利用二維灰度直方圖跟蹤紅外運動目標

魯凱翔，田鵬輝，隋立春

(1. 長安大學 地質工程與測繪學院，陜西 西安 710054； 2. 西安工業大學 計算機學院，陜西 西安 710032)

一、引 言

近年來，目標跟蹤是機器視覺領域比較活躍的研究課題，在車輛跟蹤、智能機器人、人機交互、智能家居及生物醫學圖像分析等行業有著潛在的應用[1-2]。學者們提出了大量的運動目標跟蹤算法，在這些算法中，基于統計迭代思想的均值漂移(mean shift，MS)算法經常被應用于聚類、圖像平滑、圖像分割和跟蹤方面等各種不同場合[3-4]。該方法計算量不大，能夠進行實時目標跟蹤。

紅外熱成像跟蹤技術是一種被動式目標跟蹤技術。與可見光圖像相比，紅外成像系統在黑暗和煙霧等環境中仍具有較強的視覺能力，能夠全天候工作。近年來，隨著紅外成像系統價格的降低，紅外運動目標檢測與跟蹤問題得到了越來越多的關注。然而，由于紅外圖像信噪比較低、對比度低、目標邊緣模糊、信息單一且缺乏紋理特征等，因此使得紅外運動目標跟蹤難度增加[5-6]。

本文主要研究動態復雜背景下紅外圖像序列中運動目標的檢測與跟蹤技術，利用MS理論，實現了紅外成像運動目標的跟蹤；通過在不同紅外視頻監控場景下對緩慢移動的熱水壺、騎自行車的行人等目標的跟蹤，驗證了本文算法的有效性。

二、二維直方圖MS紅外目標跟蹤

相對于一維灰度直方圖，二維灰度直方圖是一種有效的灰度分布描述方法[7]，它既能反映像素點的灰度分布，又能體現像素與其相鄰像素的灰度相關性信息，更清晰地反映圖像的灰度聚類分布信息。因此，許多學者研究了二維灰度直方圖上的目標模型的建立方法[8]。本文擬采用二維直方圖建立目標模型，并通過MS算法實現對紅外運動目標的跟蹤。

1. 二維直方圖目標模型

根據特征選擇方法，將紅外圖像的灰度分為L級。設像素x的灰度對應的灰度特征區域為f(x)，其鄰域像素的平均灰度對應的灰度特征區域為g(x)，則f(x)和g(x)構成一個灰度二元組(f,g)，其出現的概率可表示為

(1)

以f,g為自變量的Pf,g就是圖像關于像素灰度-區域均值灰度的二維直方圖，如圖1所示。

圖1 二維灰度直方圖

圖1中，f為像素點灰度，g為鄰域平均灰度，一般以T點作為閾值點，將灰度區域分為A、B、C、D4個部分。根據同態性，A代表背景區域，B代表目標，C和D區域代表可能的邊緣及噪聲。

2. MS跟蹤算法

MS算法是一個不斷進行迭代運算的過程，即首先算出當前點的偏移均值，移動該點到其偏移均值，然后以此為新的起始點，繼續移動，直到滿足一定的條件結束。MS算法以其優良的性能在目標跟蹤中得到了很好的應用，它是一種無參數的密度估計算法，最早由文獻[9]提出，并應用于模式識別問題。文獻[10]將MS方法用于解決目標跟蹤問題。

假設運動目標中心位于x0，利用灰度或顏色分布來描述這個運動對象，則該運動目標可以表示為

(2)

由此可知，候選的位于y的目標可以描述為

(3)

(4)

(5)

把式(3)代入式(5)，整理可得

(6)

式中，有

(7)

選擇k(x)為Epanechnikov核函數的輪廓函數，則有

(8)

三、跟蹤算法實現

基于MS目標跟蹤算法的流程為：

1) 算法的輸入，在第一幀目標圖像上手動選定跟蹤目標的大小(即跟蹤窗口)。

3) 依據式(7)計算權重wi。

4) 依據式(8)計算新的位置y1。

6) 如果|y1-y0|

四、試驗結果與分析

為了驗證本文所提出的紅外目標跟蹤算法的性能，采用兩組紅外視頻圖像進行測試，并比較MS 跟蹤算法和本文跟蹤算法的跟蹤效果(如圖2、圖3所示)。所有算法均在 Intel Pentium 4 3.0 GHz CPU、2 GB內存計算機，Windows XP 系統下用Matlab 7.9編程實現。圖像中方框表示估計的目標位置，在圖像序列中待跟蹤目標的初始位置由手動方式給定。試驗視頻數據來自愛爾蘭都柏林城市大學數字視頻處理中心。

圖2是對一段長為150幀的640像素×480像素的紅外視頻中緩慢移動的熱水壺的跟蹤試驗結果。前65幀中MS算法和本文算法跟蹤結果基本一致；到第90幀時，由于目標前后縱向移動，MS跟蹤位置開始偏離運動目標，如圖2(a)中第90幀跟蹤結果所示。

圖3是對一段長為120幀的640像素×480像素的都柏林城市大學校園紅外監控視頻中騎自行車的行人的跟蹤試驗結果。

圖2 緩慢移動的熱水壺跟蹤結果

本次試驗中，由于運動目標(騎自行車的行人)較小，在圖3(a)中，MS跟蹤算法在第95幀時，受到跟蹤目標旁邊復雜背景中的行人的干擾，丟失跟蹤目標，跟蹤算法失效；而在圖3(b)中，本文算法仍然能夠有效跟蹤運動目標。

五、結束語

對于低信噪比的紅外圖像，由于一維直方圖難以可靠、穩定地描述運動目標，因而在區分目標與背景區域時，經常難以達到預期要求。而二維灰度直方圖的突出優點是抗噪性能好，已在圖像分割中表現出良好的性能，其原因在于這種圖像灰度的描述方法能夠有效地區分目標和背景區域，這種特性也正是目標跟蹤算法所需要的。本文提出了一種基于改進的MS算法的紅外目標跟蹤方案。試驗結果表明，本文所提出的方案實現了對紅外目標的實時自動檢測跟蹤，同時對于目標遮擋、丟失的情況是穩健的。

參考文獻：

[1] 譚熊，余旭初，劉景正，等. 基于無人機視頻的運動目標快速跟蹤[J]. 測繪通報，2011(9):32-34.

[2] 張天序.成像自動目標識別[M].武漢:湖北科學技術出版社，2005: 22-38.

[3] 李鄉儒，吳福朝，胡占義.均值漂移算法的收斂性[J].軟件學報,2005,16(3): 365-374.

[4] CHENG Jian, YANG Jie. Novel Infrared Object Tracking Method Based on Mean Shift [J]. Journal of Infrared and Millimeter Waves，2005, 24 (3): 231-235.

[5] CAI Xiaochun,HU Yihua,HU Guilan,et al. Morphology Based Adaptive Preprocessing Method of Infrared Image Sequence[C]∥Proceedings of SPIE 2007.Xi'an:[s.n.]，2007.

[6] 楊萃元，趙忠凱，蒲書縉. 基于多結構元素灰度形態學的紅外背景估計算法[[J].哈爾濱工程大學學報，2005,26(6):796-799.

[7] XIA Xutang, WU Haibin,CHEN Xinbing, et al. Application Research of the Segmentation of Near-infrared Images Based on OTSU [J]. Journal of Atmospheric and Environmental Optics， 2011,6(6):470-475.

[8] 李立源, 龔堅, 陳維南. 基于二維灰度直方圖最佳一維投影的圖像分割方法[J]. 自動化學報,1996，22(3)：315-322.

[9] FUKUNAGA K, HOSTETLER L D. The Estimation of the Gradient of a Density Function, with Applications in Pattern Recognition [J]. IEEE Transactions on Information Theory，1975, 21 (1): 32-40.

[10] COMANICIU D, MEER P. Mean Shift: a Robust Approach Toward Feature Space Analysis [J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2002, 24 (5): 603-619.