孫奔奔

摘 要：針對汽車多目標(biāo)跟蹤，提出了基于自適應(yīng)閾值ViBe算法和粒子濾波的汽車多目標(biāo)跟蹤方法。通過ViBe算法提取運(yùn)動(dòng)車輛前景區(qū)域，對每個(gè)運(yùn)動(dòng)車輛目標(biāo)創(chuàng)建獨(dú)立的粒子濾波器，使用Harris算法計(jì)算角點(diǎn)數(shù)，以初始化粒子數(shù)，通過粒子濾波對車輛進(jìn)行跟蹤。該方法經(jīng)實(shí)驗(yàn)驗(yàn)證，魯棒性較好。

關(guān)鍵詞：ViBe算法;粒子濾波;多目標(biāo)跟蹤;Harris算法;魯棒性;前景檢測

中圖分類號：TP391文獻(xiàn)標(biāo)識碼：A文章編號：2095-1302（2020）04-00-02

0 引 言

圖像處理在車輛跟蹤方面具有廣泛的應(yīng)用。常用的檢測算法如幀間差分法、光流法、背景差分法等[1]，其特點(diǎn)如下所示：

（1）幀間差分法對于目標(biāo)運(yùn)動(dòng)快慢較為敏感;

（2）光流法在復(fù)雜背景下的目標(biāo)跟蹤準(zhǔn)確性好，但計(jì)算復(fù)雜，且抵抗噪聲能力較差[2];

（3）背景差分法適用于噪聲干擾等復(fù)雜場景，在目標(biāo)檢測中魯棒性強(qiáng)[3-5]，如GMM（混合高斯模型）背景差分，建模初始化和參數(shù)估計(jì)時(shí)間長[6]。

在跟蹤方法中，常用的跟蹤算法有Camshift，Kalman濾波，粒子濾波法等[7]，其特點(diǎn)如下所示：

（1）基于Camshift的方法僅能夠?qū)︻伾Ｐ瓦M(jìn)行跟蹤，一旦模型顏色相近就會(huì)出現(xiàn)誤跟蹤的情況;

（2）Kalman濾波方法只能用于線性跟蹤的場景，無法解決車輛出現(xiàn)突然停止等速度突變的情況;

（3）粒子濾波法通過隨機(jī)樣本描述概率分布，處理非線性非高斯情況效果較好[8-9]。

本文采用背景差分法中的ViBe算法解決多目標(biāo)跟蹤問題。通過自適應(yīng)閾值改進(jìn)的ViBe算法具有速度快、適應(yīng)光照變化等優(yōu)點(diǎn)。提取運(yùn)動(dòng)目標(biāo)前景區(qū)域，對每個(gè)運(yùn)動(dòng)車輛目標(biāo)創(chuàng)建獨(dú)立的粒子濾波器，通過計(jì)算Harris角點(diǎn)數(shù)來初始化粒子數(shù)，對車輛進(jìn)行跟蹤，解決粒子濾波計(jì)算量大的問題。

1 算法描述

1.1 自適應(yīng)閾值ViBe算法

ViBe算法主要包括三個(gè)方面，即模型的初始化方法、模型的背景檢測、模型的更新策略。

1.1.1 模型的初始化

通過一幀圖像即可完成ViBe的初始化。利用相近像素點(diǎn)擁有相近時(shí)空分布的特性，填充像素樣本集[10]。對于一個(gè)像素點(diǎn)而言，隨機(jī)選擇其鄰域點(diǎn)的像素值作為它的模型樣本值。

式中：t=0為初始時(shí)刻;NG（x）為鄰域點(diǎn);M0（x）為背景樣本集;v0（y）為樣本值。

1.1.2 背景檢測過程

以顏色模型計(jì)算失真值，如圖1所示。

式中，δ為顏色失真值。

自適應(yīng)閾值方法中，閾值大小與樣本集的方差成正比，樣本集方差越大，說明背景越復(fù)雜，判定閾值就越大。其中，0.5σm區(qū)間在[20，40]范圍內(nèi)。當(dāng)計(jì)算某像素點(diǎn)的δ小于20，且在歐式距離上匹配度低于閾值的數(shù)目超過2個(gè)時(shí)，判斷該點(diǎn)為背景點(diǎn)。

1.1.3 背景模型更新策略

ViBe算法采用無記憶更新策略，在每次確定需要更新像素點(diǎn)的背景模型時(shí)，以新的像素值隨機(jī)取代該像素點(diǎn)樣本集的一個(gè)樣本值。

當(dāng)像素點(diǎn)V（x）被分類為背景時(shí)，隨機(jī)選擇該像素點(diǎn)背景樣本集M（x）中的一個(gè)值，以V（x）替換。同時(shí)，對V（x）鄰域的背景模型樣本值也以等概率的方式進(jìn)行更新。經(jīng)過Δt時(shí)間后，模型樣本值隨時(shí)間變化的概率為：

1.2 粒子濾波

粒子濾波通過隨機(jī)選取粒子以保持粒子的多樣性，但此舉會(huì)導(dǎo)致全局搜索而降低效率。本文將粒子濾波應(yīng)用在ViBe前景提取的車輛區(qū)域的固定框內(nèi)初始化粒子集，縮小了計(jì)算范圍，提高了運(yùn)算速率。

2 算法處理過程

算法處理過程如下：

（1）選擇前50幀圖像，采用背景差分法進(jìn)行背景更新，防止視頻中的運(yùn)動(dòng)車輛造成鬼影問題;

（2）采用自適應(yīng)ViBe算法檢測運(yùn)動(dòng)目標(biāo)，通過Sobel檢測算法去除陰影并對輪廓內(nèi)的圖像做種子搜索算法運(yùn)算來填充空洞，對進(jìn)入視頻中的運(yùn)動(dòng)物體進(jìn)行跟蹤，得到運(yùn)動(dòng)目標(biāo)的前景，對完整進(jìn)入視頻的車輛確定最小外圍矩形，并框選出目標(biāo)區(qū)域;

（3）對目標(biāo)車輛分配不同的粒子濾波器，通過Harris算法對框內(nèi)的車輛目標(biāo)進(jìn)行角點(diǎn)檢測，將角點(diǎn)數(shù)目作為粒子數(shù)，初始化粒子集;

（4）狀態(tài)轉(zhuǎn)移，計(jì)算上一階段多次重采樣獲得的粒子的下一時(shí)刻位置;

（5）歸一化權(quán)值，即;

（6）對新位置進(jìn)行預(yù)測，待所有粒子相似度加權(quán)后，將結(jié)果作為目標(biāo)可能的位置;

（7）對目標(biāo)軌跡進(jìn)行重采樣，根據(jù)粒子權(quán)重對粒子進(jìn)行篩選，重新分布粒子;

（8）獲取下一幀圖像。

車輛跟蹤流程如圖2所示。

3 實(shí)驗(yàn)及結(jié)論

圖3所示為自適應(yīng)閾值ViBe算法通過前景提取繪制出的兩車輛最小外界矩形。計(jì)算前景區(qū)域內(nèi)的Harris角點(diǎn)作為粒子濾波器的初始粒子數(shù)，分別為175（左）和152（右），帶入粒子濾波器對兩車輛進(jìn)行跟蹤。跟蹤過程中選取300幀視頻中的第190幀，第213幀，第237幀，發(fā)現(xiàn)跟蹤框能夠?qū)崟r(shí)跟蹤車輛位置，如圖4所示。本文為每個(gè)車輛分配不同的粒子數(shù)目，并且粒子數(shù)目遠(yuǎn)小于全局粒子濾波的數(shù)目，以有效減少計(jì)算量，提高跟蹤效率。試驗(yàn)表明，本方法對車輛跟蹤具有很好的魯棒性。

4 結(jié) 語

本文對公路場景中多車輛的跟蹤情況，提出將自適應(yīng)閾值的ViBe算法和粒子濾波相結(jié)合，以實(shí)現(xiàn)對多目標(biāo)的檢測和跟蹤。試驗(yàn)結(jié)果表明，本文方法對于多目標(biāo)的跟蹤和檢測具有很好的效果。下一階段將繼續(xù)優(yōu)化程序以加快檢測和跟蹤速率。

參考文獻(xiàn)

[1]曾巧玲，文貢堅(jiān).運(yùn)動(dòng)目標(biāo)跟蹤綜述[J].重慶理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2016，30（7）：103-111.

[2] BARNICH O，DROOGENBROECK M V. ViBe：a universal background subtraction algorithm for video sequences [J]. IEEE transactions on image processing，2011，20（6）：1709-1724.

[3]厲丹，鮑蓉，孫金萍，等.多分辨率LK光流聯(lián)合SURF的跟蹤方法[J].計(jì)算機(jī)應(yīng)用，2017，37（3）：806-810.

[4]歐陽梓標(biāo)，牛燕雄，謝朋言.一種改進(jìn)的基于ViBe的運(yùn)動(dòng)目標(biāo)檢測方法[J].半導(dǎo)體光電，2018，39（2）：260-263.

[5]徐文瀚，程石磊.基于改進(jìn)ViBe算法的前景檢測[J].電子技術(shù)與軟件工程，2017（16）：82-83.

[6] KAEWTRAKULPONG P. An improved adaptive background mixture model for real-time tracking with shadow detection [Z]. Video based surveillance systems：computer vision and distributed processing，2001.

[7]王輝，宋建新.一種基于閾值的自適應(yīng)ViBe目標(biāo)檢測算法[J].計(jì)算機(jī)科學(xué)，2015（z1）：154-157.

[8]李明杰，劉小飛，張福泉，等.基于粒子濾波和背景減除的多目標(biāo)檢測與跟蹤算法[J].計(jì)算機(jī)應(yīng)用研究，2018，35（8）：272-275.

[9] LIU F，XUAN S，LIU X. Video target tracking based on a new adaptive particle swarm optimization particle filter [C]// International Conference on Intelligent Computing. Springer，Berlin，Heidelberg，2013.

[10]張紅瑞，馬永杰.融合混合高斯模型的改進(jìn)的ViBe算法[J].西北大學(xué)學(xué)報(bào)（自然科學(xué)版），2017，43（3）：361-366.