首页 > > > 基于相关匹配及自适应模板更新的目标跟踪新方法.pdf

基于相关匹配及自适应模板更新的目标跟踪新方法.pdf

基于相关匹配及自适应模板更新的目标跟踪新方法.pdf

上传者: wanghao198901 2013-12-08 评分1 评论0 下载0 收藏10 阅读量700 暂无简介 简介 举报

简介:本文档为《基于相关匹配及自适应模板更新的目标跟踪新方法pdf》,可适用于硬件技术领域,主题内容包含年月August计算机工程ComputerEngineering第第期Vol卷No人工智能及识别技术文章编号:()文献标识码:A中图分类号:TN基于符等。

2007年 8月 August 2007 计 算 机 工 程 Computer Engineering 第 33 第 16期 Vol 卷 .33 No.16 人工智能及识别技术 文章编号:1000—3428(2007)16—0147—03 文献标识码:A 中图分类号:TN911.73 基于相关匹配及自适应模板更新的目标跟踪新方法 黄 飞,李德华,姚 迅 (图像信息处理与智能控制国家教育部重点实验室,华中科技大学图像识别与人工智能研究所,武汉 430074) 摘 要:传统的相关匹配算法在背景比较简单的情况下可以较好地跟踪到目标,但实际获得的图像存在变形、噪声、遮挡等问题,并且也 很难获得比较好的跟踪效果。针对上述问题,提出了一种修正的 MCD相关匹配算法和多帧累积的模板更新策略,并对实际图像进行了仿 真。实验结果表明,算法在图像存在变形、噪声、遮挡时也可以达到比较理想的跟踪效果。 关键词:相关匹配;MCD;多帧累积;自适应模板修正 New Target Tracking Method Based on Correlation Matching and Adaptive Modal Modification HUANG Fei, LI De-hua, YAO Xun (State Education Commission Key Laboratory for Image Processing and Intelligence Control, Institute for Pattern Recognition and Artificial Intelligence, Huazhong University of Science and Technology, Wuhan 430074) 【Abstract】Systems based on correlation-tracking can track objects based on 2-dimensional shape, however traditional correlation-tracking methods have difficulty in detecting an object when the object is transformed or partially obscured by clutter. This paper describes one of the main problems of image-based correlation tracking systems, and proposes a new solution of using modified MCD correlation matching and adaptive modal modification based on multiple frame cumulation. The system is tested on both real and simulated imagery which is found to be robust in the presence of obscuring clutter and transforming and be practical. 【 红 可 踪 其 踪 得 目 踪 部 匹 要 目 了 算 统 M 产 需 1 曲 ij Key words】correlation match; MCD; multiple frame cumulation; adaptive modal modification 目标跟踪在民用和军事上的应用越来越广泛,例如机载 外跟踪报警系统、精确制导系统等。目标跟踪的算法总体 分为几类:直接利用目标的灰度信息进行模板相关匹配跟 [1,2];先分割后跟踪[3,4];基于目标运动估计的跟踪[5,6]等。 中基于模板更新的相关匹配跟踪方法由于其计算量小、跟 精度较高,一直有比较广泛的应用,但跟踪的持续性很难 到保证。 目标在运动过程中,容易出现短时间被遮挡的情况,当 标被遮挡时如果不做相关的处理很容易产生跟踪漂移,跟 的持续性得不到保证。而且当目标局部由于光照而产生局 灰度特征突变时,基于模板相关匹配的方法就容易产生误 配而形成跟踪漂移。要实现图像的持续高精度的跟踪就需 克服基于模板相关匹配算法在跟踪存在光照、遮挡情况的 标时容易产生误匹配的缺点。 本文针对实际图像存在变形、噪声、遮挡等特点,提出 一种新的快速跟踪的算法。该算法针对的MCD[1]相关匹配 法对序列图像跟踪的不足,将图像进行局部MCD处理,再 计局部匹配结果从而得到总体的匹配度,以克服传统的 CD算法对存在局部变形、光照的红外图像进行跟踪时容易 生跟踪漂移的不足。同时根据相关跟踪中目标模板的更新 要,提出了一种多帧累积的模板更新策略。 相关匹配算法 一个典型的图像序列相关跟踪流程由以下步骤组成[8]: (1)模板与当前场景帧进行相关匹配得到一个匹配度 面。 (2)根据匹配度曲面峰值对应的坐标,在当前场景帧中对 目标进行定位。 (3)从场景帧中提取出目标,结合当前模板对模板图像进 行更新。每帧重复以上过程。 可见相关匹配算法的好坏直接影响到最后的跟踪精度, 相关匹配算法要求不仅能够对正确目标匹配得比较好而且要 能够识别虚警目标,避免产生跟踪漂移。相关匹配可以分为 空域匹配和频域匹配。 空域匹配中,首先分别将模板图像和当前帧场景图像表 示为矩阵M和Gij,对它们进行相关匹配即是计算矩阵M和G 的点积: ( , )C i j = • ijG M (1) 其中,Gij表示以前次目标的定位点(i,j)为中心在当前帧场景 图像中选取的目标搜索区域的矩阵形式。 如果模板图像比较大,为了提高效率可以采用频域匹配 算法。先分别求出矩阵M和Gij的傅立叶变换 和M ijG ,则频 域匹配可用下式表示 1( , ) (C i j F = • ) ijG M (2) 上面提到的空域和频域相关匹配算法存在一个问题,即 当图像中像素的灰度值比较大时如光照时容易产生误匹配。 作者简介:黄 飞(1979-),男,博士研究生,主研方向:模式识别, 红外目标跟踪;李德华,教授、博士生导师;姚 迅,博士研究生 收稿日期:2006-09-27 E-mail:stefalo@sohu.com —147— 因此要对它们进行归一化,归一化后的空域和频域匹配分别 可以用式(3)和式(4)表示。 ( ) ( , ) ( ) C i j •= ij ij G M G M (3) 1 ( )( , ) ( ( ) C i j F •= ) ij ij G M G M (4) 在空域和频域相关匹配算法的基础上衍生了很多其他的 算法,如文献[9]中提到的基于 IVF 和 TM综合的相关匹配方 法,文献[10]中提到的 POMF等。 2 修正的 MCD相关匹配算法 文献[1]提出了一种 MCD 相关匹配算法:这种算法结合 最小绝对差方法,定义一种新的图像间的相似性度量,这种 度量即为 MCD(最多邻近点),假设模板图像 A大小为 MN, 那么它和任一同样大小的图像 B的 MCD距离为 , , 1 1 ( , ) ( , ) M N i j i j i j D A B R A B = = = (5) 其中, , ,1( , ) 0 else i j i j ij ij A B T R A B <= ,即首先比较待匹配的两 幅图像对应点的灰度绝对差,如果这个绝对差小于某个确定 的门限(这个门限是经过实验观察得出来的,经验表明,该值 取 20~30),那么就可以认为这两点近似;然后统计整幅图 像区域中,对应点像素绝对差小于这个门限的数目,就可以 确定这两幅图像的相似程度了。把这个数目定义为 MCD 距 离,MCD距离越大说明两幅图像越相似。当将模板图像在目 标图像内滑动时,统计每个位置处的图像与模板图像的 MCD 距离,就可以得到整个图像的一个相关曲面,最后寻找这个 相关曲面的峰值即可确定最佳匹配位置。这样,可以避免传 统相关匹配算法中噪声点引起的相关曲面不突出的 缺点。 MCD算法的优点在于其运算量比较小,且对于局部灰度 信息不存在突变的目标跟踪比较准确,但对于局部灰度信息 突变的地方就会产生误匹配,从而由局部的不匹配影响到了 全局的匹配精度,最终产生目标的误匹配。机载红外 CCD拍 摄图像时由于拍摄过程中的抖动以及仪器自身的缺陷,其拍 摄的图像具有形变、遮挡、局部高噪声等特点,当在这种复 杂场景图像中运用 MCD 算法时容易产生误匹配,针对此不 足,本文提出了一种修正的 MCD 相关匹配算法,即局部 MCD算法。 将模板图像分成n*n共n2块,仅在子块中使用MCD算法进 行匹配,当子块的MCD距离大于阈值 λ时表示此子块为匹配 子块。图 1是模板图像和候选区域划分图[11],在仿真试验中 设n为 9。令模板图像与当前场景图像中与其同样大小区域已 匹配子块的个数为S,则初始S值为零,每匹配上一个子块将 S加 1。这样将模板图像在当前场景图像的候选区域滑动时可 以产生一个S的曲面,曲面的峰值对应的区域即为最佳匹配区 域。局部MCD 算法可以描述为 Modi 1 / / , , 1 1 D (A,B) ( ( , ) ( , ) ( , ) n n k k M n N n k i i j ) j i j f d a b d a b R a b = = = = = (6) 其中, , ,1 1( , ) , ( ) 0 else0 else i j i j ij ij a b T x R a b f x λ < >= = , 为 大小相同的两幅图像,这里指的是子图像块。 ,a b 场景图像的候选区域 模板图像区域 (X0,Y0) 9*9的子块 图 1 模板和候选区域子块的划分 将 MCD 相关运用到局部图像时,即使局部像素强度的 影响产生了局部匹配误差,也不会影响到全局的匹配精度, 这样就可以克服 MCD 在处理图像时由于局部像素强度异常 而产生的误匹配。 3 多帧累积的模板更新策略 通常拍摄的图像序列具有变形、噪声、遮挡等特点,而 且前帧图像和后帧图像在强度等方面也会有不同的呈现,因 此对模板图像进行适时的更新就是能否跟踪到目标且同时降 低误跟踪概率的关键步骤。在文献[8]中采用模板更新的策略 是对当前模板与当前帧匹配区域进行适当的融合,即: 0 0( ) 0NR R I Rα 1α= + (7) 其中,α是由上节中的匹配算法计算得到的模板与匹配区域 的匹配值; 0R 为原模板图像;I 为当前帧匹配区域; NR 为更 新后的模板图像。此种模板策略容易受当前帧匹配区域的影 响,且不能反映前面模板对当前模板的贡献度,容易形成误 差积累而逐渐脱离实际跟踪目标。 针对上面策略的不足,本文提出了一种多帧累积的模板 更新策略,步骤如下: 将前几帧的模板图像进行适当的融合[5],融合方式可用 式(8)表示。 0 0 1 1 2 2 1 1...n n nR a R a R a R a R = + + , ,..., na a a (8) 其中, 10 1 是一组权系数; iR 表示用于第 i 帧图像匹 配的模板图像。考虑到实际系统要求的实时性,采用前后 2 幅模板图像累积来得到新的当前模板图像,可用式(9)表示。 0 2 1 1 2 1k( )kR a R a R a I Rk k = + + 2 1 1( ) (9) R R a I R= + (10) 其中,I 表示当前帧匹配区域图像; 1kR 表示当前模板图像; 2kR 表示前幅模板图像;更新后的模板图像为 kR 。当求第 2 幅模板图像时用式(10)计算,此时式(10)就回归成式(7),只是 令 2a α= 。 计算式(9)中的权系数 2。令前幅模板图像和其匹配 区域图像的匹配度为m 0 1, ,a a a a 1,当前模板图像和其匹配区域图像的 匹配度为m2,m1和 m2可由式(6)计算得到,则权系数 a a 分别为 0 1 2, , 2 1 0 2 2 1 2 ma m m = + (11) 2 2 1 2 2 1 2 ma m m = + (12) 2 2 2a m= (13) 显然, 0 1 1a a+ = ,这表明新的模板累积策略是参考前两 次模板图像和其匹配区域的匹配度来计算前两幅模板图像对 新模板图像的贡献度,同时考虑到了当前匹配区域对新的模 板图像的影响。这样不仅有效地克服了模板图像容易受突变 帧影响(如目标被遮挡)而容易丢失目标的缺陷,也可以避免 —148— Administrator 矩形 模板图像随噪声漂移,同时满足了系统的实时性的需求。 4 实验结果分析 在仿真试验中,选取一个实地拍摄的图像序列,跟踪目 标为一运动中的小轿车,使用局部 MCD 匹配和多帧累积的 模板更新策略对这个图像序列进行跟踪得到了一组跟踪图像 如图 2 和图 3,图左上角为当前模板的内容,十字框所标识 的对象即为跟踪对象。图 2 为文献[1]中提到的 MCD 算法跟 踪的结果;图 3 为使用局部 MCD 匹配和多帧累积的模板更 新策略后的跟踪结果。 从图 2中可以发现目标被遮挡时产生了误匹配,然后逐 渐丢失目标。而在图 3 中跟踪过程平稳,模板更新及时且正 确,跟踪点漂移小,可以较好地处理目标被遮挡的情况。 第 1帧 第 5帧 第 9帧 第 14帧 第 16帧 图 2 实地场景序列图像跟踪 1 第 1帧 第 40帧 第 55帧 第 65帧 第 100帧 第 125帧 图 3 实地场景序列图像跟踪 2 5 结论 本文提出了一种修正的基于 MCD 的相关匹配方法,在 此基础上同时利用多帧积累的模板更新策略可以有效地对图 像感兴趣目标进行跟踪,实验验证了此方法的有效性与稳定 性,可以满足序列图像的实现实时目标跟踪的需求。 参考文献 1 罗诗途, 罗飞路, 王燕玲 . 基于自适应模板修正的相关跟踪方 法[J]. 仪器仪表学报, 2004, 25(4): 633-635. 2 吕相银, 黄超超, 凌永顺. 红外成像跟踪算法性能及应用分析[J]. 红外技术, 2004, 26(4): 11-17. 3 Yang Weiping, Li Jicheng, Shen ZhenKang. Using Segmentation for Precision Tracking[C]//Proceedings of the International Society of Optical Engineer. 2001, 4550: 296-301. 4 Lee H C, Olson T L P. Target Recognition and Tracking in an Infrared System[C]//Proceedings of the International Society of Optical Engineer. 2001, 4365: 88-92. 5 Sinha A, Kirubarajan T. Application of the Kalman-levy Filter for Tracking Maneuvering Targets[C]//Proceedings of the International Society of Optical Engineer. 2004, 5248: 103-112. 6 Morelande M R, Challa S, Gordon N. A Study of the Application of Particle Filters to Single Target Tracking Problems[C]//Proceedings of the International Society of Optical Engineer. 2003, 5204: 211-222. 7 Wong S. Advanced Correlation Tracking of Objects in Cluttered Imagery[C]//Proceedings of the International Society of Optical Engineer. 2005, 5810: 158-169. 8 Bal A, Alam M S. Automatic Target Tracking in FLIR Image Sequences[C]//Proceedings of the International Society of Optical Engineer. 2004, 5426: 30-36. 9 Chiou Jeng-Yih, Hwang Kao-Shing. Object Tracking—— An ART Based Phase Filtering Approach[C]//Proceedings of the International Society of Optical Engineer. 2004, 3522: 151-156. 10 Chye-Hwa Loo, Alam M S. Invariant Object Tracking Using Fringe-adjusted Joint Transform Correlator[J]. Optical Engineering, 2004, 43(9): 2175-2183. 11 Chen Haixin, Shen Zhenkang, Li Zhiyong. A New Target Tracking Method for Optical/IR Image Sequences[C]//Proceedings of the International Society of Optical Engineer. 1997, 3069: 518-525. ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ (上接第 146页) 参考文献 1 Fukunaga K. Introduction to Statistical Pattern Recognition[M]. New York: Academic Press, 1991. 2 Belhumeur P N, Hespanha J P, Kriegman D J. Eigenfaces vs. Fisherfaces Recognition Using Class Specific Linear Projection[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1997, 19(7): 711-720. 3 孙文爽, 陈兰祥. 多元统计分析[M]. 北京:高等教育出版社, 1994. 4 Sun Q S, Zeng S G, Liu Y, et al. A New Method of Feature Fusion and Its Application in Image Recognition[J]. Pattern Recognition, 2005, 38(12): 2437-2448 5 He Y H, Zhao L, Zou C R. Face Recognition Based on PCA/KPCA Plus CCA[C]//Proc. of ICNC’05. Berlin Heidelberg: Springer-Verlag, 2005: 71-74. 6 De Bie T, Cristianini N, Rosipal R. Eigenproblems in Pattern Recognition[M]//Handbook of Computational Geometry for Pattern Recognition, Computer Vision, Neurocomputing and Robotics. Heidelberg: Springer-Verlag, 2004. 7 Barker M, Rayens W. Partial Least Squares for Discrimination[J]. Journal of Chemometrics, 2003, 17(3): 166-173. 8 Moghaddam B, Pentland A. Probabilistic Visual Learning for Object Representation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1997, 19(7): 696-709. —149—

该用户的其他资料

  • 名称/格式
  • 评分
  • 下载次数
  • 资料大小
  • 上传时间

用户评论

0/200
    暂无评论
上传我的资料
资料评价:

/ 3
所需积分:1 立即下载
返回
顶部
举报
资料
关闭

温馨提示

感谢您对爱问共享资料的支持,精彩活动将尽快为您呈现,敬请期待!