yùn)動(dòng)的過(guò)程中,MS算法受到復(fù)雜背景的影響,,難以從環(huán)境中區(qū)分出目標(biāo),,跟蹤效果不是很好; CBWHMS算法加入了背景信息,,但跟蹤效果次于改進(jìn)算法,,說(shuō)明融合了紋理特征的改進(jìn)算法能夠提高在復(fù)雜環(huán)境中的跟蹤魯棒性。同時(shí),,改進(jìn)算法能夠?qū)焖龠\(yùn)動(dòng)的目標(biāo)進(jìn)行實(shí)時(shí)跟蹤,,具有實(shí)時(shí)性。

  對(duì)三種算法的計(jì)算性能進(jìn)行了比較,,結(jié)果如表1所示,,可以看出,本文算法效率低于經(jīng)典的MS算法,,但與CBWHMS算法的效率相持平,,能夠滿足實(shí)時(shí)性的要求。

003.jpg

4結(jié)論

  本文提出了一種顏色紋理混合直方圖的背景加權(quán)均值漂移跟蹤算法,,融合了傳統(tǒng)的RGB顏色直方圖以及基于LBP表示的紋理特征,。為降低背景對(duì)跟蹤的影響,部分性地加權(quán)背景信息,,從而提高背景復(fù)雜環(huán)境中的跟蹤效果,。相比于只基于顏色直方圖的傳統(tǒng)MeanShift跟蹤算法(MS)以及基于全部背景更新的顏色直方圖跟蹤算法(CBWH-MS),改進(jìn)算法在背景復(fù)雜的場(chǎng)景中具有較好的計(jì)算效率,,且能夠?qū)δ繕?biāo)進(jìn)行更有效,、更準(zhǔn)確的跟蹤,。

  參考文獻(xiàn)

 ?。?] 陳東岳,陳宗文.基于特征顯著性的均值漂移魯棒目標(biāo)跟蹤[J].上海交通大學(xué)學(xué)報(bào),2013,47(11):1807-1812.

  [2] 王宇雄,,章毓晉,,王曉華.4-D尺度空間中基于Meanshift的目標(biāo)跟蹤[J].電子與信息學(xué)報(bào),2010,32(7):1626-1632.[3] Cheng Yizong. Mean shift mode seeking and clustering [J].IEEE Transactions on Pattern Analysis and Machine Intelligence, 1995, 17(8):790-799.

 ?。?] FUKUNAGA K,HOSTELLERL 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.

 ?。?] COMANICIU D,RRAMESH V,Meer P. Realtime tracking of nonrigid objects using mean shift[C].IEEE Conference on Computer Vision and Pattern Recognition,2000: 142-149.

  [6] Ning Jifeng, Zhang Lei, ZHANG D, et al. Robust mean shift tracking with corrected backgroundweighted histogram[J]. IET Computer Vision, 2010, 6(1):62-69.

 ?。?] HEIKKIA M,PIETKAINEN M,SCHMID C.Description of interest regions with local binary patterns[J].Pattern Recognition, 2009, 42(3):425-426.

 ?。?] TAN X,TRIGGS B.Enhanced local texture feature sets for face recognition under difficult lighting conditons[J]. Image Processing, 2010,19(6):1635-1650.

  [9] 張紅穎,,胡正.融合局部三值數(shù)量和色度信息的均值漂移跟蹤[J].電子與信息學(xué)報(bào),,2014, 36(3):624-630.


此內(nèi)容為AET網(wǎng)站原創(chuàng),未經(jīng)授權(quán)禁止轉(zhuǎn)載,。