动态图像跟踪优化算法的研究与仿真

睢丹 侯德恒

摘 要： 传统图像跟踪算法中，跟踪的图像搜索过程需要历遍所有特质，在图像场景较为复杂的情况下，在“无用”匹配点上耗费大量计算时间，跟踪过程误差较大。提出一种适用于复杂场景下动态图像跟踪优化算法，选择在复杂场景下鲁棒性较强的参数，以增加复杂场景下目标描述的信息量和稳定性；引入一种MAD（平均绝对差）匹配算法：在进行动态图像跟踪过程中采用MAD算法和鲁棒性参数相结合，通过动态帧图像和静态帧对比量即MCD（最多临近点），设定跟踪阈值，通过选取后的图像实现动态图像的运动目标跟踪。仿真实验结果表明，提出方法的跟踪精度对比传统方法有明显提高。

关键词： 目标跟踪； 灰度直方图； 边缘梯度直方图； 动态图像跟踪

中图分类号： TN911?34 文献标识码： A 文章编号： 1004?373X（2016）06?0098?03

Research and simulation of dynamic image tracking and optimization algorithm

SUI Dan， HOU Deheng

（School of Software Engineering， Anyang Normal University， Anyang 455000， China）

Abstract： The search process of the tracked image in traditional image tracking algorithm needs to traverse all idiosyncrasies， which expend a large amount of computing time on “useless” matching points in complex image scene， and result in big error in tracking process. A dynamic image tracking and optimization algorithm applied to complex scene is put forward. The parameter with strong robustness in complex scene was selected to increase the information quantity and stability of the goal description in complex scene. A MAD （mean absolute deviation） matching algorithm is introduced. The combination of MAD algorithm and robustness parameter is adopted in the process of dynamic image tracking. The tracking threshold is set by the contrast quantity （MCD） of the image static and dynamic frames. The selected image can realize the moving target tracking in dynamic image. The simulation experiment results show that the tracing precision of the proposed method is improved more obviously in comparison with that of traditional method.

Keywords： target tracking； gray histogram； edge gradient histogram； dynamic image tracking

0 引 言

动态目标的图像跟踪技术是图像处理领域一个非常重要的分支，该项技术广泛应用于军事监控、视觉导航、侦察预警、精确制导等军事和民用领域[1]。动态目标图像跟踪就是将高速运动的物体图像清晰的进行位置计算，通过计算运动物体的图像，计算出跟踪抓拍的目标速度等参数，将目标物体捕获。在对动态图像进行跟踪的过程中，需要对动态图像的单帧画面逐一进行计算以捕获所需要的目标，如使用方法不当很难在全部图像中得到完整的动态图像，跟踪效果不好。在复杂背景的运动环境中，对动态图像的跟踪计算更难，因此，在复杂背景条件下如何达到性能稳定的目标跟踪效果，成为了该领域专家研究的重点课题[2?4]。

传统的动态图像跟踪方法有背景差分法[5]、帧间差分法[6]、光流法和基于区域的跟踪方法等，但是都存在较大的应用缺陷。文献[7]中提到的基于动态特征图像跟踪方法，在进行动态计算过程中使用的系统算法过于粗糙，运动物体特征提取不明显，速度参数及加速度计算和非匀速物体特征提取易产生困难。

1 基于复杂场景下动态图像跟踪优化算法

1.1 跟踪参数的选择与计算

在动态图像跟踪过程中，传统的方法多存在较大的缺陷，最关键的问题是无法解决复杂背景的干扰问题[8?10]。本文在对传统算法进行充分研究的基础上，提出一种优化方法，过程如下：

在跟踪的过程中，采用对比度和色阶两种参数表达运动图像特征，并利用[HG]和[HOG]对对比度和色阶两种参数进行建模。[HG]将动态图像对比度空间分为[m]区域[（bin）]，通过匹配算法对动态图像区域[xii=1，2，…，n]进行计算，其中，[n]是像素数。将对应的对比度和色阶两种参数直接映射。每一帧区域的图像为：

[pu=C1i=1ngxihδui， u=1，2，…，m] （1）

式中：动态图像常数[C1]为调节参数；[g]为对比度函数，其与[HOG]和[HG]的比值相关；[h]为对比度宽度；[δui]为Kronecker参数。

对动态图像对比度进行求解计算，可捕获动态目标图像的色阶特征。将动态目标图像大小设定为[36×36]的图像，然后将静态帧图像分为4个[9×9]的子区域，分别记为区域名①～④，如图1（a）所示。将每个子区域名进行二维空间的8方向划分，将不同区域标记，分别标记为1～8，如图1（b）所示。

图1 HOG区域分割及方向直方图区间

计算动态目标图像数据区域中，每帧图像数据值，将对比度和色阶两种参数映射到8个区域内，可得到对比度和色阶两种参数直方图，与计算对比度和色阶两种参数方法类似。然后按照不同区域进行的方法，将所有直方图进行组合计算，得到最优区域解，然后计算里面的不同参数，方法如下：

[I=G（σ，0）?I0] （2）

[dy=I（x+1，y）-I（x-1，y）] （3）

[dx=I（x，y+1）-I（x，y-1）] （4）

[θ（x，y）=αtan2（dy，dx） θ∈[0，2π]] （5）

其中：[I0]为静态图；[G（σ，0）]为动态目标图像经过高斯滤波后的静态环境图；[I]为静态环境图像滤波后动态图像；[I（x，y）]设定帧图像；[θ（x，y）]为运动目标图像运动方向，具体值在[0～2π]范围内。

1.2 跟踪的优化过程实现

在应对复杂背景的干扰下，引入一种MAD（平均绝对差）匹配算法：在进行动态图像跟踪过程中采用MAD算法和第1.1节求出的参数相结合，通过动态帧图像和静态帧对比量即MCD（最多临近点），具体计算方法如下：

设定动态图像[T（x，y）]数据数量为[M×N]，与其相邻帧图像大小的数据[S]的距离为：

[D（x，y）=x=1My=1NR（Tx，y，Sx，y）] （6）

其中：

[R（Tx，y，Sx，y）=1， Tx，y-Sx，y

具体步骤为：首先比较待匹配的两幅图像对应像素点的灰度绝对差，如果这个绝对差小于某个确定的门限，就认为这两点相似；然后统计整幅图像区域中，对应点像素绝对差小于这个门限的数目，即可确定这两幅图像的相似程度。把这个数目定义为MCD距离，MCD越大说明两幅图像越相似，反之则越不相似。当将模板图像在目标图像内滑动时，统计每个位置处的图像与模板图像的MCD距离，可以得到整个图像的一个相关曲面，最后寻找这个相关曲面的峰值即可确定最佳匹配位置。MCD算法的优点在于其运算量比较小，且对于局部灰度信息不存在突变的目标，跟踪比较准确。CCD拍摄图像时由于拍摄过程中的抖动以及仪器自身的缺陷，其拍摄的图像具有形变、遮挡、局部噪声高等特点，当在这种复杂场景图像中运用MCD算法时，容易产生误匹配，针对此不足，需要进行修正，即规一化：

对式（6）中的[D（x，y）]归一化得到一个相似性测度[RD（x，y）]为：

[RD（x，y）=D（x，y）（M×N）] （8）

将其归一化后，即使局部图像像素强度发生了变化，也可以将这种影响降到最低，克服复杂背景图像时，由于局部像素强度异常而产生误匹配。

2 实验结果及分析

验证本文算法需要采集动态图像，图像的获取是进行跟踪实验的前提条件，本文实验通过硬件设备CCD（Charge CouPled Device）摄像机和视频采集卡硬件设备来实现的。

利用实际拍摄的坦克动态图像对特征融合的效果进行验证，并分别与传统方法在复杂背景下的特征融合效果进行比较。如图2所示，坦克使用了沙漠迷彩涂装，其灰度与地面灰度较为接近，因此传统方法不能有效描述目标特征，在第250帧跟踪出现漂移，至第500帧完全丢失。采用本文方法进行特征融合，如图3所示，能够较为明显的分出目标和背景，因此在整个动态图像中都能较好地对目标进行跟踪。

图2 传统方法下的目标跟踪结果

图3 本文方法下的目标跟踪结果

利用背景差的传统方法[11]与本文研究方法对同一匹配位置的运行时间进行比较，比较结果如图4所示。

图4 不同方法的准确度对比

通过对图4进行对比分析能够得知，利用本文方法与传统方法分别进行动态图像跟踪，实验结果表明，本文方法的跟踪效果较传统方法具有明显优势。

3 结 语

本文提出一种基于复杂场景下特征动态图像跟踪优化算法，采用了一种新的图像间的相似性度量以实现动态图像中的运动目标跟踪。仿真实验结果表明，所提出方法的跟踪速度和精度比传统方法有明显提高，证实了研究方法的可行性。

参考文献

[1] 杨卫平，李智勇，沈振康，等.动态图像分析[M].北京：国防工业出版社，1999.

[2] 程淑红.动态图像目标跟踪算法研究[D].秦皇岛：燕山大学，2012.

[3] 周颢.复杂背景下的运动目标分割和识别的关键技术研究[D].上海：上海交通大学，2004.

[4] 彭艳芳.视频运动目标监测与跟踪算法研究[D].武汉：武汉理工大学，2010.

[5] 张广超.动态图像的自动跟踪和识别技术研究[D].太原：中北大学，2008.

[6] 王江涛.基于视频的目标检测、跟踪及其行为识别研究[D].南京：南京理工大学，2007.

[7] 岑银.智能视频监控中运动目标跟踪技术研究[D].成都：西南交通大学，2010.

[8] LUCAS B D， KANADE T. An iterative image registration technique with an application to stereo vision [C]// Proceedings of Image Understanding Workshop. San Francisco： Morgan Kaufmann， 1981： 121?130.

[9] TRIGGS B. Factorization methods for projective structure and motion [C]// Proceedings of 1996 IEEE Conference on Computer Vision and Pattern Recognition. [S.l.]： IEEE， 1996： 845?851.

[10] STURM P， TRIGGS B. A factorization based algorithm for multi?image projective structure and motion [C]// Proceedings of 4th European Conference on Computer Vision. Cambridge： Springer Berlin Heidelberg， 1996： 709?720.

[11] HAN M， KANADE T. Creating 3D models with uncalibrated cameras [C]// 2000 IEEE Workshop on Application of Computer Vision. [S.l.]： IEEE， 2000： 178?185.