基于纹理和颜色特征的目标跟踪检测算法研究与实现

摘 要：对运动目标进行跟踪，常采用粒子滤波跟踪算法。本文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，该模型优点在于能够根据不同的实验环境给出相应的实验方案。试验证明，该算法在跟踪的性能和鲁棒性方面的改进。

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：TP391.4

从目前的研究来，先行的跟踪方法一般分成两大类：一种方法为将现在根据目标的现在的帧与跟踪目标的前一帧进行相似度比较，这种跟踪方法目前只对环境干扰比较小的单个目标进行跟踪比较有意义；但是目前的跟踪实际应用中，一般是跟踪目标的环境比较复杂，不用进行相似度计算，仅仅是提出一种假设，并给出相应的验证算法，本文提出一种以纹理和颜色为基础的跟踪算法，该算法能自动的对环境进行选择并给出相应匹配方式，该方法的优点在于其能很好地对异环境进行抗干扰。

1 粒子滤波算法简介

本文算法中采用粒子滤波算法[1]，是利用了该方法对概率密度p（xk|zk）的近似估计，通过高斯定理获取其最小的方差过程，这样的样本就称为粒子。粒子算法的关键是通过高斯定理取的权值或者其后念概率密度p（xk|zk），其中每一种跟踪代表一个假设条件。

本文算法去要两个方程：

（1）状态变化模型[2]：

xk=fk（xk-1，vk-1） （1）

在本模型中，表示状态xk-1状态到xk的状态的转移过程，该过程为非线性的；{vk-1，k-1∈N}，在上述转移模型中，密度函数是已经知道的。

（2）状态测量模型：

在本文算法的第二个方程为，动态测量方程，其模型如下[3]：

zk=hk（xk，wk） （2）

其中zk为某种特定情况下的观察值，wk为某中独立系统下的观测的奇异点。

2 建立数学模型

在复杂的搜索环境中，为了有效的跟踪目标，本文将利用纹理和颜色共同对目标进行跟踪，从而实现建模。

2.1 颜色直方图

RGB色彩模式是工业界的一种颜色标准，是通过对红（R）、绿（G）、蓝（B）三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色的，RGB即是代表红、绿、蓝三个通道的颜色，这个标准几乎包括了人类视力所能感知的所有颜色，是目前运用最广的颜色系统之一。

本文将将RGB中的颜色空间转换为4×4×4形式，统一建为64个不同的颜色空间，若统计得到的颜色若在哪个空间的像素的个数，再将该点应用下列模型就可以完成颜色的转化，其中R表示目标区域。

在上述关系式中，C1+C2=1，而且 ，因此可以计算C1、C2的值。在整个跟踪过程中，如何有效的区C1、C2是非常重要，该的是否合适，直接关系到本实验能够成功，因此是一个非常关键的阈值，该值要通过大量的实验获得。

4 改进的基于多信息融合的自适应粒子滤波算法

4.1 算法的设计

本算法主要体现在三个主要方面，粒子数的选择为其一，其二为模型中主要参数的设置，其三为模型的建立[6]。这些方法综合到一起，其目的是能够有效的通过自适应的算法增加粒子对环境的适应能力和监控能力，从而非常有效的完成目标的跟踪，取得不错的效果。

图3 视频中的第1帧自动初始化需跟踪人脸并开始进行跟踪

图4 视频中的第50帧跟踪状态

图5 视频中的第98帧跟踪状态

实验采用的视频为在复杂背景下运动的人，图3中为视频初始化状态下的人脸自动初始化并进行跟踪，图3为视频中第50帧的跟踪状态，图4为视频中第98帧在干扰目标出现的情况下跟踪状态，仍能较为准确的进行目标人脸跟踪。为了比较改进算法的跟踪准确性的提高，本文将之与传统的多信息融合粒子滤波算法进行比较。

为了检测跟踪效果，图6和图7分别显示了传统的多信息融合算法跟踪和改进的自适应多信息融合粒子滤波算法视频跟踪误差图。

图6 基于多信息融合粒子滤波视频跟踪误差图

图7 基于改进的多信息融合自适应

粒子滤波视频跟踪误差

从图6和图7可以看出改进的自适应多信息融合粒子滤波算法较传统的多信息融合粒子滤波在跟踪误差上有很大的改进。

同时为了考虑粒子数目对跟踪的影响我们对同一段视频取粒子数目N=50进行实验。对于粒子滤波方法，从理论上看，只要粒子数量足够多，其结果是最优的，实际中并不一定成立。粒子数量太多对跟踪系统的实时性影响较大。图7是粒子数与误差的关系图，当粒子数目不断增大时，跟踪目标误差会减小，但跟踪误差随着粒子数目增加并不是绝对的降低，有时会出现升高的状况。以上分析说明：在作跟踪处理时，应跟踪不同的情况，调整粒子数N值的大小，从而提高目标跟踪的效率。

图8 粒子数目N=50和N=100跟踪误差示意图

本文根据目标跟踪在实际应用中存在的不足，在传统粒子滤波算法的基础上进行了改进，加入了纹理和颜色特征信息使跟踪算法，同时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，通过实验验证了其与传统算法相比的在跟踪精确性等方面的提高，同时，通过实验认识到粒子数对目标定位精度的影响，从而使系统跟踪的鲁棒性和稳定性加强。

参考文献：

[1]Pavlovic’V，Rehg J，Cham T2J，Murphy K.A dynamic Bayesian network approach to figure tracking using learned dynamic models[J].In：Proc IEEE International Conference on Computer Vision，Corfu，Greece，1999：94-101.

[2]张嫣，姚耀文，唐华松.运动图像序列中多目标跟踪的研究与实现[J].计算机应用研究，2008.

[3]王亮，胡卫明，谭铁牛.人运动的视觉分析综述[J].计算机学报，2008（03）：225-237.

[4]PACHTER M，CHANDLER P R. Universal linearization concept for extended Kalman filters[J].IEEE Trans.On Aerospace and Electronic Systems，1999（03）：946-961.

[5]康健，司锡才，芮国胜.基于贝叶斯原理的粒子滤波技术的概述[J].现代雷达，2009（01）：34-36.

[6]朱明，鲁剑锋，胡硕.采用DSP的电视测量跟踪器的研制[J].光学精密工程，2005.

[7]ZHU M，LU J F，HU SH.Development of TV measuring and tracking system by using DSP[J].Opt.Precision Eng.，2005：232-235.

作者简介：陈林辉（1981.11-），男，广东化州人，助理工程师，硕士，研究方向：软件工程。

作者单位：中石油燃料油有限责任公司华南销售分公司，广州 510240