基于多特征自適應融合的目標跟蹤①

郭曉欣 王震洲 白 磊

(1.華北科技學院計算機學院，北京東燕郊 101601;2.河北科技大學信息科學與工程學院，河北石家莊 050018)

基于多特征自適應融合的目標跟蹤①

郭曉欣1②王震洲2白 磊1

(1.華北科技學院計算機學院，北京東燕郊 101601;2.河北科技大學信息科學與工程學院，河北石家莊 050018)

針對傳統的基于單一特征的跟蹤方法在復雜場景和光照變化下易導致跟蹤失敗的缺點，提出了一個基于多特征自適應融合的目標跟蹤算法。首先選取具有互補性的目標顏色和紋理特征構造目標的多特征模型;然后根據特征子模型對目標與背景的可分性，對目標特征子模型的權值進行自適應調節;最后利用顏色和紋理特征對所提的算法進行了驗證。試驗表明同基于單個特征的核函數目標跟蹤方法相比具有更好的魯棒性。

多特征;顏色;紋理;權值

0 引言

視頻目標跟蹤是計算機視覺領域的一個核心問題，在智能視頻監控、智能人機交互、醫療診斷以及軍事等方面都有廣泛的應用價值。目標跟蹤成為計算機視覺領域的一個研究熱點，吸引了眾多學者對其進行了大量的研究。盡管已經取得了一些重要的研究成果，但仍然面臨著許多挑戰，如光照變化、目標與背景的對比度差、運動目標姿態的改變、邊緣模糊以及背景中的噪聲和干擾等，因此對于復雜場景下穩健的目標跟蹤仍然是計算機視覺領域一個艱巨的任務。

顏色作為一個有效視覺特征，對目標的旋轉、部分遮擋具有很好的魯棒性，被廣泛地用于基于外觀模型的跟蹤中。在基于核函數的目標跟蹤算法中，利用空間核加權的顏色直方圖來描述跟蹤目標。顏色直方圖具有旋轉及平移不變性，具有計算簡單快捷的特點，但此方法缺乏空間信息、易受光照存在邊界問題及噪聲影響等因素，使得跟蹤算法不可靠。相對于顏色，紋理具有不依賴于顏色或亮度的特征。紋理描述圖像中像素灰度在空間上的分布特征，常用的紋理特征提取方法有灰度共生矩陣、馬爾可夫隨機場模型、小波變換、傅里葉變換及Gabor濾波器等［1］。當基于紋理的特征提取具有計算復雜度較高的特點，難以滿足視覺跟蹤實時性的要求，并且在動態環境下，獲得尺度及旋轉不變的紋理特征往往也非常困難。

為克服基于單一特征的跟蹤方法在復雜環境和光照變化下易導致跟蹤丟失的缺點，本文提出了一種基于紋理和顏色特征自適應融合的核函數目標跟蹤方法，將目標的顏色和紋理特征集成在基于核函數的跟蹤方法中，并根據每個特征對目標及背景的區分能力［2］，提出了相應的特征權值及目標模型的更新方法，以實現跟蹤算法對目標自身及場景變化的自適應性。

1 基于多特征融合的目標跟蹤

1.1 目標跟蹤［3］

首先分別利用目標的各個特征構造目標的子模型，然后將各個子模型集合構成目標的多特征模型。目標及候選目標的模型定義如下:

h0為核函數的初始帶寬，δ為Kronecker函數，y0為目標區域的中心位置，C為歸一化系數。

候選目標用第i個特征直方圖表示的子模型

h為候選區域的大小，Ch為歸一化系數。其中對于不同的特征的子模型，可以根據需要選擇不同的核函數和帶寬。

獲得目標及候選目標的模型后，首先計算目標與候選目標對于子模型之間的相似性，利用Bhattacharyya系數計算目標與候選目標各子模型之間的相似性公式如下:

其中i表示第i子模型。則總的相似性度量為:

接下來進行目標定位即利用均值漂移算法求取使得公式(4)取得最大值的y，不同的特征在不同的場景下對目標和候選目標的區分能力是不同的，用ωij表示根據第i個子模型獲得的像素yj的權值如下:

則計算相似性函數ρ關于y的梯度為:

由公式(6)可得總的相似性度量函數ρ對應的均值漂移向量m(y)為

其中g(x)=-k'(x)，由公式(7)可得相應的均值漂移算法迭代式為:

1.2 權值更新

為了實現在復雜場景下對目標的準確跟蹤，引入根據特征子模型對目標與背景的可分性，對目標特征子模型的權值進行自適應調節的機制。

首先在目標中心附近均勻選取M個采樣點，并以這些點為中心選取M個與目標相似的同樣大小的區域，將這M個區域作為正例。在目標臨近的背景區域中選取N個與目標同樣大小的區域作為反例。其中M和N的值越大即采樣點的個數越多，其對特征的度量更加準確，但由于計算量的增加會降低跟蹤的實時性，因此需要合理權衡采樣點的個數。在選取正例和反例后，計算這些區域內各個特征的空間距離核函數的加權直方圖，然后根據Bhattacharyya系數分別計算各個特征直方圖與目標相應子模型的相似性，最后利用Fisher線性判別準則評價每個特征對目標與當前背景的可分性，即:式(4)中相似度ρ達到最大時，迭代結束。

由式(5)和式(8)可以看出，像素的權值由兩部分組成:一部分來自核函數g(x)，當像素離候選目標越遠則權值越小;另一部分來自

利用歸一化后的可分性度量，更新各個特征的權值，其更新公式為:

同時利用目標各個特征子模型的優勢，解決跟蹤過程中模型漂移問題。例如用顏色和紋理特征對人體進行跟蹤，當顏色發生顯著的改變時，目標的紋理基本保持不變，因此在自適應跟蹤框架下紋理子模型的權值會變大，而顏色子模型的權值會變小，從而得到更加魯棒跟蹤結果。因此，我們根據每個特征的權值對目標子模型進行排序，在跟蹤過程中不需要對所有的模型權值進行更新，而僅僅選擇那些權值較小的子模型進行更新［6］。

1.3 基于顏色和紋理的自適應融合算法［7］

顏色對目標旋轉、非剛性變換及遮擋都比較魯棒，但其對空間信息沒有任何描述。紋理特征主要描述空間結構信息，本文采用LBP紋理特征比較中心像素與相鄰像素灰度值的大小，對全局的灰度變換不敏感［5］。采用顏色和紋理特征的融合，可以有效提高目標跟蹤的效果。基于顏色和紋理兩個特征的自適應融合算法如下:

2)利用公式6計算候選區內像素的權值;

5)利用公式8計算顏色和紋理特征的可分性;

6)利用公式10更新特征的權值;

7)利用公式11選擇需要更新的目標子模型，更新子模型。

3 實驗結果與分析

為了驗證本文算法的有效性，進行了大量的實驗，針對在動態變化場景下跟蹤的魯棒性，選取多個視頻序列將本文的算法和基于顏色特征的核函數目標跟蹤算法進行對比，其中針對相似顏色目標和光照變化的情況，分別選取了室內和室外兩個場景，跟蹤對象為人臉和車體。

視頻幀的分辨率為320×240，特征子模型選用Epanechnikov核作為空間距離加權的核函數。顏色直方圖被量化為16×16×16個區間，LBP紋理特征的計算選擇P=8，R=2，紋理直方圖被量化為36個區間。

實驗一為室內的人臉跟蹤，跟蹤過程人臉發生了移動，為了顏色室內光照發生變化時對目標跟蹤的影響，因此在跟蹤時將顏色和紋理的特征子模型的權值均初始為0.5。

圖1 第一個實驗序列跟蹤結果

以上結果可以看出當人臉發生大幅度移動時，基于顏色特征的核函數目標跟蹤算法受周圍相似皮膚的干擾跟蹤不夠準確;而本文提出的基于顏色和紋理自適應的目標跟蹤算法能自適應調制顏色和紋理特征的權值，準確地跟蹤目標。

實驗二對室外復雜場景下的車體進行了跟蹤，跟蹤過程中車輛從光線暗的遠方駛向光照變強的近處，其顏色和紋理的特征初始權值同樣都為0.5。

圖2 第一個實驗序列跟蹤結果

以上結果表明當目標從遠處陰影區駛向光照區時，目標顏色特征的可分性迅速降低，其權值也相應減小，而紋理特征的權值會自適應的變大，從而克服了光照變化的影響。

實驗結果表明對于目標本身的動態變化及外部場景的變化，基于顏色特征的核函數跟蹤算法受光照變化的影響使得跟蹤結果不可靠，而本文提出的基于多特征自適應融合的目標跟蹤算法，在跟蹤過程中，通過對特征權值的自適應更新，充分利用多特征之間的互補性，適應跟蹤過程中目標及背景的變化，同基于單個特征的核函數目標跟蹤方法相比具有更好的魯棒性。

3 結論

本文提出一個基于多特征自適應融合的核函數目標跟蹤算法，并選用具有互補性的顏色和紋理特征對算法進行了驗證。實驗結果表明，本文所提的算法在跟蹤過程中，能根據場景的變化自適應調整各個特征子模型的權值，對復雜場景及目標變化具有良好的適應性，通基于單一顏色特征的目標跟蹤相比，具有更好的魯棒性。

基于多特征自適應融合的核函數目標跟蹤算法理論上可擴展到多個特征模型，如顏色、紋理、邊緣、梯度及運動等，目前只是針對顏色和紋理進行了實驗驗證，下一步的工作將根據需要將目標的其它特征加入到所提的算法框架中，對算法的有效性進一步的進行驗證。

［1］ 王紅梅，王玲，廖佳.基于膚色分割的視頻人體檢測［J］.計算機工程與設計，2011，32(3):980-983

［2］ 劉麗，匡綱要.圖像紋理特征提取方法綜述［J］.中國圖象圖形學報，2009，14(4):622-635

［3］ 曹潔，李偉.基于多特征融合的目標跟蹤算法［J］. 蘭州理工大學學報，2011，37(2):80-84

［4］ 王歡，王江濤，任明武，等.一種魯棒的多特征融合目標跟蹤新算法［J］.中國圖象圖形學報，2009，14(3):489-498

［5］ 曹丹華，鄒偉，吳裕斌.基于背景圖形差分的運動人體檢測［J］.光電工程，2007，34(6):107-111

［6］ 袁廣林，薛模根，謝愷，等.基于核函數粒子濾波和多特征自適應融合的目標跟蹤［J］.計算機輔助設計與圖形學學報.2009，21(12):1774-1784

［7］ 吳天愛，黃襄念，楊玲.基于彩色視頻圖像的運動人體檢測方法［J］.計算機仿真，2008，25(4):218-262

Target Tracking Algorithm on Multi-feature Adaptive Fusion

GUO Xiaoxin1，WANG Zhenzhou2，BAI Lei1

(1.Computer Science and Technology Institute，North China Institute of Science and Technology，Yanjiao Beijing-East101601;2.College of Information Science and Engineering，Hebei University of Science and Technology，Shijiazhuang Hebei050018)

Traditional tracking methods based on a single characteristic in complex scenes and in the case of the illumination change easily lead to tracking failed.Therefore this paper presented a target tracking algorithm on multi-feature adaptive fusion.Firstly this paper constructed target multi-feature model by using complementary color and texture characteristics of the target;Secondly according to the separability of target and background of feature submodel，adjusted adaptively weight of target feature submodel;Finally，using both color and texture features verified the algorithm proposed in this paper.The tests indicate that，target tracking algorithm on multi-feature adaptive fusion is more robustness.

multi-feature;color;texture features;weight

TP391.41

A

1672-7169(2012)03-0023-05

2012-06-14。 基金項目:華北科技學院校立基金資助項目(2011B031):“中央高校基本科研業務費”資助項目。

郭曉欣(1982-)，女，山東濰坊人，碩士，華北科技學院計算機學院講師。