自適應算法在視覺目標跟蹤中的研究

陶偉偉 王占剛

摘 要：目標跟蹤運用發展特別普遍，向來都是電腦代替人眼對目標進行識別、跟蹤和測量等機器視覺，并進一步做圖形圖像處理，再用電腦處理成更適合人眼觀察或傳送給儀器檢測的圖像的探索方向。該論文適合應用Mean Shift跟蹤為主線研究算法的交通體系，探索了依據帶寬窗口自適應的均值漂移算法和依據卡爾曼濾波的目標跟蹤算法.，重點針對復雜環境下的剛性活動目標與跟蹤算法的檢測。就繁雜的交通狀況下目標的追蹤問題，同視覺追蹤辦法相結合，結合如下層面的內容像：特點抉擇的目標、目標追蹤予以深層次的探究，爭取于繁雜狀況下促使目標追蹤算法展示更佳的魯棒性、及時性。

關鍵詞：目標追蹤；均值漂移追蹤；卡爾曼濾波；智能視頻監控

人類與外界聯系的主要方式有：視覺、聽覺及觸覺，其中視覺能夠接受大約 80%的外界信息，是人類感覺外界的最主要來源。但是，人類視覺受人的活動范圍和視野的限制，因此，作為人類視覺的延伸—計算機視覺（Computer Vision，CV）油然而生。此后，隨著計算機軟硬件的飛速發展，計算機視覺技術越來越受到全世界來自計算機、數學、生物學等眾多領域學者的廣泛關注與研究。

1 跟蹤算法基礎

視覺追蹤是多種視頻處置的基礎，近些年來已成為探究機構和探究者們重點關注的探究層面，成為計算機視覺層面基礎核心科技之一。

1.1 貝葉斯估計

貝葉斯估算（Bayesian parameter estimation，BPE），其為一類依仗于觀察訊息集先驗知識的狀態估算辦法。

狀態空間模型是動態體系能夠敘說成：

Xk=F（xk-1）+uk-1

Yk=H（xk）+vk

上式中，Xk是k時刻的體系狀態，Yk是k時刻的觀察值，uk和vk分別為體系的狀態噪聲和觀察噪聲。

用Xk=x0∶k={x0，x1，…，xk}與Yk=y1∶k={y1，…，yk}分別表示0到k時刻所有的狀態體系與觀察值。

1.2 卡爾曼濾波

線性、高斯的動態體系，依照公式，我們能夠用一個線性隨機微分方程（線性隨機差分方程）來描述動態體系：

h（x，θ）=p（x|θ）π（θ）

Xk=AkXk-1+Uk

該體系的丈量值：

Yk=BkXk+Vk

在公式中，Xk表示k時刻的體系狀態，Yk表示k時刻的丈量值。由狀態轉移方程F（·）得到Ak是體系狀態的傳遞矩陣，由狀態觀察方程H（·）得到Bk為體系的觀察矩陣。Vk表示觀察噪聲，Uk表示體系噪聲，這都是Gauss white噪聲（白噪聲）。Uk的平均值是0，協方差是Var（Uk）=Qk，Vk的均值為0，協方差為Var（Vk）=Rk。

1.3 均值漂移跟蹤算法

均值漂移追蹤算法借助于目標模板的色彩直方圖和候選范圍的相似度視作代價函數，經由梯度下降迭代辦法找到最大值。

1.3.1目標模型

設置{xi}i=1，…，n為目標模型的中心坐標集合的像素坐標。定義核函數k（x），目標模型直方圖的核函數u={u}u=1，2，…，m定義為：

1.3.2候選模型

候選范圍為運動目標于每幀里原始幀中就目標予以轉移，其囊括目標的范圍的可能性頗大，用y就候選范圍的中心坐標予以表示，候選范圍中的像素坐標用集合{xi}來表示，候選模型的核函數直方圖展現為：

2 自適應窗寬均值漂移跟蹤算法

2.1 帶寬窗口自適應問題

在傳統的均值漂移算法的基礎上，將目標區域的輪廓的尺寸作為帶寬窗口的尺寸，并根據目標輪廓的變化實時的更新帶寬窗口的尺寸。

2.2 自適應窗寬的均值漂移跟蹤算法實驗

實驗采集交通路口的視頻數據為標準測試視頻。

圖1（a）-（f）分別為目標尺碼顯現變化較大時常規均值漂移算法所追蹤的效果，（a）-（f）顯示的是目標車輛自遠至近，（d）-（f）為目標車輛自近至遠離去。于追蹤窗口的定量固定的境況下，目標尺碼將增大，促使所追蹤的窗口只能追蹤至目標的局部，再用一部分和整體與目標去相配對，如此極易致使追蹤無效。

圖2（d）-（f）為利用適應窗寬的均值漂移算法來獲取追蹤算法的成效。由于其借助于自適應窗寬的均值漂移算法，追蹤窗口能夠自主地予以整改，其所依仗的是目標尺度的調節。

3 改進的均值漂移算法與卡爾曼濾波相結合的算法

卡爾曼濾波算法與改進均值漂移相結合的算法步驟如下：

第1步：于視頻的啟動幀中，手動抉擇需追蹤的目標（鼠標選擇區間的寬和高分開設作a，b）；

第2步：讀取影像的下一幀，借助于高斯混合法將目前幀及上一幀的影像范圍內取得前景、去噪及濾波處置；

第3步：卡爾曼濾波器能夠預判當下幀目標中的原始范圍yk

0，并計算目前幀的中心區域yk

0當作范圍的目標直方圖q；

第4步：經由健全GMM辦法驗證目前幀中yk

0點周邊范圍的外圍區域，并計算范圍的高及寬度，即a，b。

第5步：倘若目前幀并非影像最后一幀，則步入步驟2持續運行；不然，退出程序。

利用卡爾曼濾波器對體系的目標范圍的方程予以預判，在一定程度上能夠改善提高遮蔽目標帶來的追蹤丟失現象。

4 跟蹤算法實驗

實驗借助于文獻所供給的影像序列驗證。

由圖3（a）-（f）可見，于常規的均值漂移算法里，當色彩差別很大的運動目標遮蔽住追蹤目標（如第79幀），短暫的偏離出現在追蹤窗口。可在第95幀中，因為無背景干擾，目標的實際范圍又被追蹤窗口漂移到。在第116幀中，當色彩相似的其他運動目標遮蔽住追蹤目標，追蹤窗口在第135和155幀時出現了目標追蹤錯誤，使得追蹤無效。

圖4中（a）-（f）借助于整改的均值漂移算法與卡爾曼濾波相結合算法的追蹤結果，能夠追蹤目標相近色彩和色差很大的遮蔽運動目標，并且具有良好的及時性能。

5 結語

目標追蹤是計算機視覺層面中的廣泛應用，并已經是當下計算機視覺層面的又一新寵。此文借助于交通體系里的均值漂移目標追蹤算法視作探究目標，談久了相關的符合窗寬的均值漂移算法，以及卡爾曼濾波器的目標追蹤算法，且于剛性繁雜境況下就驗證及追蹤辦法的行為標的予以探究。

此文的探究操作，側重于就目標追蹤的繁雜交通境況所出現的積累核心狀況，借助于視覺追蹤科技，立足于目的特點甄別等多方面予以深層次探究，以求于繁雜境況下完成就目標追蹤算法的魯棒性及時效性的達成。

作者簡介：陶偉偉，高校講師；王占剛，副教授。