基于均值偏移的粒子滤波视频 跟踪算法研究

摘要：提出了基于融合颜色和LBP纹理特征的均值偏移粒子滤波视频跟踪算法。粒子滤波用帶权粒子集表示待求解函数值，解决了非高斯非线性问题，提高了跟踪精度。将均值偏移嵌入到粒子滤波算法框架，实现对粒子的聚类，减少粒子数量同样达到实时准确跟踪的效果。融合颜色信息、纹理信息的多种特征描述，能够准确地描述模标，提高模标锁定的准确性，克服环境中相似颜色干扰的问题。实验证明，该算法在人体行为实时跟踪的准确性和鲁棒性方面较原算法有明显提高。

关键词：背均值偏移；粒子聚类；核函数；纹理特征

中图分类号：TP391.41 文献标识码：A

0 引言

视频跟踪[1]是计算机视觉领域的核心方向之一。 本文提出了融合颜色特征和LBP纹理特征的均值偏移粒子滤波算法，将均值偏移嵌入到粒子滤波算法框架[2]，粒子聚类作用提高粒子集的效率。仿真实验表明，提出的方法在相似颜色干扰、遮挡等环境下跟踪目标鲁棒性、实时性、准确性较强。

1 基于融合特征的Meanshift粒子滤波算法

1.1 均值偏移粒子滤波算法

本文提出的Meanshift粒子滤波算法中，算法框架如下。

1.1.1 粒子采样

假设粒子的初始位置为x0，粒子的数目为N，运动目标每个可能的状态由粒子表征。每个粒子的初始权值为1/N，N个粒子的权值之和为1。

初始目标运动模型第一帧图像像素记作，n，m个特征值。初始运动目标模型表示为

（1）

1.1.2 状态转移

通常采用ARP公式：

（2）

（3）

1.1.3 粒子均值偏移收敛

粒子预测方程是：

设y1为起始点，核函数中心点：

（4）

1.1.4 权值更新

由于核函数窗口宽h的变化，从第二帧起的每一帧包含的像素用i=1，…， 表示，中心点在yj处的候选目标模型表示为：

（5）

其中，j=1，…，N

目标模型与候选模型的相似度由最优相似性函数巴氏系数 （Bhattachyarya系数）表示：

（6）

则巴氏距离（Bhattachyarya）为：

（7）

观察值的概率密度函数[6]为

（8）

（9）

1.1.5 计算目标位置

目标最终位置由所有粒子的加权均值确定。

（10）

1.1.6 重采样

重采样是解决粒子滤波退化问题的主要方法。进行重采样的标准是判断有效粒子数的值与

Nth 的大小，若，采用替代法进行重采样，使 。

算法增加了一个Meanshift迭代过程。由于Meanshift具有将粒子移动到概率密度局部最大处的收敛性，使粒子经过迭代后很好的接近目标实际位置，少量粒子数量同样能达到常规粒子滤波算法估计粒子系统状态的效果，降低计算量的同时，保证了实时性和准确性。

1.2特征描述

1.2.1 颜色特征

目标的颜色模型选择HSV空间颜色直方图，提取模型中的H分量。均值偏移跟踪算法的核窗宽是固定值，对于形变物体无法自适应，因此，改进算法的关键是调整自动更新大小的跟踪窗口。

本文提出改进的均值偏移跟踪算法候选模型构造颜色分布直方图如下：

（11）

1.2.2 LBP纹理特征

LBP算子的定义为：

（12）

其中，gc为位置（xc，yc）处的灰度值，gp为在点 （xc，yc）为圆心、R为半径的圆周上P个点的灰度值，设T为阈值，使得当gp-gc≥T时，s（u）为1，否则为0。本文取T=4。

获得目标图像LBP编码之后，得到用LBP纹理[3]特征来表示的目标模型为：

（13）

1.2.3 颜色和LBP纹理的特征融合

归一化目标与模板之间相似度得到各个特征对应的权值，即

（14）

则总相似度[3]为：

（15）

且。

1.3算法流程

算法流程如下：

步骤1：粒子初始化，进行颜色粒子和LBP纹理粒子初始化，提取相应粒子特征，建立两种子模型。

步骤2：目标状态预测，使用动态模型公式（2）、（3）预测各种条件下当前帧的位置。

步骤3：Meanshift算法实现粒子收敛。

步骤4：粒子权值更新，利用式（9）更新两种特征的粒子权值。

步骤5：跟踪定位，利用公式（10）求得两种特征加权平均值，目标最终位置由所有粒子的加权均值确定。

步骤6：特征融合，通过公式（14）、（15）加权求和获得总相似度。

步骤7：目标遮挡处理，当<0.2时，判定目标丢失或被长时遮挡；当0.2≤<0.4时，目标被短时遮挡。

使用动态模型公式（2）、（3）产生的粒子集解决目标被短时间遮挡情况，通过更新目标的状态实现跟踪；使用搜索策略解决目标被长时间遮挡或者丢失的情况，实现目标找回。

步骤8：重采样，当 时，对目标的粒子重采样。

2 仿真实验

硬件环境：Intel 酷睿i7 7700K，16GB DDR4内存的PC计算机。

软件环境：Windows 7、Visual C++6.0和OpenCV 3.3。

实验采用三段长为316帧、146帧和436帧，分辨率为800x480的人体运动测试视频进行验证。

实验1：图2和图3显示了基于均值偏移的粒子滤波跟踪算法，在人体运动目标受到相似颜色干扰时，采用单一颜色特征、两种特征相融合情况下的跟踪结果比较。

试验证明，在采用两种融合特征进行跟踪时，二者的互补作用明显，无论在移动位置还是尺度变化上均取得了良好的效果。多特征融合的跟踪算法能较准确地跟踪目标，而单一颜色特征的跟踪算法在受到相似颜色干扰时，跟踪效果差，容易导致跟踪失效。

3 结论

本文提出的算法优点是具有较好鲁棒性、实时性和准确性，缺点是算法只能进行简单的人体行为识别检测和跟踪。为此，基于复杂环境下多运动目标的跟踪以及严重遮挡问题成为下步研究的热点。

基金项目：国家自然科学基金（The National Natural Science Foundation of China under Grant No.61071217）

参考文献：

[1]龚翔.基于粒子滤波的视觉跟踪算法研究[D].南京理工大学，2009.

[2]李冬.一种结合Mean-shift和粒子滤波的视频跟踪算法[J].宁波大学学报，2011，1（24）

[3]袁国武.一种结合了纹理和颜色的运动目标跟踪算法[J].计算机应用与软件，2011（11）：15

作者介绍：

姜莹礁（1985-），男（蒙古族），内蒙古呼和浩特市土左旗人，硕士研究生，主要研究方向为行为识别，861632060@qq.com