图像处理算法5_目标跟踪及遮挡处理算法.docVIP

基于粒子滤波算法的目标跟踪及遮挡处理算法 1.1引言 对运动目标物的跟踪也是视觉监控系统中的基础算法之一。目标跟踪的任务是通过对图像序列的处理，准确估计出感兴趣目标物在每个时刻的运动参数，包括位置、大小、速度、加速度以及运动轨迹等，为行为理解等更高层的任务打下基础。本章首先概述目标跟踪算法的基本步骤和难点，并对现有算法作分类简介；然后对实现鲁棒跟踪所必需的工具——在线贝叶斯估计算法作详细介绍；在此基础上详细论述本文使用的跟踪方法，该方法将已有的多种先进算法有机结合，使计算量显著降低，鲁棒性增强；最后对提出的算法进行总结和分析。 1.2 目标跟踪算法概述 目标跟踪算法主要由两个部分组成：（1）目标物表示；（2）运动状态估计。下面对它们分别介绍。 1.2.1目标物表示 目标物表示的核心在于特征的选择和提取，即用什么特征来描述和表示感兴趣目标物。一个好的目标物表示方法应该能够将被跟踪的目标物和背景中的物体以及其它物体区别开来，这正是目标物表示的难点所在。运动目标物所在的环境通常是很杂乱的，其中存在许多与目标物有相似特征的物体。例如：房间内的窗帘、家具等往往与人的皮肤颜色相近；当监控视野中存在多个行人的时候，跟踪器容易将目标行人与其他行人相混淆。下面介绍几种常用的特征。 颜色特征 颜色是人类辨识物体的重要特征，也是视觉跟踪中最常用的特征之一。颜色特征通常是在一块区域中提取出来的，因此它具有对目标平面旋转、非刚性形变、远离或靠近镜头的尺度变化以及部分遮挡等情形较为鲁棒的优点。另外，由于图像直接由一个个像素的颜色值所表示，因此颜色特征还具有容易提取、计算简单的优点。 最常用的颜色特征是颜色直方图。Comaniciu等人提出了基于颜色直方图的跟踪算法[1][2]。在他们的方法中，颜色直方图受到了核函数的空间加权。这样区域内中心附近的像素对颜色直方图有更大的贡献，使跟踪更加精确，因为区域边缘的像素可能来自背景或其它物体，其可信度较低。具体的操作流程主要包括：（1）将目标物初始时刻的颜色直方图保存起来作为模型，并在后面的跟踪过程中作增量平均式更新。（2）以上一帧中估计出的目标物所在位置为初始候选区域，计算颜色直方图，并计算它与模型直方图的Bhattacharrya系数，Bhattacharrya系数越大，说明二者的相似度越高。（3）使用均值位移（Mean Shift）算法迭代式地移动候选区域的位置，最终在Bhattacharrya系数关于位置坐标的一个局部最大值处收敛，该位置即当前帧的估计值。该方法计算简单，跟踪效果较好，最大的优点是可以跟踪非刚性目标物。但是该方法求得的是一个局部最优解，在一些场景中不够精确。尤其是当目标物的运动速率较快以至它在前后两帧中的位置之差大于目标物本身的尺寸时，以及目标物被严重遮挡时，该方法将会失效。为了克服Comaniciu方法的缺点，K.Nummiaro等人将颜色直方图融入粒子滤波器（Particel Filter）的框架中[3]，P. Pérez等人也提出了类似的方法[4]。上面提到的均值位移和粒子滤波器两种算法将分别在本文的后续章节中中介绍。 颜色特征除了用直方图来表达之外，还可以用连续密度函数来表达。McKenna等人提出用混合高斯模型来描述目标物的颜色分布[5]。该模型可由期望最大化（Expectation-Maximization）算法进行初始化，在跟踪过程中用在线期望最大化方法进行更新。由于混合高斯模型的组件数目有限且固定，有时不能精确地描述目标物的颜色分布。为此，Bohyung[6]提出序列核密度近似（Sequential Kernel Density Approximation， SKDA）算法。该方法充分利用了高斯函数的平滑性以及良好的导数性质，用数目可灵活变动的高斯函数的加权和来近似颜色的密度函数。其中每个高斯函数的均值对应密度函数的一个局部峰值，该峰值由均值位移算法求得。每个高斯函数的协方差矩阵则通过对峰值处的曲率拟合来估计。当不同高斯函数的均值可由均值位移算法收敛到同一个峰值处时，这些高斯函数可以由一个高斯函数来近似，因此当观测样本越来越多时，高斯函数的数目不会无限地增多。序列核密度近似算法对颜色分布的描述非常精确，但计算量大是它的一个缺点。 轮廓特征 轮廓特征是对物体形状的描述，和颜色特征一样，也是人眼辨识物体的重要依据。轮廓特征具有不受光照变化影响、可表示外形复杂的物体等优点。 Isard将轮廓特征与概率方法结合起来，实现了对任意形状的目标物的跟踪，也由此奠定了用概率方法进行视觉跟踪的基础框架[7-9]。他们描述物体轮廓的工具是B样条曲线。B样条曲线可以表示成一系列控制点坐标对相应B样条基函数的加权和，因此可由这些控制点的坐标值构成的向量—控制点向量来表示。控制点向量构成的空间称为样