论文研究-基于全局最小化活动轮廓的多目标检测跟踪.pdf

所需积分/C币:8 2019-07-22 23:41:41 726KB .PDF

为了在噪声干扰以及目标和背景颜色相近情况下实现多目标跟踪,提出一种基于快速全局最小化的活动轮廓模型的目标检测跟踪算法。该算法结合了基于边缘的活动轮廓模型和基于区域的活动轮廓模型,对能量泛函进行全局最小化来检测目标活动轮廓,用卡尔曼滤波预测目标下一帧的特征信息,然后用改进的最近邻法进行多目标跟踪。对图像序列的实验结果表明该算法能有效地对运动背景下多目标进行跟踪。
796 计算机应用研究 下面给岀本文目标检测跟踪算法的活动轮廖检测部分 =Ax-1: P,=AP-1A'+Q a)初始化:=0,P0=0,t=0。 校正方程 l)令1=1+1,设是第帧图像。 K,=P H(HP H+R) c)计算边缘检测函数g +β|V(1*Gn) x1=31+K1(1-Hx1) d)令u P1=(1-K,H)P1 e)令i-i+1,i表示第t帧第i次迭代。 本文采用卡尔曼滤波方程预测跟踪目标的下一帧位置与 f)根据式(7)计算m;根据式(6)计算;计算u≥0.5区域面积,然后使用下面介绍的改进的最近邻法匹配当前帧与下 灰度均值c1;计算u<0.5区域灰度均值c;计算r;(x,c,C2) 帧的跟踪目标,得到跟踪目标的特祉参数作为卡尔曼滤波中的 (1(x)-c1)2+(1(x)-c2)2;根据式(8)计算v。 测量值,再使用卡尔曼滤波校正方程得到校正后的跟踪目标位 3)如果mx(a-1-1)≤e,则跳至h);否则跳至e)继置和面积校正后的目标特征参数又可用于目标下一帧特征 续执行下一步迭代。 参数的预测。 )令 Pr =p 最近邻法是测量跟踪目标下一帧的质心的预测位置与下 i)如果是最后一帧,则结束;秃则跳至b)继续下一帧 帧每个检测到目标质心的欧氏距离,距离最小的两个目标认 操作。 为是同一个目标。本文提出改进的最近邻法,除了使用质心之 1.3多日标跟踪 间的距离(采用冂1距离),还使用跟踪目标轮廓预测而积与检 得到活动轮廓曲线后接着进行目标特征的提取,通过计算测出目标轮廓面积之间的距离(即面积差),因此要判断为同 个目标,必须满足L距离最小,还要满足最小L距离小于 轮廓的面积、质心、外接矩形框等参数设置一定阈值,删除面积 某一个阈值,以及面积差小于某一个阈值。采用改进最近邻法 过大或过小的轮廊曲线,得到日标及其相关特征(日标轮廓的 可排除更多的干扰,使跟踪算法更具鲁棒性。 面积、目标质心、目标外接矩形框等)。 改进的最近邻法步骤如下(以下跟踪列表中跟踪目标的 提取了目标及其特征后,便用卡尔曼滤波器预测下一帧目 位置及面积是经过卡尔曼滤波预测的位置及面积) 标特征信息(轮廓的质心位置和而积大小等),然后使用改进 a)如果是第1帧,则将本帧检测出的所有K个日标加人 的最近邻法进行匹配,最终实现对多目标的跟踪。 卡尔曼滤波器是基于最小均方误差准则对离散数据线性到跟踪列表,记为O1(1),O2(1),…,O(1)。 浤波的递归算法,在导航、目标跟踪中有广泛的应用。本文采 b)否则(假设是第t帧),在跟踪列表屮有K个跟踪目标 用卡尔曼滤波器对目标运动情况进行估计。首先建立下列系 记为O1(t),O2(t),…,Ok(t)。 c)计算t+1帧中目标到跟踪列表中K个跟踪目标的L 统方程(t时刻) 距离和面积差,并按最邻近规则进行匹配。 x1=Ax1-1+ 设X为+1帧某个目标,计算其到跟踪列表中K个跟踪 其中:,为系统噪声,服从N(0,Q)的高斯分布。系统状态x 目标距离及其面积差 是六维向量x1,x2,S,△r1,△t2,△S,],分别是目标质心的x、y D=C-C1()‖t1;i=1,2,…,K 轴坐标、目标面积及它们在△t(相邻间时间间隔)时间内的 2=|S-Sn(1)l:t=1,2,…,K 变化率。状态转移矩阵A为 在同时满足D1<T1和D2<T的集合中查找D;最小值 00 0100△t0 D1。若找到,则XcO(t),更新跟踪列表屮原来的跟踪目标 00100 O(t+1)=X;否则x作为一个新的跟踪日标Ok+(+1)加到 跟踪列表中。 d)删除跟踪列表中步骤c)没有得到更新的跟踪目标,认 为该跟踪目标消失。 测量方程为 e)重复c)和d),直到程序结束。 其中:2为测量噪声,服从N(0,R)的高斯分布。观测矩阵2实验结果 H为 100000 为了验证本文算法的有效性,在实验中采用了一个人工合 成图像序列(图2)和一个ⅥⅣVID中的 egest测试图像序 001000 列 实际实验中的测量值来自于用改进的最近邻法找到的匹 为了验证本文算法的全局最优性、算法所依赖的初始条件 配目标的特征参数。 和计算速度,在实验中采用一个如图2所示的序。该图像序 预测方程 列是开始有重叠的两个日标(图2中灰色背景下的两个矩形 第2期 涂虬,等:基于全局最小化活动轮廓的多目标检测跟踪 物体,分别用A和B标记)逐渐分离。其中右边B目标向右运如图8(f)所示,真实红色车辆目标位置是矩形框所标记的位 动逐渐远离左边A目标。为了进行对照,还采用了GAC和置,而算法跟踪的位置是圆圈所标记的位置,可以看出跟踪失 ACwE模型算法。图3是GAC模型算法的实验结果;图4是败。而本文算法跟踪过程如图9所示。在加有噪声情况下,本 CwE模型算法的实验结果;图5是本文算法结果。从图3文算法成功地跟琮了包括红色车辆和灰色车辆在内的多个目 (b)中可以看出,采用GAC模型算法会陷入局部最小值的情标。实验中本文算法的参数选取如下:T-20;β=7.7×10-2 况,场景中的两个目标只作为一个目标检测出来了;而从图40=0.14;A=3.5×10-;8=0.125;E=0.01 (b)和图5(b)中可以看出,ACWE算法和本文算法都可以成 功检测出两个目标。对丁初始轮廓线的依赖性实验中,笔者发 (a)501帧(b)515帧(c)530帧(d)550帧(e)583帧(590帧 现采用GAC模型的算法比较依赖于初始轮廓线,初始轮廓线 图7 Mcan shift未加噪图像序列跟踪结果 需要将日标基本全部包围在里面(图6(a))或基本完全在日 标内部(图6(b))才能分割出目标来。对于采用ACWE模型 算法,也需要给出初始轮廓线,采用图6(a)-(d)所示的初始 (a)501帧(b)515帧(o)530帧(4)550(e)570帧(583帧 8 Mean shift加噪图像序列跟踪结果 轮廓线均能较好地分割岀目标,但是其计算量仍然依赖于初始 轮廓线。采用图6(a)所示的初始轮廓线,迭代次数要360次; 而采用(d)所示的初始轮廓线,迭代次数高达29999次。本文 (a)501帧(b)515帧(530顿(d)550帧(e)570唢()583帧 图9本文算法加噪图像序列跟踪结果 算法不需要初始轮廓线,因此本文算法不依赖于初始轮廓线。 从计算速度来看,由于本文算法水平集数值实现中不需要计算3结束语 距离函数,而周期初始化距离函数是传统水平集算法中训算量 综上所述,本文提出的算法可以对多个运动日标进行检测 很大的部分,本文算法大大提高了计算速度,如表1所示。在跟踪,能自然地处理运动目标的拓扑形变,不会陷入局部最小 赛扬1.,7 GHz CPU的电脑上,用MAAB编程,对于采用GAC值,计算量小在噪声情况下仍能对多个运动目标进行检测跟 模型的算法处理如图2(a)所示的图像需要约4h,5920次迭踪。然而,该算法也存在一些需要改进的地方,当背景比较复 代,采用MCWE模型的算法需要约603.8s,360次迭代,而本杂时,会检测到虚假目标;另外算法效率还有待进一步提高,这 文算法只需要6.12s,11次迭代。由于本文算法在跟踪视频些都是今后的研究所要考虑的 序列时,利用相邻帧的分割结果的相似性,将上一帧的分割结 参考文献 果u和p作为当前帧u和p的初始化,使得计算量进一步减 [1]裴继红,户宗庆,谢维信.基于图像梯度场序列的双向CDIM光 小,如在处理 etest图像序列中平均只要120次迭代(不包括 流计算方法[J].电子学报,2007,35(7):1301-1305 首帧图像),否则需要380次迭代。 [2]王玉仝,夏桂华,赵国良,一种自适应色彩融合的 mean shift跟 表1算法计算时间对比 踪算法[J].计算机应用研究,2008,25(9):2875-2877,2880 项目 GAC ACWE本文 计算时间4h603886.12s 画画 [3 KASS M, WITKIN A, TERZOPOL LOS D. Snakes: active contour models[J 1. International Journal of Computer Vision, 1988 迭代次数3920360 a)第1帧 图2合成图像序列 1(4):321-331 [4 ISARD M, BLAKE A. CONDENSATION-conditional density propa AB B mmm■ gation for visual tracking[ J]. Intenational Journal of Computer (a)第1顿(b第5(o)第9 (a第1帧(b)第5帧o)第9帧 Vis ion,1998,29(1):5-28 图3某于CAC模型算法结果图4基于ACWE模型算法结果5 CASELLES V, KIMMEL, SAPIRO G. Geodesic active contours[J International Journal of Computer Vision, 1997, 22(1): 61-79 [6] OSHER S, SETHIAN J A. Fronts propagating with curvature-dependent speed algorithms based on hamilton-jacobi formulations I. Journal (a阐1帧(b)角5帧(c角9頓 a)(b)(c)(d) 图5本文算法结果 图6初始轮廓曲线 ot Computational Physics, 1988, 79(1): 12-49 [7 CHAN T F. VESE L A. Active contours without edges[J]. IEEE 为了验证本算法在目标与背景颜色相近情况及噪声情况 Trans on Image Processing. 2001, 10(2): 266-277 下的性能,在实验中采用etet测试图像序列。首先使用1M0HAR, KONRAD. Multiple motion segmentation with level sets[ J]. IEEE Trans on Image Processing, 2003, 12(2) mean shif跟踪算法跟踪一辆灰色车辆,如图7(a)中圆圈所标 201-220 记的车辆。由于目标与背景颜色的相似性,导致跟踪失败。从[9] PARAGIOS N, DERICHE R. Geodesic active 图7可看出,到第590帧时跟踪完全失败(其中图7(b)~(f) methods for motion estimation and tracking [J. Computer Vision and Image Understanding, 2005, 97(3): 259-282 巾与圓圈相交的曲线是算法跟踪目标的轨迹)。为了研究噪 10 BRESSON X. ESEDOGLU S, VANDERGHEYNST P, et al. Fast 声情况下的跟踪,将噪声加入图像序列,加入的是均值为0。 global minimization of the active contour/snake model[ J. Journal 方差θ.25的高斯噪声。先用π ean shift算法跟踪噪声情况下 of Mathematical Imaging and Vision, 2007, 28(2): 151-167 的红色车辆,如图8(a)圆圈所标记车辆,即对应未加噪声时图 [111 COLLINS R, HOU Xu-hui, TEH S K. An open source tracking Leslbed and evalualion Web site[ C]//IEEE International We 7(a)矩形框所标记车辆,跟踪过程如图8所示。到第583帧, on Performance Evaluation of Tracking and Surveillance. 2005

...展开详情
img
  • 至尊王者

    成功上传501个资源即可获取

关注 私信 TA的资源

上传资源赚积分,得勋章
    最新推荐