結(jié)合穩(wěn)健估計(jì)和Meanshift的視頻目標(biāo)跟蹤算法*

朱聞亞

(1.武漢大學(xué) 經(jīng)濟(jì)與管理學(xué)院， 武漢 430072；2.義烏工商職業(yè)技術(shù)學(xué)院 機(jī)電信息學(xué)院， 浙江 義烏 322099)

結(jié)合穩(wěn)健估計(jì)和Meanshift的視頻目標(biāo)跟蹤算法*

朱聞亞1，2

(1.武漢大學(xué) 經(jīng)濟(jì)與管理學(xué)院， 武漢 430072；2.義烏工商職業(yè)技術(shù)學(xué)院 機(jī)電信息學(xué)院， 浙江 義烏 322099)

針對(duì)Meanshift目標(biāo)跟蹤算法對(duì)強(qiáng)噪聲環(huán)境敏感的問(wèn)題，提出了一種結(jié)合穩(wěn)健估計(jì)和傳統(tǒng)Meanshift的修正Meanshift算法.通過(guò)穩(wěn)健估計(jì)修正傳統(tǒng)Meanshift算法的核概率密度函數(shù)，提升Meanshift算法的魯棒性.針對(duì)信噪比分別為60、30和0 db的仿真數(shù)據(jù)，將傳統(tǒng)Meanshift算法和修正Meanshift算法的跟蹤軌跡準(zhǔn)確性和精度進(jìn)行對(duì)比.結(jié)果表明，修正Meanshift算法能夠?qū)崿F(xiàn)目標(biāo)準(zhǔn)確跟蹤，且跟蹤位置的相對(duì)誤差在1%以下.對(duì)于實(shí)際運(yùn)動(dòng)目標(biāo)視頻數(shù)據(jù)，所提算法也可以實(shí)現(xiàn)實(shí)時(shí)跟蹤定位，克服了傳統(tǒng)Meanshift算法目標(biāo)跟蹤丟失的問(wèn)題.

穩(wěn)健估計(jì)；均值偏移；目標(biāo)追蹤；噪聲；核概率密度函數(shù)；中位數(shù)；誤差；視頻

視頻目標(biāo)跟蹤是計(jì)算機(jī)視覺(jué)領(lǐng)域的常規(guī)問(wèn)題，通過(guò)設(shè)計(jì)軟件系統(tǒng)可以實(shí)現(xiàn)對(duì)視頻內(nèi)特定目標(biāo)的定位和跟蹤.但在實(shí)際的使用過(guò)程中，因?yàn)闄z測(cè)環(huán)境場(chǎng)景復(fù)雜及視頻采集設(shè)備的移動(dòng)，容易使得獲取的視頻數(shù)據(jù)存在大量干擾噪聲，這些不必要的信息直接影響了目標(biāo)檢測(cè)的準(zhǔn)確性，使得跟蹤任務(wù)失敗[1-5].

基于Meanshift的視頻目標(biāo)跟蹤算法可通過(guò)設(shè)計(jì)核函數(shù)的方式，更有效地提取出表征目標(biāo)的特征概率密度函數(shù)，是目前視頻跟蹤算法領(lǐng)域的主要研究對(duì)象，并衍生了多種改進(jìn)算法.例如通過(guò)將檢測(cè)目標(biāo)的邊緣特征融合，從而提高檢測(cè)準(zhǔn)確性[6]；或是對(duì)檢測(cè)目標(biāo)圖像進(jìn)行分塊，然后對(duì)每個(gè)分塊施加更具有針對(duì)性的核函數(shù)[7]；亦或采用多尺度聯(lián)合的方式將不同層次的目標(biāo)特征進(jìn)行加權(quán)組合，從而實(shí)現(xiàn)高效跟蹤，并且可與卡爾曼濾波、粒子濾波等方法進(jìn)行融合來(lái)進(jìn)行目標(biāo)追蹤[8-9].這些方法雖提升了目標(biāo)跟蹤的效率和準(zhǔn)確性，卻僅單一考慮了目標(biāo)的特征，研究主要著力點(diǎn)均是增強(qiáng)目標(biāo)特征的提取，卻忽視了背景對(duì)目標(biāo)特征的影響.盡管核函數(shù)本身可有效地將目標(biāo)以外的視頻像素點(diǎn)的灰度信息進(jìn)行抑制，但對(duì)于存在目標(biāo)內(nèi)的噪聲、背景干擾以及目標(biāo)外的強(qiáng)噪聲干擾卻鮮有幫助.顯然，只有對(duì)噪聲、干擾以及目標(biāo)的統(tǒng)計(jì)特性進(jìn)行合適地估計(jì)，并針對(duì)性設(shè)計(jì)抑制噪聲的算法才能更有效地解決上述問(wèn)題[8-13].

本文提出一種結(jié)合穩(wěn)健估計(jì)和Meanshift的目標(biāo)追蹤算法，通過(guò)穩(wěn)健估計(jì)設(shè)計(jì)魯棒性更強(qiáng)的核函數(shù)，從而提升Meanshift算法檢測(cè)的準(zhǔn)確性，保證其在強(qiáng)噪聲背景下也能準(zhǔn)確識(shí)別目標(biāo).

1 穩(wěn)健估計(jì)理論

穩(wěn)健估計(jì)[6]從概率統(tǒng)計(jì)學(xué)上可理解為一種切尾均值估計(jì)，切尾均值是對(duì)均值的改進(jìn)，這是因?yàn)楫惓Ｖ祷螂x群值會(huì)使得均值估計(jì)失真，離群值會(huì)使得均值偏向自己的一方以尋找平衡點(diǎn)，因而歪曲了均值作為平均水平度量的意義.穩(wěn)健估計(jì)正是通過(guò)切尾的方式來(lái)規(guī)避掉那些極端異常點(diǎn)的影響，可以理解為是去掉極大、極小數(shù)據(jù)，對(duì)其余的數(shù)據(jù)作平均.例如，切尾率為5%的切尾均值就是指去掉5%的最大值和最小值之后，對(duì)剩余90%的數(shù)據(jù)平均所得到的結(jié)果.由此可見(jiàn)，普通均值受到離群值的影響較大，而相比之下中值則比較穩(wěn)健.

對(duì)于跟蹤的目標(biāo)信號(hào)可理解為按照某種分布來(lái)排列的統(tǒng)計(jì)概率密度函數(shù)，而背景和強(qiáng)噪聲數(shù)據(jù)可以理解為離群值，因此需要一個(gè)介于中值估計(jì)和均值估計(jì)之間的濾波結(jié)構(gòu)，即穩(wěn)健估計(jì)結(jié)構(gòu).

穩(wěn)健估計(jì)可以看作數(shù)據(jù)向量的中值和均值的一個(gè)凸組合，可描述為

(1)

(2)

(3)

通過(guò)穩(wěn)健估計(jì)可以得到一種基于目標(biāo)跟蹤的切尾均值概率估計(jì)算法，對(duì)Meanshift算法中的均值估計(jì)過(guò)程進(jìn)行修正，可提高算法對(duì)噪聲的抵抗能力和跟蹤的準(zhǔn)確性.

2 修正Meanshift算法

經(jīng)典的Meanshift算法是通過(guò)定義一族核密度函數(shù)來(lái)分別計(jì)算目標(biāo)和跟蹤區(qū)域內(nèi)像素的關(guān)聯(lián)度，利用概率密度梯度下降原理，實(shí)現(xiàn)跟蹤值向計(jì)算的核密度均值移動(dòng)，再通過(guò)設(shè)置相似度函數(shù)，計(jì)算關(guān)聯(lián)性.當(dāng)相似關(guān)聯(lián)度之間的差別小于給定的閾值時(shí)，計(jì)算收斂，得到跟蹤目標(biāo)的位置.Meanshift變量的一般數(shù)學(xué)描述為

(4)

式中：Ω為樣本點(diǎn)集合；xi-x為樣本點(diǎn)xi相對(duì)于選定參考點(diǎn)x的位置偏移量.由于樣本采樣越靠近參考點(diǎn)x，其相對(duì)于估計(jì)均值越可靠，常用擴(kuò)展形式為

(5)

(6)

式中：Ch為歸一化常數(shù)因子；g為核密度函數(shù)的距離函數(shù)；δ(f(xi))為delta函數(shù)，判定樣本點(diǎn)是否屬于目標(biāo)點(diǎn).

(7)

按照Meanshift算法的一般流程，計(jì)算候選目標(biāo)和目標(biāo)模型之間的相似度，通常采用Bhattacharrya系數(shù)ρ表征候選目標(biāo)和目標(biāo)模型之間的匹配度，匹配度越大，則越可能是目標(biāo)區(qū)域.一般采用閾值比較的方式來(lái)確定目標(biāo)位置，當(dāng)ρ的取值超過(guò)一個(gè)閾值，或相鄰兩次計(jì)算得到的ρ之間的差值小于一個(gè)閾值時(shí)，停止迭代，并輸出當(dāng)前目標(biāo)的位置.

3 實(shí)驗(yàn)設(shè)計(jì)和結(jié)果

為了驗(yàn)證本文提出的目標(biāo)追蹤系統(tǒng)的有效性，文中利用仿真數(shù)據(jù)和實(shí)際拍攝的視頻進(jìn)行了相應(yīng)的結(jié)果驗(yàn)證.具體的仿真參數(shù)ρ=0.95，k=1.5，a=0.5，歸一化參數(shù)Ch依據(jù)每次實(shí)際計(jì)算迭代更新.仿真數(shù)據(jù)模擬了一個(gè)大小可變的發(fā)光體在噪聲背景下進(jìn)行螺旋線運(yùn)動(dòng)，仿真數(shù)據(jù)信噪比分別為60、30和0db，分別記錄傳統(tǒng)Meanshift算法與本文提出的修正Meanshift算法對(duì)于目標(biāo)跟蹤的軌跡數(shù)據(jù)，并分析算法得到的數(shù)據(jù)和實(shí)際模擬軌道數(shù)據(jù)之間的誤差.

圖1展示了用于仿真的螺旋線軌跡，實(shí)際選取了500個(gè)目標(biāo)移動(dòng)位置，每個(gè)位置用*型符號(hào)表示，仿真的發(fā)光體按照?qǐng)D1描繪的軌跡位置移動(dòng)，其移動(dòng)距離為無(wú)量綱單位，移動(dòng)范圍在x-y平面坐標(biāo)所形成的矩形內(nèi).

通過(guò)仿真目標(biāo)的追蹤，測(cè)試了在信噪比為60和30db時(shí)修正Meanshift算法的跟蹤效果，如圖2、3所示.當(dāng)信噪比為0db時(shí)，將傳統(tǒng)Meanshift算法與修正Meanshift算法進(jìn)行跟蹤效果比較，如圖4、5所示.修正Meanshift算法和經(jīng)典Meanshift算法雖均能夠跟蹤目標(biāo)，但傳統(tǒng)算法的跟蹤抖動(dòng)更加明顯，且誤差更大.進(jìn)一步減少信噪比后，兩者的差異則會(huì)更加凸顯.當(dāng)信噪比為0 db時(shí)，傳統(tǒng)算法在45幀后出現(xiàn)了跟蹤目標(biāo)丟失情況，無(wú)法繼續(xù)跟蹤發(fā)光小球，而相應(yīng)的修正算法卻始終表現(xiàn)穩(wěn)健.

圖1 仿真發(fā)光體的運(yùn)動(dòng)軌跡Fig.1 Moving trajectory of simulated illuminator

圖2 修正算法追蹤發(fā)光體(SNR=60 db)Fig.2 Modified algorithm for tracking illuminator(SNR=60 db)

圖6給出了仿真發(fā)光體的理論軌跡和實(shí)際通過(guò)修正方法估計(jì)的軌跡對(duì)比，可從圖6上直觀地看出，基于修正方法的估計(jì)輪廓和真實(shí)數(shù)據(jù)基本一致，其準(zhǔn)確地跟蹤出了發(fā)光體的運(yùn)動(dòng)軌跡.

圖7給出了實(shí)際測(cè)量計(jì)算得到的目標(biāo)追蹤在橫軸和縱軸上的絕對(duì)誤差；圖8給出了修正算法橫軸的相對(duì)誤差，從圖8中可看出，整體目標(biāo)追蹤的相對(duì)誤差被控制在1.5%以內(nèi)，證明修正算法在強(qiáng)噪聲環(huán)境下魯棒的優(yōu)越性.

圖3 修正算法追蹤發(fā)光體(SNR=30 db)Fig.3 Modified algorithm for tracking illuminator(SNR=30 db)

圖4 經(jīng)典Meanshift算法追蹤發(fā)光體(SNR=0 db)Fig.4 Traditional Meanshift algorithm for tracking illuminator(SNR=0 db)

為了進(jìn)一步驗(yàn)證本文方法的實(shí)用性，在實(shí)際的視頻數(shù)據(jù)中進(jìn)行了測(cè)試，目標(biāo)為一只敲擊樂(lè)器的手，其手部在從左向右運(yùn)動(dòng)的過(guò)程中，還伴隨了上下位移，同時(shí)因?yàn)槭殖智脫羝骶撸骶呖煽醋魇亲R(shí)別手部的干擾噪聲.傳統(tǒng)的Meanshift方法在跟蹤時(shí)會(huì)發(fā)生丟失，從第23幀開(kāi)始無(wú)法跟上手部動(dòng)作，而本文提出的結(jié)合穩(wěn)健估計(jì)和Meanshift算法的修正方法表現(xiàn)得更加穩(wěn)定，能夠準(zhǔn)確跟蹤運(yùn)動(dòng)目標(biāo)，修正算法的跟蹤效果如圖9所示.

圖5 修正算法追蹤發(fā)光體(SNR=0 db)Fig.5 Modified algorithm for tracking illuminator(SNR=0 db)

圖6 修正算法追蹤發(fā)光體軌跡比較(SNR=0 db)Fig.6 Comparison in modified algorithm for tracking trajectory of illuminator(SNR=0 db)

圖7 修正算法絕對(duì)誤差(SNR=0 db)Fig.7 Absolute error of modified algorithm(SNR=0 db)

圖8 修正算法相對(duì)誤差(SNR=0 db)Fig.8 Relative error of modified algorithm(SNR=0 db)

4 結(jié) 論

本文提出一種結(jié)合穩(wěn)健估計(jì)和Meanshift算法的視頻目標(biāo)追蹤系統(tǒng)，通過(guò)切尾均值替換Meanshift算法中的均值，可以使目標(biāo)跟蹤的穩(wěn)定度更高，尤其是針對(duì)強(qiáng)噪聲環(huán)境下的目標(biāo)，本文算法較傳統(tǒng)算法表現(xiàn)出了較強(qiáng)的抗干擾能力.下一步的研究主要考慮融合其他濾波算法(例如粒子濾波)來(lái)進(jìn)一步提升追蹤的準(zhǔn)確性.

圖9 修正算法追蹤敲擊的手(SNR=0 db)Fig.9 Modified algorithm for tracking knocking hand(SNR=0 db)

[1]陳雙葉，王善喜.基于五幀差分和改進(jìn)Meanshift算法的運(yùn)動(dòng)目標(biāo)跟蹤 [J].計(jì)算機(jī)科學(xué)，2016，43(增刊1)：203-206.

(CHEN Shuang-ye，WANG Shan-xi.Moving object tracking based on five-frame difference and modified Meanshift algorithm [J].Computer Science，2016，43(Sup1)：203-206.)

[2]聶振鋼，孫協(xié)昌，梁銀川.基于多特征Mean-Shift的靈巧彈藥末制導(dǎo)跟蹤算法 [J].微電子學(xué)與計(jì)算機(jī)，2016，33(5)：89-91.

(NIE Zhen-gang，SUN Xie-chang，LIANG Yin-chuan.Mechanical trajectory tracking algorithm based on multi-feature Mean-Shift for smart ammunition [J].Microelectronics and Computer，2016，33(5)：89-91.)

[3]李揚(yáng).基于視頻序列的運(yùn)動(dòng)目標(biāo)追蹤算法 [J].電子科技，2012，25(8)：125-127.

(LI Yang.A moving target tracking algorithm based on video sequence [J].Electronic Science and Technology，2012，25(8)：125-127.)

[4]毛曉波，郝向東，梁靜.基于ELM與Mean Shift的抗遮擋目標(biāo)跟蹤算法 [J].鄭州大學(xué)學(xué)報(bào)(工學(xué)版)，2016，37(1)：1-5.

(MAO Xiao-bo，HAO Xiang-dong，LIANG Jing.Anti-occlusion target tracking algorithm based on ELM and Mean Shift [J].Journal of Zhengzhou University(Engineering Science)，2016，37(1)：1-5.)

[5]王強(qiáng).基于視覺(jué)傳感網(wǎng)絡(luò)的目標(biāo)跟蹤系統(tǒng)設(shè)計(jì) [J].現(xiàn)代電子技術(shù)，2016，39(8)：88-91.

(WANG Qiang.Design of target tracking system based on vision sensor network [J].Modern Electronics Technology，2016，39(8)：88-91.)

[6]Guo Y F.Robust statistic and comparative analysis of the robustness of the statistic [J].Statistical Research，2007(9)：82-84.

[7]Cheng Y.Meanshift mode seeking clustering [J].IEEE Transactions on Pattern Analysis &Machine Intelligence，1995，17(8)：790-799.

[8]Salhi A.Object tracking system using Camshift，Meanshift and Kalmanfilter [J].World Academy of Science Engineering &Technology，2012，64(6)：574-578.

[9]Lei B.Design and realization of the tracking system based on Meanshift algorithm [J].Electronic Mea-surement Technology，2016(8)：98-105.

[10]Morandeira N S，Grimson R，Kandus P.Assessment of SAR speckle filters in the context of object-based image analysis [J].Remote Sensing Letters，2016，7(2)：150-159.

[11]Razavi S F，Sajedi H，Shiri M E.Integration of color and uniform interlaced derivative patterns for object tracking [J].Image Processing，2016，10(5)：381-390.

[12]尤天來(lái)，卓炳榮.基于自適應(yīng)尺度的Mean-shift跟蹤算法 [J].現(xiàn)代電子技術(shù)，2011，34(10)：95-97.

(YOU Tian-lai，ZHUO Bing-rong.A Mean-shift tracking algorithm based on adaptive scale [J].Modern Electronics Technique，2011，34(10)：95-97.)

[13]王保云，范保杰.基于顏色紋理聯(lián)合特征直方圖的自適應(yīng)Meanshift跟蹤算法 [J].南京郵電大學(xué)學(xué)報(bào)(自然科學(xué)版)，2013，33(3)：18-25.

(WANG Bao-yun，F(xiàn)AN Bao-jie.Adaptive Meanshift tracking algorithm based on color texture combined with feature histogram [J].Journal of Nanjing University of Posts and Telecommunications(Natural Science Edition)，2013，33(3)：18-25.)

(責(zé)任編輯：景 勇 英文審校：尹淑英)

Video target tracking algorithm with combining robust estimation and Meanshift

ZHU Wen-ya1,2

(1.School of Economics and Management,Wuhan University,Wuhan 430072,China;2.School of Mechanical and Electrical Information,Yiwu Industrial &Commercial College,Yiwu 322099,China)

Aiming at the problem that the Meanshift algorithm is sensitive to the strong noise environment,a modified Meanshift algorithm with combining the robust estimation and traditional Meanshift was proposed.The kernel probability density function of traditional Meanshift algorithm was modified through the robust estimation,and the robustness of Meanshift algorithm got improved.Aiming at the simulation data with signal to noise rate (SNR) of 60,30 and 0 db,the accuracy and precision of the tracking trajectory of both traditional and modified Meanshift algorithms were compared.The results indicate that the modified Meanshift algorithm can achieve the accurate tracking of targets,and the relative error of tracking position is below 1%.For the real video data of moving targets,the proposed algorithm can also realize the real time tracking and positioning,and can overcome the target tracking missing problem of traditional Meanshift algorithm.

robust estimation;Meanshift;target tracking;noise;kernel probability density function;median;error;video

2016-11-01.

浙江省高等教育教學(xué)改革項(xiàng)目(JG2015343).

朱聞亞(1980-)，男，安徽阜陽(yáng)人，副教授，博士生，主要從事計(jì)算機(jī)軟件理論、網(wǎng)絡(luò)安全等方面的研究.

02 17∶28在中國(guó)知網(wǎng)優(yōu)先數(shù)字出版.

http：∥www.cnki.net/kcms/detail/21.1189.T.20170302.1728.018.html

10.7688/j.issn.1000-1646.2017.02.11

TP 391

A

1000-1646(2017)02-0177-06