基于SUSAN角點和HSV顏色模型的粒子濾波目標跟蹤算法

閆　河　劉　婕　王　樸　楊德紅

(重慶理工大學計算機學院　重慶 400054)

?

基于SUSAN角點和HSV顏色模型的粒子濾波目標跟蹤算法

閆河劉婕王樸楊德紅

(重慶理工大學計算機學院重慶 400054)

摘要針對傳統粒子濾波目標跟蹤算法在目標與背景顏色相似情況下目標定位偏差大、易導致丟失目標的缺陷，提出一種基于角點和顏色模型的粒子濾波目標跟蹤算法。首先，提出一種改進SUSAN角點檢測算法，采用圓形模板鄰域內像素灰度值中值代替模板中心像素灰度值作為模板“核”來檢測區域目標角點，其改進SUSAN角點算法在繼承原有SUSAN算法計算簡單、定位準確、具有旋轉不變性等特點的同時，具有更好抗噪聲性能；其次，利用HSV顏色模型光照不敏銳特性，對檢測到的角點建立HSV顏色模型，并將其嵌入到粒子濾波框架中，實現對目標的跟蹤。實驗結果表明，當背景與目標顏色相近時，該算法能夠有效避免背景對目標的干擾，取得了較好的目標跟蹤性能。

關鍵詞SUSAN角點檢測粒子濾波算法目標跟蹤HSV顏色模型

0引言

粒子濾波目標跟蹤算法采用粒子集表示概率分布，具有非參數化特點，能比較精確地表達基于觀測量和控制量的后驗概率分布，并利用粒子和權值完成目標狀態估計[1]。傳統粒子濾波目標跟蹤算法常采用RGB顏色直方圖特征建立目標模型進行跟蹤。顏色特征具備持久穩定性，對物體姿態變化和非剛體變形不敏銳，在旋轉和尺度變換上具有一定的魯棒性[2-4]。但是，在目標和背景顏色相似較高時，RGB顏色特征表征目標的方法難以有效區分目標和背景[5,6]，易導致目標跟蹤性能下降。近年來，人們更多研究如何合理選擇目標視覺特征來提升粒子濾波目標跟蹤準確性。Ido等[7]利用顏色和邊緣特征結合減弱背景的干擾，實現目標跟蹤；Campos等[8]利用SIFT(Scale Invariant Feature Transform)特征點進行定位；王向軍等[9]利用Plessey角點特征進行目標跟蹤。

由于角點特征是一個重要的局部不變特征點，具備很強的目標表征能力。其表現形式是圖像亮度發生劇烈變化或圖像邊緣曲線上曲率極大值的點，具有旋轉、平移、縮放不變的性質。并且能夠在保留圖像重要特征的同時,還能夠有效地減少背景信息的干擾，增強目標與背景區域之間的辨別力，以提高目標信息含量。因此，廣泛應用于目標識別、目標跟蹤等領域[10]。角點檢測算子常用Harris[11]和SUSAN算子[12,13]，其中，SUSAN角點采用圓形模板，能夠檢測到各個方向角點，圖像旋轉對角點檢測無影響，并不依賴于梯度，具有計算簡單且定位準確的特點。

為了克服背景對目標的干擾，提出基于SUSAN角點和HSV顏色模型的粒子濾波目標跟蹤算法。其改進SUSAN算子是利用模板鄰域內的中值來取代模板中心像素值，具有一定濾波平滑作用，起到抗噪性能。RGB顏色空間不符合人對顏色的感知心理，然而HSV顏色空間是一種面向視覺感知的顏色模型，同時HSV顏色模型降低了對光照的敏感度[14]。因此，本文首先采用改進SUSAN角點檢測算子提取角點特征；其次，利用提取的角點特征建立HSV顏色直方圖描述目標模型，能夠有效增強目標與背景之間的辨識度；最后，在粒子濾波目標跟蹤的框架下實現目標跟蹤，能夠有效地提高跟蹤精確度。

1角點檢測

1.1改進SUSAN角點檢測

圖1　SUSAN模板

角點為目標輪廓上某些屬性強度最大或者最小孤立點，或者目標輪廓線上局部曲率最大點。角點檢測實質上就是捕捉目標興趣點或特征點。SUSAN[12]是一種近似圓形模板角點檢測算法。對目標角點檢測具有旋轉不變性，SUSAN角點模板一般包含37個像素點，如圖1所示。

設定圓形模板為N(x,y)，模板中心像素被稱為“核”，并使用這樣一個模板掃描整幅圖。“核”鄰域可劃分為2個區域，以“核”為中心模板窗中存在像素灰度值與“核”點像素灰度值相似的區域USAN(Univalve Segment Assimilating Nucleus)和灰度值不相似核點像素灰度值的區域。其中，USAN區域包含了圖像結構的重要信息，USAN面積隨著模板所在位置不同而發生變化。當模板中心像素點處于圖像目標區域內部時，USAN面積最大；當該像素坐標點位于圖像目標區域邊緣時，則面積為最大的一半；當該像素點為角點時，USAN區域面積不大于最大面積的1/4。因此，能夠根據SUSAN算子中USAN區域面積來檢測當前像素點為區域內部點、邊界點，還是角點。使用下面相似比較函數公式來計算USAN區域面積。首先，對模板中的像素進行排序Sort(I(x,y))得到38個數據，令中間數據為m和n。

I(x0,y0)=(m+n)/2

(1)

(2)

其中，I(x0,y0)為改進中心像素灰度值，即是利用模板內像素灰度值中值代替原模板“核”中心灰度值，I(x,y)為模板內非“核”點像素灰度值，(x0,y0)和(x ,y)為像素點位置，t為灰度值差閾值即是區分目標特征與背景閾值。模板中所有點與“核”點灰度值比較之和即為某一點USAN區域面積大小，可用式(3)表示：

(3)

通過式(3)得到USAN區域的像素個數即為SUM(x0,y0)。將該值與一個給定閾值G通過以下角點初始響應函數：

(4)

其中，G假設為USAN最大區域時的一半，即G=37×(1/2)。并通過對初始響應角點進行局部非極大值抑制，可以檢測出圖像目標的大部分特征角點。

1.2角點提取實驗

如圖2所示，飛機具有一定的結構特征，根據角點檢測算子原理可知，檢測出來的角點將集中在飛機目標上。圖2第一列為未加噪聲圖像提取角點圖，第二列表示添加了均值為0，方差為0.1的高斯噪聲圖像提取角點圖。(b)、(c)分別是用原始SUSAN角點算子和改進SUSAN角點算子對(a)角點檢測結果。由于改進SUSAN的角點檢測方法有一定濾波作用，能夠有效抑制噪聲干擾。從實驗結果圖2可知，對于目標與背景信息顏色相似情況下，提取的角點特征集中在目標上，改進SUSAN檢測能夠更好地定位目標，降低背景干擾。因而，改進SUSAN角點檢測在含有噪聲圖像中能夠有效提高了目標與背景的辨識度。

圖2　角點提取圖像

2改進的目標跟蹤算法

在傳統粒子濾波目標跟蹤算法(PF)[15-18]中，常常以RGB顏色直方圖建立目標模型，實現對目標的跟蹤。由于顏色特征建立模型時，區域中所有像素點都參與運算，使得引入了很多背景信息，造成目標跟蹤定位偏差大。但角點具有很強目標表征能力，能夠有效區分目標與背景。因此，本文算法提出利用跟蹤窗口中角點特征，并提取這些角點的HSV顏色特征構建目標模型和候選目標模型，以減少背景信息，增強抗背景信息干擾的能力，有效提高跟蹤的準確性。

改進目標跟蹤算法基本步驟如下：

(5)

(6)

(7)

(8)

步驟4更新過程。通過式(8)對每一個粒子進行傳遞后，計算出每個粒子的顏色概率分布pi，i表示為第i個粒子，每個粒子表示一種候選概率，根據粒子似然性來重新確定每個粒子的權值。通過這些角點的HSV顏色模型得到每一個粒子的角點顏色相似性ρy(p,q)，并利用正態分布函數作為似然函數，即粒子的權值為：

(9)

并將其進行粒子權值的歸一化，即為：

(10)

步驟5目標狀態的估計值。通過式(10)計算出每一個粒子的歸一化權值，采用加權準則確定目標的最終位置，即為：

(11)

步驟6讀取下一幀圖像，若讀取幀數為總幀數，則退出，小于總幀數，返回步驟2。

3實驗結果分析

本文通過采集2個視頻，比較幾種不同目標跟蹤算法性能。在粒子濾波目標跟蹤中，使用RGB顏色模型，量化空間16×16×16；采用HSV顏色模型，量化空間8×4×4。在軟件平臺opencv2.4.0結合vs2010實現。

本文第一個視頻序列圖像采集于天空，序列圖像大小480×640，幀速率20幀/秒，天空中飛機作為目標對象，進行跟蹤。圖3是不同算法部分實驗跟蹤結果，表1和表2分別是相應幀中心位置坐標點值及相應幀誤差，表3表示整段視頻平均誤差，用誤差均值和方差表示。從視頻中觀察，飛機運動趨勢基本呈現水平，其主要誤差影響因素是水平方向。圖3(a)、(b)分別采用傳統粒子濾波跟蹤算法和基于HSV顏色目標跟蹤算法進行跟蹤。目標與背景顏色相似時，從跟蹤視頻序列結果觀察和表3可知，采用HSV顏色比RGB顏色直方圖建立目標特征，在跟蹤準確度有所提高，但跟蹤目標仍然出現較大偏差，甚至導致跟蹤目標丟失。圖3(c)、(d)分別采SUSAN角點和本文跟蹤算法，都對背景信息對目標信息干擾有一定抑制作用，由實驗結果分析可知，本文算法能夠有效提高跟蹤準確度。

圖3　不同的跟蹤算法的實驗結果(從左到右，從上到下：6,15,24,46)

坐標點值第6幀第15幀第24幀第46幀手動坐標(413,280)(379,271)(332,260)(200,249)RGB(414,272)(380,263)(318,248)(257,238)HSV(413,275)(371,264)(323,262)(254,233)原始SUSAN+HSV(409.277)(375,266)(329,252)(204,241)本文算法(413,277)(379,271)(332,260)(205,248)

表2　相應幀誤差

表3　X方向誤差及中心位置誤差(均值±方差)

第二個視頻是一段足球場視頻圖像序列，序列圖像大小720×1280，幀速率25幀/秒，跟蹤一個在足球場上穿著綠色上衣的運動員。圖4是不同算法部分實驗跟蹤結果，表4和表5分別是相應幀中心位置坐標點值及相應幀誤差，表6表示整段視頻平均誤差，用誤差均值和方差表示。從視頻中觀察，運動員的運動趨勢基本呈現水平，其主要誤差影響因素是水平方向。圖4(a)、(b)分別采用傳統粒子濾波跟蹤算法和基于HSV顏色的目標跟蹤算法進行跟蹤。從跟蹤的視頻序列結果觀察和表6可知，采用HSV顏色比RGB顏色直方圖構建目標特征，在跟蹤準確度有所提高。但該運動員上衣與足球場地顏色相似，仍然導致進行跟蹤目標存在一定的困難。其表現形式為跟蹤目標出現較大偏差，甚至導致跟蹤目標丟失。圖4(c)、(d)分別采SUSAN角點和本文跟蹤算法，都對背景信息對目標信息干擾有一定的抑制作用。由實驗結果分析可知，本文算法能夠有效提高跟蹤的準確度。

圖4　不同的跟蹤算法的實驗結果(從上到下：3,39,59)

第3幀第39幀第59幀手動坐標(392,354)(216,416)(290,365)RGB(406,363)(382,365)(380.358)HSV(405,364)(329,361)(323,359)原始SUSAN+HSV(398,361)(317,362)(231,412)本文算法(392,354)(217,416)(297,395)

表5　相應幀誤差

表6　整段視頻中心誤差(均值±方差)

4結語

在目標與背景顏色相似情況下，針對傳統粒子濾波目標跟蹤算法對目標定位產生一定偏差甚至導致跟蹤目標丟失的缺陷。考慮到角點是一種局部不變特征，具有較強的目標表征能

力，能夠有效區分目標與背景顏色信息。因此，本文提出了基于SUSAN角點和HSV顏色模型的粒子濾波目標跟蹤算法。首先利用改進SUSAN角點檢測算法提取目標區域的角點特征；其次，利用這些角點的HSV顏色直方圖建立目標模型；最后，引入粒子濾波目標跟蹤框架，實現對目標的跟蹤。通過實驗對比，表明本文算法在目標跟蹤準確度上具有較好的效果。

參考文獻

[1] 周帆,江維,李樹全,等.基于粒子濾波的移動物體定位和追蹤算法[J].軟件學報,2013,24(9):2196-2213.

[2] Nummiaro,E KollerMeier,LVan Gool.An adaptive color-based particle filter[J].Image and Vision Computing,2003,21(1):99-110.

[3] Czyz J,Ristic B,Macq B.A particle filter for joint detection and tracking of color object[J].Image Vison Comput,2007,25(8):1271-1281.

[4] 謝天旭,何炳蔚.基于顏色特征與SIFT特征自適應融合的粒子濾波跟蹤算法[J].計算機應用研究,2013,30(11):3506-3509.

[5] 劉彬,李學斌.角點匹配與均值漂移相結合實現目標跟蹤[J].計算機應用與軟件,2013,30(4):239-242,318.

[6] 馮增光,張烔,寧紀鋒,等.基于角點檢測的實時目標跟蹤方法[J].計算機工程與設計,2012,33(10):3892-3897.

[7] Ido L,Michael L,Ehud R.Tracking by affine kernel transformations using color and boundary cues[J].IEEE Transaction on Pattern Analysis and Machine Intelligence,2009,31(1):164-171.

[8] Campos F M,Correia L,Calado J M F.Mobile robot global localization with non-quantized SIFT features[C]//The 15thInternational Conference on Advanced Robotics,Tallinm,Estonia:IEEE,2011:582-587.

[9] 王向軍,王研,李智.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,2007,27(2):360-364.

[10] 張桂南,劉志剛.基于角點匹配與譜聚類的接觸網絕緣破損/夾雜異物故障檢測[J].儀器儀表學報,2014,35(6):1370-1377.

[11] Liu Y,Hou M,Rao X,et al.A steady corner detection of gray level images based on improved Harris algorithm[C]//Proc Int Conf on Networking Sensing and Control,20008:708-713.

[12] Smith S M,Brady J M.SUSAN:A New Approach to Low Level Image Processing[J].Int.Journal of Compuer Vision,1997,23(1):45-78.

[13] Benedikt K,Gunther H.A spatio-temporal extension of the SUSAN-Filter[C]//LNCS5163:Proceedings of the 18thinternational conference on Artificial Neural Networks,2008:867-876.

[14] 時建桃,王國胤,王進.縮微交通環境下的錐形標識方法[J].合肥工業大學學報:自然科學版,2012,35(12):1644-1647.

[15] Nummiaro K,KollerMeier E,Van Gool L.An adaptive color-based particle filter[J].Image and Vision Computing,2003,21(1):99-110.

[16] Nummiaro K,KollerMeier E,Van Gool L.Color Features for tracking non-rigid objects[J].Acta Automatica Sinica,2003,29(3):345-355.

[17] 朱良誼,王慶.一種基于粒子濾波的優化目標跟蹤算法研究[J].西北工業大學學報,2013,31(6):967-973.

[18] 陳善靜,楊華,曾凱,等.基于多特征融合的粒子濾波算法研究[J].計算機工程,2011,37(7):178-180.

[19] 李睿,劉昌旭,年福忠.基于自適應背景的多特征融合目標跟蹤[J].計算機應用,2013,33(3):651-655.

PARTICLE FILTER OBJECT TRACKING ALGORITHM BASED ON SUSAN CORNER DETECTION AND HSV COLOUR MODEL

Yan HeLiu JieWang PuYang Dehong

(SchoolofComputerScience,ChongqingUniversityofTechnology,Chongqing400054,China)

AbstractFor deficiencies of traditional particle filter object tracking algorithm in bigger deviation of object localisation and being prone to object missing when its colour is similar to background, we proposed a particle filter object tracking algorithm which is based on corner and colour model. First, we presented an improved SUSAN corner detection algorithm, which uses median grayscale value of the pixel in neighbourhood of circular template instead of the greyscale value of the pixel in template centre as the “kernel” of the template to detect regional object corner, the improved SUSAN corner algorithm not only inherits the characteristics of original SUSAN algorithm, such as simple calculation, accurate positioning, rotation invariance, etc., but also has better anti-noise performance. Secondly, we utilised the characteristic of illumination invariant in HSV colour model to build HSV colour model for the detected corner, and then embedded it into the particle filter framework to realise object tracking. Experimental results showed that when the background closed to the target colour, this algorithm could effectively prevent the interference of background and achieved a better object tracking performance.

KeywordsSUSAN corner detectionParticle filter algorithmObject trackingHSV colour model

收稿日期：2014-10-09。國家自然科學基金面上項目(61173184)；重慶理工大學研究生創新基金項目(YCX2013219)。閆河，教授，主研領域：圖像多尺度幾何分析，目標跟蹤，模式識別。劉婕，碩士生。王樸，碩士生。楊德紅，講師。

中圖分類號TP391

文獻標識碼A

DOI:10.3969/j.issn.1000-386x.2016.05.043