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(xiàn)動態(tài)背景建模，從而降低噪聲和局部動態(tài)背景的干擾;然后，在RGB顏色直方圖分離的基礎(chǔ)上，結(jié)合粒子濾波和迭代遞歸實現(xiàn)目標運動檢測，提高了前景檢測的準確性。仿真試驗結(jié)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(guān)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(zhì)量攝像頭成本的不斷降低，以及網(wǎng)絡(luò)帶寬和數(shù)據(jù)存儲能力的大幅提升，多媒體視頻文件的數(shù)量急劇增加，伴隨而來的各種場景應(yīng)用產(chǎn)業(yè)也蓬勃發(fā)展，例如，比賽運動視頻分析和處理、安防監(jiān)控視頻的智能識別、海量視頻搜索等[1?3]。這些應(yīng)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(wù)是：判斷視頻圖像序列中每一幀有無對應(yīng)的前景目標;能否將對應(yīng)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(fù)雜度低，實時性好，但是當(dāng)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(jiān)控任務(wù)，但是實時性較差，處理速度慢?；诹Ｗ訛V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(tài)高斯模型對視頻序列中的運動目標進行檢測，并結(jié)合加權(quán)粒子濾波算法實現(xiàn)興趣目標識別。文獻[6]提出適用于復(fù)雜環(huán)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(yōu)勢，且RGB顏色直方圖可在一定程度上避免產(chǎn)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(jiān)控數(shù)據(jù)庫上的仿真試驗結(jié)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(tài)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(tài)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(xù)的相關(guān)分析處理，因此目標檢測是目標跟蹤處理的基礎(chǔ)。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(tài)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(tài)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(yù)測跟蹤。本文采用RGB顏色直方圖來盡量避免產(chǎn)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(shù)據(jù)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(xù)能量最小化（Discrete?Continuous Energy Minimization，DCEM）[10]和本文算法進行比較。實驗環(huán)境參數(shù)：Intel 2.4 GHz、8 GB內(nèi)存，Windows 7操作系統(tǒng)，編程語言為Matlab，軟件版本號為R2012a。

3.1 ?目標檢測和跟蹤結(jié)果

以CAVIAR圖像序列數(shù)據(jù)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(jié)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?？梢钥闯?，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(nèi)監(jiān)控數(shù)據(jù)庫跟蹤結(jié)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(shù)目;[F]表示ground truth圖中前景區(qū)域的像素總數(shù)目;BN表示背景區(qū)域被錯誤地檢測為運動目標;FN表示目標區(qū)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(shù)據(jù)庫上的檢測與跟蹤比較結(jié)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(yōu)勢，從而提高了遮擋情況時的檢測效果。

表1 ?CAVIAR數(shù)據(jù)庫中4種算法的檢測與跟蹤

表2 ?OTB2015數(shù)據(jù)庫中4種算法的檢測與跟蹤比較結(jié)果（遮擋情況時）

3.3 ?運行時間分析

4種算法在CAVIAR和OTB2015監(jiān)控視頻數(shù)據(jù)庫上的運行時間對比結(jié)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(fù)雜度。

4 ?結(jié) ?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(yōu)勢，并在一定程度上避免產(chǎn)生色彩偏移和偽影。根據(jù)公共視頻測試數(shù)據(jù)集上的測試結(jié)果得出如下結(jié)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(fù)雜度，可以有效應(yīng)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(xué)學(xué)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(huán)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(xué)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(xué)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(xué)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.