一种自适应基于纹理和颜色特征目标跟踪算法.docVIP

一种自适应基于纹理和颜色特征目标跟踪算法 　　摘要：针对运动目标进行跟踪，常采用粒子滤波跟踪算法。为了减少相似背景像素点及光照变化对机动目标跟踪的干扰，采用了基于目标纹理特征和颜色特征融合的自适应粒子滤波算法，通过采用了不同的状态转移模型和观测模型，根据不同的跟踪环境进行自适应选择，并给出了相应的实验结果。实验结果表明，该算法在跟踪的性能和鲁棒性方面有所改进。 　　关键词：目标跟踪； 自适应选择； 粒子滤波； 直方图； 鲁棒性； 　　中图分类号：TP3914 文献标识码：A文章编号：2095-2163（2013）02-0054-05 　　0引言 　　模式识别是人工智能的一个重要的研究课题，而移动目标跟踪则是近年来模式识别研究领域中颇受瞩目的热点内容之一，而且在交通、金融、公共安全、军事国防等领域已经获得了广泛的应用[1-2]。移动目标跟踪得以实现的关键就在于能根据目标的运动模型和图像特征来预估其移动轨迹[3-5]。目前，常用的方法一般分为两类：一类是根据目前图像帧所需要跟踪的目标与上一帧的目标进行匹配，对目标实现跟踪，通常这类方法适用于跟踪背景简单、对跟踪目标干扰较小的情况，但大多数机动目标的跟踪背景都会相对复杂，因此这类算法表现了相当的局限性；而另一类是对目标未来时刻状态提出假设，并进行相应的验证。本文提出了一种融合纹理和颜色的粒子滤波算法，能够减少复杂背景对移动目标跟踪的干扰，且能对不同的跟踪环境进行自适应选择。本文算法属于第二类，下面即对其进行完整的分析和讨论。 　　1粒子滤波算法概念 　　粒子滤波算法[6]是随机样本对概率密度函数p（xk|zk）的近似，通过样本均值获得状态最小方差估计的过程。这些样本即称为“粒子“。粒子滤波的核心思想是通过权值样本集来接近后验概率分布p（xk|zk），并且其中的每一个样本都代表跟踪目标的一种状态假设。下面给出粒子滤波算法的两个建模方程： 　　2建立观测模型 　　为了准确表示被跟踪目标，本文采用颜色和纹理特征相融合的方法对目标进行建模，该模型具有良好的抗干扰性，能适应复杂环境下的目标跟踪。 　　2.1颜色直方图 　　将RGB颜色空间离散化成4×4×4的单位格局，即分为64个颜色区域，颜色直方图是通过对目标区域中像素的颜色向量落在对应子区域中的像素个数统计处理而最终绘制形成的。点（x， y）处新的RGB值按式（3）计算，公式如下： 　　2.2纹理直方图 　　图像的纹理信息检测，需要先将图像变换为灰度图像，同时，通过引入局域二值模式（local binary pattern，LBP）[10] 作为纹理算子来对图像纹理特征进行研究。设I（x，y）为图像上某点，为了刻划图像像素点在某邻域内的灰度变化，以2×2邻域像素点作为研究的划分尺度，模块划分示意如图1所示： 　　3基于多特征融合的粒子滤波算法 　　在基于多特征融合的粒子滤波算法中，将目标的颜色直方图和纹理直方图作为输入参数，当跟踪目标受到背景颜色干扰较小时，可适当加大颜色直方图权重；而当颜色或者光线对跟踪目标的跟踪效果干扰较大时，就要适当增加纹理直方图权重。为了便于计算机的实现和处理，纹理和颜色信息融合的权重可用Wti来表示，Wti表示i时刻第t个粒子的权重，其计算公式为： 　　4基于自适应多特征融合的粒子滤波算法 　　41算法的设计 　　自适应粒子滤波设计主要体现在三个方面：粒子数的自适应选择，模型参数的自适应修改，模型的自适应选择。这样做的目的是增强粒子滤波对环境的适应性，并增加其环境的抗干扰性，从而改善粒子滤波的跟踪效果。运动目标的状态转移参考前文的状态转移方程，形式如公式（12）、（13）所示。 　　其中，A为4×4的矩阵，表示目标的非位移空间变化，为了简化处理，取A为对称矩阵；B为3×1的矩阵，表示目标R、G、B的各颜色分量对应权重；D为纹理系数，ek为零均值白噪音，其概率密度函数为已知。 　　为了得到基于颜色和纹理Bhattacharyya系数对粒子滤波目标跟踪的更好效果，本文将运动目标离散化，其量测方程如公式（14）所示。 　　其中， ρ（km，kxi）为目标颜色模型构成的Bhattacharyya系数， ρ（Is，Ixi）为目标纹理模型构成的Bhattacharyya系数，vk为独立于系统噪声和状态的量测噪声，且其概率密度函数也为已知。 　　由上述分析可知，基于纹理特征及颜色特征进行量化的模型可以分别构造为如下三种模型。 　　从以上模型可以看出，由于模型一包含了目标纹理特征参数，当背景颜色及光线对跟踪目标干扰较大时，选择此种模型为佳；由于模型二包含了目标颜色特征参数，当背景颜色及光线对跟踪目标干扰较小时，选择这种模型为宜；模型三既包含了目标的颜色特征参数又包含了其纹理特征参数，