基于改進粒子濾波跟蹤算法的運動視頻跟蹤

張忠子

摘 ?要： 為了進一步提高目標跟蹤的準確率，提出一種基于改進粒子濾波的運動視頻跟蹤算法。首先，通過高斯混合模型實現動態背景建模，從而降低噪聲和局部動態背景的干擾;然后，在RGB顏色直方圖分離的基礎上，結合粒子濾波和迭代遞歸實現目標運動檢測，提高了前景檢測的準確性。仿真試驗結果顯示，相比典型粒子濾波算法、遺傳粒子濾波和DCEM，改進粒子濾波跟蹤算法得到的前景目標的輪廓更好，因此運動目標檢測精確度更高且處理時間更短。

關鍵詞： 運動目標檢測; 高斯混合模型; 背景建模; 粒子濾波; RGB顏色直方圖; 迭代遞歸

中圖分類號： TN911.73?34; TP391 ? ? ? ? ? ? ? ? ? 文獻標識碼： A ? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2019）15?0059?04

Motion video tracking based on improved particle filter tracking algorithm

ZHANG Zhongzi

（Northeastern University at Qinhuangdao， Qinhuangdao 066004， China）

Abstract： In order to further improve the detection accurate rate of target tracking， a motion video tracking algorithm based on improved particle filtering is proposed. Dynamic background modeling is implemented by Gaussian mixture model to reduce noise and local dynamic background interference. And then， on the basis of separation of RGB color histograms， target motion detection is achieved in combination with particle filtering and iterative recursion to improve the accuracy of foreground detection. The simulation results show that the improved particle filter tracking algorithm can obtain a better outline of a foreground target， so its moving target detection accuracy is higher and its processing time is shorter in comparison with the typical particle filter algorithm， genetic particle filter and DCEM.

Keywords：moving target detection; Gaussian mixture model; background modeling; particle filtering; RGB color histogram; iterative recursion

0 ?引 ?言

隨著高質量攝像頭成本的不斷降低，以及網絡帶寬和數據存儲能力的大幅提升，多媒體視頻文件的數量急劇增加，伴隨而來的各種場景應用產業也蓬勃發展，例如，比賽運動視頻分析和處理、安防監控視頻的智能識別、海量視頻搜索等[1?3]。這些應用場景都需要準確的運動視頻跟蹤處理，特別是快速和準確的運動目標檢測一直是視頻處理研究的重點研究方向[4]。

在對視頻或圖像序列進行分析時，運動目標檢測的主要任務是：判斷視頻圖像序列中每一幀有無對應的前景目標;能否將對應的前景目標的特征提取出來，并將前景目標顯示出來。目前，比較流行的運動目標檢測方法有兩類[4]：幀間差分法、背景相減法。其中，幀間差分法的算法復雜度低，實時性好，但是當背景與檢測物體的紋理或者顏色分布較為平均的條件下，檢測性能較差。背景減除法能夠獲得較完整的目標圖像，適用于可靠的安防視頻監控任務，但是實時性較差，處理速度慢。基于粒子濾波器原理，文獻[5]提出一種基于改進粒子濾波的多目標檢測與跟蹤方法，采用動態高斯模型對視頻序列中的運動目標進行檢測，并結合加權粒子濾波算法實現興趣目標識別。文獻[6]提出適用于復雜環境中微弱擴展目標檢測前跟蹤的粒子濾波算法，通過Weibull雜波模型對粒子濾波算法進行改進，有效抑制了強噪聲的干擾。高斯混合模型在抑制局部遮擋、光照等因素的影響時具有一定的優勢，且RGB顏色直方圖可在一定程度上避免產生色彩偏移和偽影[7?8]。因此，本文提出將高斯混合模型和RGB顏色直方圖遞歸濾波引入到粒子濾波算法進行改進。公共監控數據庫上的仿真試驗結果驗證了提出改進算法的有效性和先進性。

1 ?粒子濾波器介紹

定義粒子濾波器的狀態向量[s]為[9?10]：

2 ?改進的粒子濾波跟蹤算法

2.1 ?基于高斯混合模型的動態背景建模

只有檢測到了前景目標才能對其進行跟蹤與后續的相關分析處理，因此目標檢測是目標跟蹤處理的基礎。局部遮擋、光照等因素都會影響目標檢測的精度。本文采用高斯混合模型[11]對跟蹤視頻序列的輸入幀進行背景處理，得到一個運動目標的動態背景模型。高斯混合模型的定義公式如下：

2.2 ?采用RGB顏色直方圖的迭代遞歸粒子濾波

在上述動態背景建模檢測到運動目標后，利用改進粒子濾波算法對運動目標進行預測跟蹤。本文采用RGB顏色直方圖來盡量避免產生色彩偏移和偽影，即按照三個顏色通道的最大值來估算。針對每個像素的亮度值，其亮度圖像[L]通過以下公式估算[13]：

3 ?實驗與比較

為了驗證提出改進粒子濾波跟蹤算法的有效性和先進性，分別采用視頻跟蹤最常用的CAVIAR和OTB2015兩個公共視頻測試數據集[15]對典型粒子濾波（Typical Particle Filter Algorithm，TPFS）[5?6]、遺傳粒子濾波（Genetic Particle Filter，GPFS）[9]、離散連續能量最小化（Discrete?Continuous Energy Minimization，DCEM）[10]和本文算法進行比較。實驗環境參數：Intel 2.4 GHz、8 GB內存，Windows 7操作系統，編程語言為Matlab，軟件版本號為R2012a。

3.1 ?目標檢測和跟蹤結果

以CAVIAR圖像序列數據集中的One person walking為例，為了對提出算法的目標檢測和跟蹤進行主觀評估，序列圖像大小為384[×]288。One person walking視頻序列的跟蹤結果如圖1所示，分別為第15秒、第1分20秒、第2分35秒和第3分40秒的幀截圖。可以看出，在不存在遮擋的條件下，提出算法的檢測與跟蹤效果良好，能夠滿足人體跟蹤要求。

圖1 ?CAVIAR室內監控數據庫跟蹤結果

3.2 ?性能評估

在遮擋情況時，為了客觀評價4種算法對運動目標檢測和跟蹤的性能，采用背景誤檢率（Background Detection error，B_error）、目標誤檢率（Target Detection error，T_error）和平均準確率作為客觀評價的指標[16]來評估該算法的性能。其中，B_error和T_error的計算方式如下：

式中：[B]表示ground truth圖中背景的像素總數目;[F]表示ground truth圖中前景區域的像素總數目;BN表示背景區域被錯誤地檢測為運動目標;FN表示目標區域被錯誤地檢測為背景。

表1和表2分別為遮擋情況時，4種算法在CAVIAR和OTB2015數據庫上的檢測與跟蹤比較結果。其中，本文算法的B_error和T_error更低，平均準確率最高，這是因為本文算法充分利用了高斯混合模型在抑制局部遮擋、光照等因素方面的優勢，從而提高了遮擋情況時的檢測效果。

表1 ?CAVIAR數據庫中4種算法的檢測與跟蹤

表2 ?OTB2015數據庫中4種算法的檢測與跟蹤比較結果（遮擋情況時）

3.3 ?運行時間分析

4種算法在CAVIAR和OTB2015監控視頻數據庫上的運行時間對比結果如表3所示。

表3 ?4種算法平均運行時間比較

由表3可以看出，相比于其他3種算法，本文算法的運行時間最短，驗證了其高效性，這是因為采用遞歸濾波方法有效降低了粒子濾波的計算復雜度。

4 ?結 ?論

本文提出一種基于改進粒子濾波的運動視頻跟蹤算法。將高斯混合模型和RGB顏色直方圖遞歸濾波引入到粒子濾波算法中，高斯混合模型在抑制局部遮擋、光照等因素的影響時具有一定的優勢，并在一定程度上避免產生色彩偏移和偽影。根據公共視頻測試數據集上的測試結果得出如下結論：

1）高斯混合模型的運用有效提高了遮擋情況時的前景目標檢測效果;

2）迭代遞歸濾波估計有效降低了粒子濾波的計算復雜度，可以有效應用于實時圖像跟蹤場景。

參考文獻

[1] HONG W， KENNEDY A， BURGOS?ARTIZZU X P， et al. Automated measurement of mouse social behaviors using depth sensing， video tracking， and machine learning [J]. Proceedings of the National Academy of Sciences of the United States of America， 2015， 112（38）： 5351?60.

[2] ZHOU Xiaolong， YU Hui， LIU Honghai， et al. Tracking multiple video targets with an improved GM?PHD tracker [J]. Sensors， 2015， 15（12）： 30240?30260.

[3] TOMASI M， PUNDLIK S， LUO G. FPGA–DSP co?processing for feature tracking in smart video sensors [J]. Journal of real?time image processing， 2016， 11（4）： 751?767.

[4] SANMIGUEL J C， CALVO A. Covariance?based online validation of video tracking [J]. Electronics letters， 2015， 51（3）： 226?228.

[5] 周明，涂宏斌.一種基于改進粒子濾波的多目標檢測與跟蹤方法[J].華東交通大學學報，2016，33（2）：121?126.

ZHOU Ming， TU Hongbin. A multi?objective detection and tracking method based on improved particle filter [J]. Journal of East China Jiaotong University， 2016， 33（2）： 121?126.

[6] 吳孫勇，薛秋條，朱圣棋，等.雜波環境下基于粒子濾波的微弱擴展目標檢測前跟蹤算法[J].雷達學報，2017，6（3）：252?258.

WU Sunyong， XUE Qiutiao， ZHU Shengqi， et al. Tracking algorithm for weak extended target detection based on particle filter in clutter environment [J]. Journal of radars， 2017， 6（3）： 252?258.

[7] INOUE K， HARA K， URAHAMA K. RGB color cube?based histogram specification for hue?preserving color image enhancement [J]. Journal of imaging， 2017， 3（3）： 24?37.

[8] SOLEIMANIZADEH S， MOHAMAD D， SABA T， et al. Recognition of partially occluded objects based on the three different color spaces （RGB， YCbCr， HSV） [J]. 3D Research， 2015， 6（3）： 1?10.

[9] ZHANG M， JIA H T， SHEN Z， et al. Improved resampling procedure based on genetic algorithm in particle filter [J]. Journal of University of Electronic Science & Technology of China， 2015， 44（3）： 344?349.

[10] MILAN A， SCHINDLER K， ROTH S. Multi?target tracking by discrete?continuous energy minimization [J]. IEEE transactions on pattern analysis & machine intelligence， 2016， 38（10）： 2054?2068.

[11] 蔡念，陳世文，郭文婷，等.融合高斯混合模型和小波變換的運動目標檢測[J].中國圖象圖形學報，2018，16（9）：1716?1721.

CAI Nian， CHEN Shiwen， GUO Wenting， et al. Moving target detection based on Gaussian mixture model and wavelet transform [J]. Journal of image and graphics， 2018， 16（9）： 1716?1721.

[12] 李玉，徐艷，趙雪梅，等.利用高斯混合模型的多光譜圖像模糊聚類分割[J].光學精密工程，2017，25（2）：509?518.

LI Yu， XU Yan， ZHAO Xuemei， et al. Multi?spectral image fuzzy clustering segmentation using Gaussian mixture model [J]. Editorial office of optics and precision， 2017， 25（2）： 509?518.

[13] SUN H， ZHAO Z， QIN T， et al. Content?based image retrieval using color vector angle difference histogram [J]. Journal of the Chinese institute of engineers， 2017， 40（3）： 246?256.

[14] WANG D Q. Brief paper： L least squares?based recursive and iterative estimation for output error moving average systems using data filtering [J]. Iet control theory & applications， 2011， 5（14）： 1648?1657.

[15] LI D， WEN G， KUAI Y， et al. Learning padless correlation filters for boundary?effect free tracking [J]. IEEE sensors journal， 2018， 18（18）： 7721?7729.

[16] CUI W， WANG Y， FAN Y， et al. Localized FCM clustering with spatial information for medical image segmentation and bias field estimation [J]. Journal of biomedical imaging， 2013（10）： 13?19.