基于局部不變特征與Camshift復雜環境跟蹤技術研究

摘 要： 針對城市道路交通中廣泛存在由于車輛形變、霧霾天氣、背景噪聲以及光照變化、遮擋干擾等復雜環境導致傳統方法跟蹤失敗的問題，提出在連續自適應均值漂移算法的基礎上融合HSV顏色模型、局部不變特征的城市道路交通車輛目標跟蹤新算法。新算法通過建立基于顏色、灰度的多特征模板，利用統計分析學樣本主成分分析降維提高特征匹配的效率，定義并計算加權特征在空間上的分布，使得算法對復雜環境亦能較好的應對，保證跟蹤穩定、準確。實驗表明新算法識別率高、實時性好，抗環境干擾魯棒性強。

關鍵詞： 特征融合； Camshift； SIFT算法； 降維； 目標跟蹤

中圖分類號： TN911.73?34； TP391 文獻標識碼： A 文章編號： 1004?373X（2016）19?0169?05

Abstract： Since the traditional tracking methods are failed due to the complex environments of vehicle deformation， haze weather， background noise， illumination variation and occlusion interference existing in urban road traffic， the vehicle target tracking new algorithm of urban road traffic is proposed， which integrates HSV color model and local invariant feature with the continuously adaptive mean shift （Camshift） algorithm. The multi?feature template based on color and gray level is established.The sample principal component analysis method of statistic analysis is used to reduce the feature dimension to improve the efficiency of feature matching. The spatial distribution of weighted features is defined and calculated， so the algorithm can better deal with the complex traffic environment， and ensure the stable and accurate tracking. The experimental results show that the new algorithm has high recognition rate， good real?time performance， and strong robust to resist environmental interference.

Keywords： feature fusion； Camshift； SIFT algorithm； dimension reduction； target tracking

0 引 言

目前，我國道路車輛隨著社會的發展不斷增加，公路承載能力相對不足，致使交通擁堵嚴重，事故頻發。車輛跟蹤技術在城市道路交通監控系統[1]中，能夠實時監控記錄車輛的行為信息，獲取車輛的信息參數，從而為車輛行為識別奠定了基礎。目前跟蹤方法大部分依靠單一顏色信息表示被跟蹤的目標，卡爾曼濾波器跟蹤[2]計算復雜度低，能夠跟蹤車輛的中心，但要求車輛運行狀態滿足高斯分布，而對現實中大部分的非線性、非高斯環境易跟蹤失敗；塊匹配跟蹤算法[3]利用圖像之間的匹配度進行跟蹤，但跟蹤過程中無法通過分配策略設置合理的閾值，且抗仿射變換能力差；粒子濾波算法[4]抗干擾能力強，但存在精度和時耗的互斥情況，且在跟蹤過程中粒子易出現退化現象。連續自適應均值漂移（Camshift，Continuously Adaptive Meanshift）算法[5?6]是一種無需參數的基于核密度的快速模式匹配算法，可以有效解決目標形變問題，其計算簡單、實時性高，但在目標顏色和背景接近、遮擋、光照變化時易導致目標跟蹤失敗。總之，上述方法不具備通用性，如場景中出現光照、車輛或形變、霜霧天氣、目標邊緣或區域特征不明顯、遮擋等因素存在時易丟失目標。

鑒于以上情況，如何選擇有效的跟蹤方法和提取具有不變性的特征有待提高。本文針對城市道路車輛跟蹤中存在的若干問題，提出在連續自適應均值漂移算法的基礎上融合局部不變特征的復雜環境車輛跟蹤算法，通過提高辨識車輛目標的能力，為智能道路交通監控系統提供有力的理論依據。

1 Camshift算法及問題

Camshift算法建立在Meanshift算法[7]基礎上，利用圖像顏色概率密度的分布特征跟蹤目標，由于MeanShift 算法的核函數窗寬固定不變，影響了跟蹤效果，目標尺度明顯變化時，會定位不準確。Camshift利用像素值和搜索窗二階矩估計目標大小、方向角從而自適應調節窗口大小和角度。此外，Camshift選擇HSV顏色模型作為跟蹤特征減少光照影響。算法描述如下：

為了自適應移動目標的方向及大小，利用像素值和搜索窗二階矩進行估計。算法將新搜索窗的位置、大小作為下幀初始位置重新初始化，繼續在搜索窗1.1倍范圍內計算HSV顏色概率分布情況，直到收斂，反復執行以上算法，從而跟蹤移動目標。

Camshift算法計算簡單，匹配速度快，實時性高，能自動適應目標大小及方向角的變化，但由于僅利用圖像顏色特征，在復雜環境中易受顏色近似的干擾物影響導致跟蹤失敗。如圖1所示，截取視頻87，102，110，118，122幀進行測試，被跟蹤車輛在運動過程中被橋柱遮擋，且車身顏色和橋柱顏色極為接近，構成較大干擾。可見，Camshift算法僅使用顏色概率，易被橋柱吸引從而丟失目標。

2 局部不變特征提取及優化

2.1 特征提取

SIFT（Scale Invariant Feature Transform）尺度不變特征變換算法[8?9]提取圖像局部特征，能夠適應各種仿射變換，對遮擋、亮度變化、噪聲、縮放平移有良好的不變性，將其和Camshift算法融合能更好地增加跟蹤穩定性。SIFT算法利用高斯差分多尺度變換尋找關鍵點[10?11]，通過圖像方向特征向量的不變性實現特征匹配，過程描述如下：

2.2 特征向量優化

雖然SIFT算法抗仿射變換，由于關鍵點向量高達128維，時間復雜度很高，不適合直接將SIFT算法應用在需要實時處理的交通環境。在保證生成關鍵點的數量和準確性的前提下，本文引入統計分析學中的樣本主成分分析（Sample Principal Component Analyse）方法[12-13]，對關鍵點特征降維從而提高系統的實時性。

4 結 語

針對復雜環境，本文提出了基于Camshift的HSV顏色特征和局部不變特征融合的自適應權重更新目標跟蹤算法，為了降低算法復雜度，利用主成分的分析方法用互不相關的新樣本信息表述原樣本信息，從而降低維數，避免信息重疊，減少了特征向量的匹配時間，用直方圖分別描述不同特征空間，建立候選目標、目標模板的特征概率密度分布函數。改進算法對車輛形變、霜霧天氣、背景噪聲干擾以及光線變化、遮擋等問題可以自適應更新不同特征權重，特征之間互補不足，對復雜環境有良好的魯棒性。在城市道路交通實時監控系統中有著良好的應用前景。

參考文獻

[1] MAURYA K， SINGH M， JAIN N. Real time vehicle tracking system using GSM and GPS technology： an anti?theft tracking system [J]. International journal of electronics and computer science engineering， 2012， 1（3）： 1103?1107.

[2] 趙汝祺，趙祚喜，趙汝準.基于多項式卡爾曼濾波器的車輛定位試驗[J].農業工程學報，2012，28（18）：49?56.

[3] CHITALIYA N G， TRIVEDI A I. Novel block matching algorithm using predictive motion vector for video object tracking based on color histogram [C]// Proceedings of 2011 IEEE International Conference on Electronics Computer Technology. Kanyakumari： IEEE， 2011： 81?85.

[4] 陳志敏，薄煜明，吳盤龍，等.基于新型粒子群優化粒子濾波的故障診斷方法[J].計算機應用，2012，32（2）：432?435.

[5] BRADSKI G R. Computer vision face tracking for use in a perceptual user interface [C]// Proceedings of 1998 IEEE Workshop on Applications of Computer Vision. [S.l.]： IEEE， 1998： 214?219.

[6] 曲巨寶，林宏基.一種基于MACA的自適應跟蹤算法[J].徐州工程學院學報，2010，25（3）：41?46.

[7] CHENG Y. Mean shift， mode seeking and clustering [J]. IEEE transactions on pattern analysis and machine intelligence， 1995， 17（8）： 790?799.

[8] LOWE D G. Distinctive image features from scale invariant key points [J]. International journal of computer vision， 2004， 60（2）： 91?110.

[9] PANCHAL P M， PANCHAL S R， SHAH S K. A comparison of sift and surf [J]. International journal of innovative research in computer and communication engineering， 2013， 1（2）： 323?327.

[10] 屠禮芬，仲思東，彭祺，等.基于高斯金字塔的運動目標檢測[J].中南大學學報，2013，44（7）：2778?2786.

[11] 張克軍，竇建君.基于Contourlet變換和不變矩的圖像檢索方法[J].徐州工程學院學報，2012，27（1）：48?51.

[12] 鮑蘇寧，張磊，楊光.基于核主成分分析的異常軌跡檢測方法[J].計算機應用，2014，34（7）：2107?2110.

[13] 霍雷剛，馮象初.基于主成分分析和字典學習的高光譜遙感圖像去噪方法[J].電子與信息學報，2014，36（11）：2723?2729.