基于改进分块匹配和AKF的抗遮挡目标跟踪*

杨 铼， 李坤伦

(河南大学 物理与电子学院，河南 开封 475004)

0 引 言

基于图像处理技术的机动目标跟踪技术是计算机视觉、人机交互领域的研究热点，被广泛应用于机器人视觉导航、行为识别、安防监控等领域[1]。然而，在实际跟踪过程中无法避免因光照变化、背景扰动、目标遮挡等一系列因素影响目标视觉信息，特别是目标遮挡直接导致目标图像信息流失，跟踪结果出现偏差甚至丢失目标[2]。

分块匹配 (block matching,BM) 算法充分利用目标未被遮挡区域的信息进行跟踪，有效降低了局部被遮挡区域带来的不利影响，具有较好的抗遮挡跟踪能力。文献[3]利用子块的颜色直方图特征在目标预测区域搜索匹配，投票表决得到目标的位置，实现了目标跟踪；文献[4]依据子块纹理直方图特征的匹配程度设置子块加权系数，最后加权表决得到目标的位置实现目标跟踪；文献[5，6]利用目标子块的颜色和深度等特征模型，进行多线索多特征的分块匹配目标跟踪。但是标准的分块匹配算法具有局限性[7]：固定且独立的子块划分方法对非刚性结构变化目标的适应能力较差；当目标处于大面积遮挡时各子块信息均会丢失，跟踪算法失效。所以，本文在标准分块匹配算法基础上设计了一种动态子块划分方法，并且引入抗野值卡尔曼滤波(anti-outlier Kalman filtering,AKF)[8,9]模型在线判定和修正卡尔曼(Kalman)新息野值序列，实现了目标在严重遮挡状态下的准确跟踪。

1 分块匹配算法

分块匹配算法依据相邻帧图像间在时域和空域上的强相关性，将目标模板划分为(m×n)大小的子块；以一定匹配准则在既定范围的搜索框(P×Q)中搜索匹配目标得到最佳匹配位置；计算相对于初始位置的偏移量得到子块的运动矢量M，算法原理示意如图1。

图1 块匹配原理示意

常见的子块匹配准则有最小均方差 (mean square error,MSE) 准则和最大相关匹配(maximum correlation matching,MCM)准则2种：

1)MSE准则

(1)

2)MCM准则

(2)

式中I为波门；T为模板；R为结果；x′∈(0,w-1)和y′∈(0,h-1)为模板与波门重叠区域。

分块匹配算法在块匹配理论基础上将目标模板划分为n个独立子块，并将各子块最优运动矢量mi加权处理后得到目标运动矢量M最优的估计

(3)

分块匹配算法充分利用目标未被遮挡区域的信息进行目标跟踪，具有一定的抗遮挡跟踪能力，但具有较大缺陷[7]：当目标被遮挡时其子块对应区域的灰度值会发生突变，且子块总像素点越少突变像素点对匹配结果的影响就越大，即子块的匹配容错能力越差，而增大子块面积虽能提升匹配容错能力，却加大了计算量降低了算法实时性。因此，综合考虑此原理并针对分块匹配算法的缺陷提出了一种动态子块划分方法，具体分块流程如下：

1)截取模板整体为一个全局子块T0；

2)沿x方向将目标模板等分为两个对称的子块，并构成固定子块组T1(t10,t11)；

3)沿y方向将目标模板等分为两个对称的子块，并构成固定子块组T2(t20,t21)；

4)在目标预测区域进行T0搜索匹配，依据T0匹配置信度计算子块伸缩因子δ；

2 AKF模型

AKF算法是一种抗野值Kalman滤波算法，对于运动方程具有非线性的机动目标而言，常采用Kalman滤波算法对目标的运动轨迹进行预测和估计，简化后的非线性跟踪系统的状态方程和观测方程[10]为

Xk=AXk-1+Wk-1

(4)

Zk=Xk+Vk

(5)

式中Xk为系统的状态向量；Zk为观测向量；Wk-l为过程激励白噪声；Vk为观测白噪声。

当目标处于遮挡时系统对目标位置的观测结果会出现较大偏差，可视为连续的系统观测野值，现假设系统k时刻出现观测野值Z′(k)，并将野值看作叠加于正常观测数据上的一个偏差分量

(6)

Kalman带偏差的新息序列

(7)

测量序列野值判定准则中最常用的准则是莱特准则(又称3σ准则)

(8)

式中Xi|i-1为i-1时刻对i时刻参数的预测值；σ(Xi|i-Xi)为i时刻前该参数所有最优估计残差的标准差。另外，结合式(4)和式(5)可得Kalman新息序列表达式

e(k)=Xk|k-AXk-1|k-1+Vk

(9)

所以简化系统的Kalman新息序列e(k)的测量误差服从高斯分布，是满足3σ判别准则的前提条件[11]，可建立e(k)测量野值的判定和修正[12]准则

(10)

式中eo(k)为新息测量序列的线性拟合值；T=3σ为门限值，σ为新息序列残差的标准差。

3 改进新算法

3.1 新算法步骤

1)分析并识别图像中被跟踪目标得到目标模板T,依据上述动态子块划分流程中步骤(1)～步骤(3)得到全局子块T0和子块组T1和T2。

2)在目标预测区域以T0为模板搜索匹配目标得到匹配置信度ε，若ε高于阈值转到步骤(3)；否则，转到步骤(7)。

4)利用3σ准则对Kalman新息序列测量值进行野值判定，若判断结果为真，则跳转至步骤(6)；否则，跳转至步骤(7)。

6)选取若干历史新息序列测量点，线性拟合得到当前新息序列测量值的预测值eo(k)取代测量值e(k)。

7)更新跟踪框位置并进行目标丢失判断，若判断结果为真，则退出循环，算法结束；否则，跳转至步骤(2)继续循环。

3.2 实验结果与分析

3.2.1实验环境设置

为了检验算法的有效性， 采用实验硬件条件为CPU2.5GHz、 内存4GB、32位 Windows7操作系统的笔记本电脑， 并使用VS2008和OpenCv2.3编程实现。 实验所用图像为截取目标跟踪实验平台上得到一组连续的AVI格式的视频文件(图像分辨率为320×240)，以模型鱼为跟踪目标，选取模型鱼从进入遮挡、严重遮挡、退出遮挡3种状态验证新算法的有效性和可行性。

在实验跟踪过程中，设置Kalman滤波模型的系统白噪声和观测白噪声分别为Q=25，R=5×10-2；全局子块匹配置信度阈值ε分别为ε=80，ε=90和ε=100；进行野值判定时新息序列线性拟合测量点个数N=5；并采用黑色矩形框标注目标跟踪结果。图2为文献[5]算法的跟踪结果，图3为本文新算法在ε=80时的跟踪结果。

3.2.2实验结果分析

由图2可以看出，在第81帧前目标处于无遮挡或小面积遮挡，文献[5]算法跟踪效果良好，而在第82帧后目标被大面积遮挡时跟踪算法失效。

图2 文献[5]算法

由图3可以看出，在第81帧前目标处于无遮挡或小面积遮挡时新算法跟踪效果良好；第82、第83、第84帧目标出现严重遮挡甚至完全遮挡时新算法仍稳定准确跟踪目标，跟踪效果明显优于文献[5]算法。

图3 新算法(ε=80)

3.2.3客观指标对比

1)运动矢量的测量精度

均方根误差(root mean square error,RMSE)反映了测量数据偏离真实值的程度，用于判别数据相关程度。RMSE越小，表明测量精度越高测量数据越接近真实值

(11)

式中zi为测量值;xi为真实值;n为观测次数。

文献[5]方法和本文动态分块方法所得目标运动矢量的RMSE如表1，选取T0匹配置信度阈值ε分别为ε=80,ε=90和ε=100，运动矢量数据测量次数n=60。

表1 目标运动矢量的RMSE

由表1可知，本文新分块方法得到的目标运动矢量均方根误差较小，更接近目标真实的运动矢量。由于目标运动矢量测量结果的RMSE主要受ε影响，综合考虑算法实时性和有效性选取ε=80，此时新算法得到的目标运动矢量的测量精度较文献[5]提高了43.15 %。

2)轨迹曲线的累积误差

目标跟踪结果的轨迹曲线与真实轨迹曲线的吻合度可直观反映算法跟踪结果的准确程度。图4为模型鱼从进入遮挡、严重遮挡、退出遮挡过程中，文献[5]算法和本文算法所得的目标运动轨迹曲线对比。可知，新算法得到的目标轨迹曲线与真实轨迹曲线吻合度较高，表2为实验曲线相对目标真实轨迹曲线的累积误差。

图4 目标轨迹曲线对比

结合图4和表2分析，新算法所得目标轨迹曲线的累积误差较小，且在ε=80时,较文献[5]采用标准分块匹配算法所得轨迹曲线的累积误差低了63.82 %，更接近目标真实运动轨迹，进一步证实了新算法抗遮挡跟踪能力优于标准的分块匹配算法。

表2 目标跟踪曲线的累积误差

4 结束语

本文针对分块匹配目标跟踪算法的缺陷提出了一种改进方法，克服了固定子块对非刚性变化目标适应能力差的缺陷，较大程度提升了目标运动矢量的测量精度；另外，将AKF滤波模型应用于目标位置的滤波中，有效解决了在目标处于严重遮挡状态下算法失效的问题。通过多组实验结果表明：相对于标准分块匹配算法，新算法得到的目标运动矢量测量精度提高了43.15 %，对遮挡目标识别率达到了97 %，且算法的速度达110 FPS满足实时性要求，具有更好的稳定性和鲁棒性。

[1] 黎万义,万 鹏,乔 红.引入视觉注意机制的目标跟踪方法综述[J].自动化学报,2014,40(4):560-563.

[2] 薛 陈,朱 明,刘春香.遮挡情况下目标跟踪算法综述[J].中国光学与应用光学,2009,2(5):388-390.

[3] Adam A，Rivlin E,Shimshoni I.Robust fragments-based tracking using the integral histogram[C]∥IEEE Computer Society Conference on Computer Vision and Pattern Recognition,New York，2006:798-805.

[4] 李冠彬，吴贺丰.基于颜色纹理直方图的带权分块均值漂移目标跟踪算法[J].计算机辅助设计与图形学学报，2012,23(12):2059-2066.

[5] 贾松敏，白聪轩，王丽佳，等.多特征分块匹配的移动机器人目标跟踪[J].电子设计工程，2016,24(1):22-24.

[6] 施 滢，高建坡，崔 杰，等.分块多特征自适应融合的多目标视觉跟踪[J].传感器与微系统，2015,34(9):128-130,

[7] 唐学怡.遮挡目标跟踪技术研究[D].成都：电子科技大学,2009.

[8] 李 宇，曹 洁，徐 微.抗野值卡尔曼滤波器在排队长度预测中的应用[J].计算机工程与设计,2009,30(12):3015-3017.

[9] 卢晓燕,卢京潮,周良荣,等.野值存在下的BP网络自适应卡尔曼滤波[J].计算机仿真,2010,27(1):158-160.

[10] 王学斌,徐建宏,张 章.卡尔曼滤波器参数分析与应用方法研究[J].计算机应用与软件,2012,29(6):212-214.

[11] 卢元磊,何佳洲,安 谨.目标预测中的野值剔除方法研究[J].计算机与数学工程,2013(283):723-724.

[12] 徐利娜,陈俊彪，穆高超.靶场外弹道数据处理中实时野值剔除算法[J].应用光学，2012，33(1):92-94.