论文研究-基于光流场估计的自适应Mean-Shift算法及其目标跟踪应用 .pdf

所需积分/C币:7 2019-08-27 20:14:43 818KB .PDF
收藏 收藏
举报

基于光流场估计的自适应Mean-Shift算法及其目标跟踪应用,李剑峰,黄增喜,针对传统Mean-Shift算法在目标跟踪中可能会出现由于目标运动速度过快或尺度明显变化以及目标遮挡时导致跟踪失败的问题,提出了一种��
山国武获论文在丝 http:/www.paper.edu.cn p(八q]≈∑√p(v+∑p( Pu lyo 把式(2)带入上式,整理可得, 70 p(yq]≈∑√叫(v+∑w (5) h 其中=∑b(x1)-1 由于式(5)中第一项为定值,第二项最人时,式(5) pu(yo 处于最大值。 根据 Mean-Shift I向量的基本形式MA(x)=元∑(x-x),均值漂移矢量可以护展为式(6): ∑x Vo -xi h m2c(x)=y1-y0= ell w 75g(x)=-k(x),得到新位置后,再以新位置为基点进行 Mcan-Shift迭代,直至得到最优的 目标位置,在 Comaniciu等人文章中,只需用平均每帧图像4.19次迭代就可以收敛。 2自适应Mean-Shi算法 光流法是利用图像序列中的像素强度数据的时域关系变化和相关性来确定各自像素位」 置的运动,根据各个像素点的速度矢量特征,可以对图像进行动态分析。光流法不仅能获取 80运动物体的运动信息,还能在不知道场景的任何信息的情况下,检测出运动对象。但光流法 实时性和实用性都较差,不能单独使用12。 为了解决Mean-Shif算法的问题,本文引入了 Lucas- Kanade稀疏光流法。该方法需要 在被跟踪之前指定一组点,然后将它们的运动转换成速度矢量。如果这些点具有某种明显特 征,那么跟踪就会相对稳定和可靠。 85其基木原理是在基」亮度恒定的基础上,首先建立光流约束方程: ,u+,y+l=0 其中表示亮度,rQ 是图像的偏导数,,≡一是图像随时间的导数, ox dt ⅱi=(ut,ν)即需要求的光流。不过该方程含有两个未知解,因此需要假设局部区域的像素运 动是一致的。建立邻域像素的系统方程来解中心像素的运动。 山国武获论文在丝 http:/www.paper.edu.cn yI t2 77 若该邻域内包含两条或两条以上边缘则可以解此系统方程。为了解这个系统方程,需要建立 个该方程的最小平方,通过下面方程来求解最小化的Ad-b2 由这个关系式可以得到u和v运动分量。更详细的表述如下 ⅠI.‖v 当(4A)可逆时,方稈解如下 (AA)A6 即求出了光流信息 21窗口中心预测 由于Mean- Shift算法是基于均值漂移迭代而得到窗口中心处的,因此当目标运动过快 寻致只有一小部分残留在窗口内时,就众存在均值漂移失败或者迭代次数埤加的情况。 如果利用光流法的特性结合Mcan-Shit方法,即在窗口内找取若干特征点,根据这些特 征点在上一帧和这一帧中的位置变化,算出目标的移动速度和方向,就能为下一帧提供预测 位置。特征点在当前帧的位置P={}2,上一帧位置P={P)=12m,下一帧顶 105测窗口中心C ∑(P-P C 其中C是当前帧的窗口位置中心。由于帧之间,目标的运动方向和速度改变不会过大,所 以该方法在试验中表现良好,不但可以减少目标丢失几率,还可以减少均值漂移的迭代次数。 图1为本文算法和传统Mean- Shift算法在对同一段视频跟踪时的迭代次数,为了更好的显示 110效果和避免干扰,以每两帧为单位步长,次数取两帧的平均值。由表可见,在基于光流法预 测后的本文算法在迭代次数上较传统算法有所减少。 4 山武论文在丝 http:/www.paper.edu.cn 算法迭代次数比较 8 6 传统 Mean-Shift算法 420 本文算法 3579111315171921232527 帧数(每两帧为一帧) 图1算法迭代次数比较 22窗口自适应 115 文献中提出的二分法 Bhattacharyya自适应窗口,该方法很好地解决了快速运动目标的 空间和尺度跟踪问题,但是该算法是基于等比例扩大或缩放目标,对获取精确的尺度存在 定影响。同时该算法为解决局部最大佰问题,采用了搜索时适当扩大窗宽方法。这也会影响 尺度的精确获取。由于从较人窗口开始搜索且二分法固定长宽比,可能会出现较人窗口相似 度更高的情况,造成窗口不再缩小 120 因此需要能准确判断出目标的大小变化趋势,对窗口大小做出及时的修正,根据先验知 识,可以知道如果图像序列中目标仅是平移,则大小几乎不会变化,窗口可不必做较大更改, 二分法即可适用。而当目标处于透视变化时,目标大小可能变化明显,则需要对大小变化趋 势做岀判断。对一般监控而言,目标朝图像下方运动时,处于增大趋势,反之处于减小趋势。 如图2中的图像序列,该目标处于增大趋势。因此只需获取目标运动方向,就可以预判目标 125大小变化趋势。光沇法恰好能为此提供解决方法。首先将目标窗∏扩大定范围以获得足够 目标信息,然后在该范围内找寻特征点,通过稀疏光流法找到这些特征点的卜一帧位置,最 终得出前后帧间特征点的位移方向。从图2(b)、图2(d)中可以看出,白色线条为前后两帧特 征点的位移信息。大部分线条均正确的指出了目标运动方向。 130 (d) 图2光流效果图 因此利用光流法能有效获得特征点的运动信息的特性,判断目标运动方向,调整窗口大 小以及给出变化趋势,实验研究,为了避兔陷入局部最大值问题,应不做减小趋执的判断。 山国武获论文在丝 http:/www.paper.edu.cn 最后再对窗口长宽分别进行二分法 Bhattacharyya自适应,获得精确的窗∏大小。 13523被静止物体遮挡处理 目前处理目标被静止昒体遮挡的跟踪,较为普遍的做法是准确预测目标在遮挡情况下的 运动轨迹,再结合辅助手段检测跟踪结果國。但对目标被静止物体全遮挡或长时间遮挡情 况具有一定局限性。 当目标处于全遮挡或长时间遮挡时,可以认为当前图像中没有目标,只有背景。由于是 140被静止物体遮挡,只需在目标丢失处周围·定区域內建立·个监控区,不停的利用 Bhattacharyya系数检査是否有某处和目标相似度较高,即可重新捕提到重新出现的目标。但 考虑到运行速度,不能每帧均对所有区域进行检测。通过改进了文献山提出的基」色差分 析指导的跟踪方法可以很好的解决这个门题。该方法是指在目标周围八方向上计算色差变 化,以获取的色差较小处为目标区域,其基夲原理就是帧差,帧差往往是能捕捉运动目标边 145缘最简单的背景禠除方法之一。而在遮挡龈踪中,目标在摆脱被遮挡后,必然会岀现某区域 的色差变化。利用这一特性,通过前后帧的色差分析,当色差变化超过一定值的点达到 定数量时,取色差变化区域的中心像素点为目标中心,进行均值漂移,再计算 Bhattacharyya 系数,如果相似度较高,表明目标已再次出现。这样就避免了通过预测运动轨迹而不能解决 长时间被遮挡的问题,)且利用先对色差的监控,再进行相似度的判断,也避免了因全局搜 150索而造成的速度问题。效果如图3所示: (a)目标被遮挡(b)图(a)时刻域色差图 (c)目标被車新出现(d)图(c)时刻区域色差图 图3目标遮挡跟踪 其中图3(b)以及图3(d)分别为图3(a),图3(c)遮挡时刻色差变化检测图,白点为前后两唢 155色度变化大于一定差值的标记,如果这些点数量满足一定条件,就取其中心处为窗口中心检 测相似度。 3实验结果 为了验证木文算法效果,在AMD29GHz主频,1.75GB内存PC上仿真实现 实验一:对快速运动目标的跟踪效果。所测视频是经过跳帧处理,帧间目标位移较大。 山武论文在丝 http:/www.paper.edu.cn (a)第80帧 (b)第81帧 (c)第83帧 图4本文算汰跟踪效果 (a)第80帧 (b)算81帧 (c)第83帧 图5传统 Mean-Shift算法跟踪效果 从图5中可以看出传统Mean-Shit不能跟踪运动过快的目标,而本文算法通过预测位置, 很好的解决了这个问题,如图4所示。 实验二:窗∏自适应跟踪效果,目标处于缩小的趋势: 170 (a)第757帧 (b)第762帜 (c)第770帧 图6本文算法跟踪效果 = (a)第757帧 第762帜 (c)第770軟 山国武获论文在丝 http:/www.paper.edu.cn 图7文献中算法跟踪效果 175 从图7中可以看出文献中的算法在自适应窗口大小过程中,由于采取了将窗口放大后 再二分法自适应的方法,对正在缩小的目标跟踪有一定的缺陷,而本文算法很好的解决了这 个问题,如图6所示。 实验三:目标遮挡跟踪效果。目标被静止物体遮挡 180 (a)物体遮挡前 (b)物体遮挡中 (c)物体重新出现 图8对目标遮挡的跟踪效果 通过实验表明,本文算法在一般情况下可以高效的实现目标跟踪,能满足系统实时要求, 窗口尺度精确,效果良好,具有很强的鲁棒性。 4自适应Mean-Shi算法的实际应用 185 铁路机车轨道智能识别系统,是通过实时检测与识别前方色灯信号、道岔及其开闭状态、 尽头线土挡和停留车等,以提高机车行驶安全性的一种系统。为了实现有效并稳健的视觉跟 踪算法,其中最重要的环节就是对铁轨的跟踪。 铁轨具有线性特点、对偶性以及在视频序列中的渐变性,通过结合线条角度,长度和 些先验知识,在理想条件下可以实现对当前运行铁轨的跟踪。但是由」实际情况中需要考虑 190在不冋环境和复杂气候条件下,图像预处理可能会岀现铁轨线条伈完整或检测到主轨线 条,使铁轨跟踪信息量不足,导致跟踪中断或者丢失,触发重新寻找铁轨。为了弥补这一缺 陷,利用铁轨基点部分(视颎图像中铁轨的起始部分)通常受干扰较小的特性,可以将基点 部分独立作为Mean- Shift跟踪算法的目标跟踪对象,以此判定轨道是否跟踪正确,是否需要 中断跟踪,触发重新寻找 195 首先分别确定左右上轨基点的Mcan- Shift区域,这里假设轨道线条末端处即为基点 Mcan-Shif区域,该区域可以在对应轨道跟踪条件较好时独立更新。再恨据区域中的信息各 自建立一个直方图,由于轨道色彩信息不明显,因此采用灰度直方图。为了保证实时性和准 确性,在左右轨均跟踪正确时,才自动更新左右灰度直方图。当预处理图像中跟琮线条信息 不足时,触发Mean-Shi跟踪算法,左右基点各自均值漂移,只限定左右方向。找到目标区 200域后,利用 Bhattacharyya系数检验,如果相似度达到定程度,认定当前轨道基点已经找 到,将上—帧轨道信息平移至该基点。如果两边均没有结果,计数加一,连续达到一定帧数 后,判断轨道跟踪已经丟失,冉中断踪,触发重新寻找轨道。以此减少轧道跟踪丟失或者 中断次数。 山国武获论文在丝 http:/www.paper.edu.cn 效果如下图所示 205 (a)第4156帧 (b)第4159帧 图9加入 Mean-shift前铁轨基点跟踪效果图 (a)第4156帧 (b)第4159帧 210 图10加入Mean-Shi后铁轨基点跟踪效果图 从图9(a)和图9(b)中可以看出,在没有加入Mean-Shⅰt算法之前,铁轨跟踪在环境很差 情况下,由于预处理线条个完整,造成跟踪丢失。而加入Mean- Shift后,图10(b)中,图像 下方轨道棊氐处有左右两个小方块,表明已经触发了Mean-Shit算法,是均值漂移后的结果, 且方块在轨道基点附近,通过对上一帧的轨道信息平移至基点处,即得到当前轨道信息,跟 215踪炸未丢失。 经过该系统的长时间稳定测试,结果表明加入Mcan-Shit后,铁轨跟踪丢失或中断的次 数大大降低。但仍然冇些情况不能处理,由于感兴趣区域过小,会在轨道偏离感兴趣区域过 远时,均值漂移失效。同样该原因也会对 Bhattacharyya系数的淮确性有一定影响。 5结语 220 本文针对Mean-Shi跟踪算法的儿处缺陷,做岀相应处理。提出一种基于光流法的自适 应Mean- Shift算法,该算法实现了自适应窗口大小和解决了日标快速运动或被静止物体遮挡 时易丢失问题,在实验中取得了较好的效果,并可以运用到实际场景和项目中,能满足实时 性和鲁棒忙的要求,是一种稳定有效的跟踪方法。但该算法是建立在透视变化的先验基础上, 对一些特殊情况考虑不到,因此依然还存在很多问题,需要进一步的改进和硏究。 225参考文献]( References [1 FUKUNAGA K, HOSTETLER L D. The estimation of the gradient of a density function, with applications in pattcrn rccognition [] IEEE Transactions on Information Thcory, 1975 21(1):32-40 [2] CHENG Y Z. Mean shift, mode seeking, and clustering [J]. Pattern Analysis and Machine 山国武获论文在丝 http:/www.paper.edu.cn 230 Intelligence,1995,17(8):790-799 3 COMANICIU D, RAMESH V, MEER P. Kernel-Based Object Tracking J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2003, 25(5): 564-577. 4]曲巨宝.基于智能 Agent的车辆自适应跟踪技术[J.西南交通大学学报,2011 46(4):626-632 235[5]覃剑,曾孝平,李勇明.基边界力的Mean-Shi核窗宽自适应算法[门.软件学报,209, 20(7):1726-1734 [6]PENG NS, YANG J, LIU E Q. Model update mechanism for mean-shift tracking[J] Journal of Systems Engineering and electronics, 2005, 16(1): 52-57. [7 COLLINS R T. Mcan shift blob tracking through scalc spacc [C]. 2003 IEEE Computcr 240 Society Conference or Computer Vision and Pattern Recognition (CVPRO3), 2003 2:234-240. [8]白向峰,李艾华,李喜来等.窗宽自适应Mean- Shift跟踪算法[计算机应用,201l, 31(1):254-257. 9]胡波,陈恳,徐建瑜等.基于 Kalman预测和Mean- Shift算法的视频目标跟踪[J.光电 245 子·激光.2009,20(11):1517-1522 [I0 GAO CC, ChEN W. Ground Moving target Tracking with VS-IMM Using Mean Shift Unscented Particle Filter[J]. Chinese Journal of AeronautiCs, 2011, 24(5): 622-630 [I门]朱一玮,徐畅,王应仁.基于色差分析的鼓膜穿孔图像边缘跟踪算法[冂.计算机应用与 软件,2007,24(4):56-57 25012 BRADSKI O, KAEHLER A.学习 OpenCV[M.于仕淇,刘端祯译.北京:清华大学出版 社,2009356-371l

...展开详情
试读 10P 论文研究-基于光流场估计的自适应Mean-Shift算法及其目标跟踪应用 .pdf
立即下载 低至0.43元/次 身份认证VIP会员低至7折
    抢沙发
    一个资源只可评论一次,评论内容不能少于5个字
    img

    关注 私信 TA的资源

    上传资源赚积分,得勋章
    最新推荐
    论文研究-基于光流场估计的自适应Mean-Shift算法及其目标跟踪应用 .pdf 7积分/C币 立即下载
    1/10
    论文研究-基于光流场估计的自适应Mean-Shift算法及其目标跟踪应用 .pdf第1页
    论文研究-基于光流场估计的自适应Mean-Shift算法及其目标跟踪应用 .pdf第2页
    论文研究-基于光流场估计的自适应Mean-Shift算法及其目标跟踪应用 .pdf第3页

    试读已结束,剩余7页未读...

    7积分/C币 立即下载 >