基于特征點的運動汽車跟蹤算法研究

王進花 曹潔

(蘭州理工大學 電氣工程與信息工程學院，甘肅 蘭州 730050)

0 引言

在視覺目標跟蹤算法中，實時性和準確性是衡量算法好壞的兩個重要指標，已有的跟蹤算法歸納起來主要有［1］［2］:基于 3D立方體模型的跟蹤算法，基于變形模型的跟蹤算法，基于區域的跟蹤算法，基于光流的跟蹤方法以及基于特征的跟蹤算法等。這些算法都有各自優勢，但是在復雜背景中，目標存在遮擋或陰影干擾時，要實現對運動目標準確、實時地跟蹤，是目前目標跟蹤中需要解決的難點問題。

本文采用特征點結合自適應卡爾曼濾波(AKF)算法實現運動汽車跟蹤?？紤]到跟蹤的實時性，首先，在目標定位時通過卡爾曼濾波算法估計目標在下一幀圖像中的位置，減小搜索范圍，提高運算速度;然后，在預測位置范圍內提取車輛特征點，將目標當前候選特征點與模板特征點進行匹配，確定目標的精確位置，提高跟蹤的準確性。通過交通視頻仿真實驗，證明該算法在快速跟蹤機動目標時效果較好。

1 汽車運動模型和濾波算法

1.1 汽車運動模型

近年來，國內外學者專家對目標運動模型做了大量的研究并取得了諸多成果，其中“當前”統計模型［3，4］得到了越來越廣泛的應用。此模型的思想是:當目標正在以某一加速度機動時，加速度在下一時刻的取值是有限的，并且只能在“當前”加速度的鄰域內。其本質上是非零均值時間相關模型，加速度的“當前”概率密度符合瑞利分布，均值為“當前”加速度預測值，隨機加速度符合一階時間相關過程，即

1.2 濾波算法

1.2.1狀態方程

設采樣周期為T，可得到(3)式的離散化狀態方程為:

其中，狀態向量

設當前加速度均值為

則可得到預測表達式為

式(4)中W(k)是離散時間白噪聲序列，其協方差矩陣為

其中，

qij(i，j=1，2，3)可參考文獻［5］。分別為x，y方向的加速度方差;αx，αy分別為x，y方向的目標機動頻率。

由文獻［6］k時刻加速度最大值和方差分別可表示為式(8)和(9)。

1.2.2觀測方程

其中，

VZ(k)是均值為零，方差為R(k)的高斯白噪聲。

1.2.3自適應卡爾曼濾波算法

根據狀態方程和觀測方程，可以得到自適應Kalman濾波方程為

2 特征點的提取及匹配

2.1 特征點提取

現有的角點檢測算法可分為兩類［7］:1)灰度級圖像數據檢測法;2)目標邊緣信息檢測法。本文采用基于圖像灰度的角點檢測算法，其中Harris角點檢測算法［8，9］，其計算簡單、提取的特征點均勻合理、可靠性高，因而在圖像處理領域得到了非常廣泛的應用。

圖像的自相關函數描述了局部灰度的變化程度，因此，角點與自相關函數的曲率特性有關，圖像自相關函數表示為:

式中，Ix+u，y+v，Iu，v分別為圖像中點 (x+u，y+v)和(u，v)對應的灰度值。對(16)式在點(u，v)進行二元函數的泰勒展開，可得到自相關函數E(x，y)的近似泰勒多項式

其中

w為高斯函數

則Harris角點檢測器為

令k=0.04，即經驗值，R取合理的閾值即可得所求角點。閾值取決于實際圖像的屬性，如尺寸、紋理等，也可以通過確定圖像中可能的特征點的數量，并取其R值較大的像素點作為特征點。考慮到運算速度和目標表示的準確性，需要合理確定特征點的數目。本文提取特征點數目設定為5～15。

2.2 特征點匹配

2.2.1建立目標模板

根據目標檢測結果計算初始幀中目標形心坐標，設為(x0，y0)，并計算每個特征點(xi，yi)相對于目標形心的偏移量(Δxi，Δyi)及灰度值 f(xi，yi)，由偏移量和灰度值構成模板特征點像素集合:

在汽車運動過程中會由于轉彎、遮擋而發生形變，此時特征點模板與實際目標不符，需要更新，則以當前圖像為首幀重新建立目標模板。

2.2.2特征點匹配

根 據2.2 的濾波算法預測車輛在下一幀中的形心坐標以及區域，并在此區域提取當前幀中車輛特征點，從而得到候選特征點的坐標集合。

設 當前幀形心坐標的預測值為(xt，yt)，則目標模板的第i個特征點(xi，yi)坐標的預測值是(xt+ Δxi，yt+Δyi)，在當前幀中以此坐標為中心的5*5的區域內計算特征點(xi，yi)與候選特征點的匹配值R(i，j)，R最小的候選特征點即為模板第i個特征點的匹配點。計算公式如下

圖1 跟蹤算法流程

圖2 跟蹤仿真結果

其中，I0(xi，yi)，I(mj，nj)分別為模板第 i個特征點和當前圖像第j個特征點的灰度值。在特征提取時，設定提取特征點數是5～15，特征分布較為稀疏并且均勻，在5*5的范圍內基本只有1～2個候選特征點，因此匹配計算量小，而且克服了由于預測誤差而引起的誤匹配及漏匹配，匹配正確率高。

3 基于特征點的運動汽車跟蹤流程

圖1是算法流程圖，首先初始化背景和濾波器，對輸入圖像進行檢測處理，得到目標中心坐標，并提取目標特征點，建立目標模板;其次，采用AKF濾波算法預測目標中心在下一幀圖像中的位置，在此區域提取當前幀目標特征點，進行特征點的匹配，依據匹配結果更新目標當前位置;最后，根據相關準則判斷是否需要更新模板，若不更新則處理下一幀圖像，循環工作。否則由當前幀重新建立模板，然后轉到下一幀圖像進行循環處理。

4 仿真結果及分析

仿真試驗采用蘭州市某路口的監控視頻圖像，通過格式轉換得到640×480bmp的序列圖像。實驗設備采用臺式PC機(Pentium Ⅳ，1.70 GHz，512 M 內存)，利用 Matlab7.1仿真軟件進行仿真驗證。采樣周期為0.04 s。

采用本算法跟蹤圖2所示視頻場景中的紅色小汽車。圖2(a)～(d)是隨機截取的四幀不同圖像的跟蹤仿真結果，圖中虛線框是濾波估計位置，‘+’是在當前幀圖像中提取的車輛特征點，‘O’為正確匹配特征點。由圖可見，特征點正確匹配率較高，只有個別特征點是在車輛轉彎形變情況下出現的新增特征點，沒有找到匹配點。這種情況可通過模板更新來解決，當特征點的正確匹配率小于設定閾值時更新模板。試驗結果驗證了該算法的有效性。

5 結束語

本文通過對跟蹤過程中方法算法的分析，提出了一種基于特征點和自適應kalman濾波相結合的跟蹤方法，通過仿真實驗證明該算法的跟蹤性能良好。因受外界環境干擾，實際采集到的視頻圖像質量較差，不利于目標檢測及特征提取，因此，首先要對原始圖像進行相關的處理。另外，在實際應用中，考慮到目標運動的隨機性，能夠實時自適應調整目標機動頻率因子，使其隨目標運動狀態的變化而變化，從而得到更佳的跟蹤效果，需要合理建立目標機動判別函數。

［1］侯志強，韓崇昭.視覺跟蹤技術綜述［J］.自動化學報，2006，32(4):603-617.

［2］馬安國，羅德林，等.基于“當前”統計模型的目標狀態估計［J］.自動化技術與應用，2006，25(7):5-8.

［3］劉海燕，趙宗貴，等.“當前”統計模型機動目標跟蹤的改進算法［J］.軍事運籌與系統工程，2007，1(1):51-54.

［4］方青，梅曉春.用于機動目標跟蹤的Kalman濾波器的設計［J］.雷達科學與技術，2006(1):50-55.

［5］楊萬海.多傳感器數據融合及其應用［M］.西安:西安電子科技大學出版社，2004:50-51.

［6］王進花，曹潔.基于改進“當前”統計模型和AKF的機動目標跟蹤［J］.蘭州理工大學學報，2010(4):98-101.

［7］王向軍，王研，等.基于特征角點的目標跟蹤和快速識別算法研究［J］.光學學報，2007(2):360-364.

［8］劉荊橋，戴光明.角點檢測在車輛特征提取中的應用［J］.軟件導刊，2008(4):91-92.

［9］鄭林，劉泉.一種基于特征點的跟蹤算法［J］.武漢理工大學學報，2006(3):398-400，462.