厲 丹，田 雋, 肖理慶,孫金萍,程德強

(1.徐州工程學院，江蘇 徐州 221000；2.徐州市機器視覺應用工程技術研究中心，江蘇 徐州 221000；3.中國礦業(yè)大學 信電學院，江蘇 徐州 221000)

基于主動輪廓模型聯(lián)合Camshift算法的目標跟蹤方法

厲 丹1，2，田 雋1，2, 肖理慶1，2,孫金萍1，2,程德強3

(1.徐州工程學院，江蘇 徐州 221000；2.徐州市機器視覺應用工程技術研究中心，江蘇 徐州 221000；3.中國礦業(yè)大學 信電學院，江蘇 徐州 221000)

針對城市道路交通環(huán)境中傳統(tǒng)Camshift算法跟蹤窗不能描述運動目標輪廓以及易受近似顏色干擾跟蹤丟失的問題，提出基于Snake主動輪廓模型聯(lián)合Chamshift區(qū)域模型的目標跟蹤方法，算法將原Camshift算法中使用的HSV顏色特征和LTP紋理特征融合，增加了抗干擾能力，同時利用多尺度小波改進的Snake主動輪廓模型進一步對物體輪廓檢測，去除陰影區(qū)域，更為直觀地描述了物體的輪廓。實驗證明，新方法在城市道路交通監(jiān)控中有良好的應用前景。

主動輪廓模型；Camshift；交通；目標跟蹤

基于機器視覺的智能交通車輛跟蹤技術在城市道路交通監(jiān)控中發(fā)揮著越來越重要的作用。通過對車輛實時監(jiān)控可以獲取車速、流量等信息，為后續(xù)的行為識別打下基礎[1-2]。目前的目標跟蹤方法主要包括輪廓模型跟蹤、區(qū)域模型跟蹤及特征模型跟蹤。然而，受戶外交通環(huán)境車輛形變、光照不均、目標背景顏色接近等復雜環(huán)境的影響，常用的跟蹤算法易丟失目標致使跟蹤失敗。

Snake主動輪廓模型[3]將目標形狀信息利用輪廓描述，能夠形成連續(xù)、閉合的光滑輪廓線，于1987年由Kass等人提出。該模型有較強的抗噪能力，定義能量函數(shù)描述灰度、輪廓信息，利用邊緣特征，在收斂于自身能量極小值過程中不斷地迭代逼近真實輪廓。但該模型存在動態(tài)規(guī)劃時間開銷大、對初始位置敏感的問題。連續(xù)自適應均值漂移Camshift算法[4-5]是一種無需參數(shù)的基于核密度的快速模式匹配算法，計算簡單、實時性高，雖可自適應目標大小調(diào)整跟蹤窗，但僅通過矩形或橢圓跟蹤窗無法描述目標輪廓信息，從而影響后續(xù)目標分類和行為識別，且在復雜環(huán)境中該算法易受到干擾。

本文針對城市道路交通環(huán)境，提出了基于Snake主動輪廓模型聯(lián)合基于Chamshift區(qū)域模型的目標跟蹤方法。新方法具有較好的抗環(huán)境干擾特性，在目標運動過程中，通過多尺度小波改進的Snake主動輪廓模型準確對物體進行精確輪廓檢測，同時利用Camshift算法將顏色、紋理特征融合跟蹤目標，提高了監(jiān)控系統(tǒng)中城市道路車輛辨識能力，使跟蹤具有更好的魯棒性。

1 Snake活動輪廓模型

Snake模型參數(shù)化描述為v(s)=(x(s),y(s))，s∈[0, 1]，通過參數(shù)化曲線和曲面表示變形，曲線參數(shù)為s，輪廓點坐標為(x,y)?？偰芰抗奖硎救缦?/p>

(1)

(2)

1.1 輪廓離散化

以曲線控制點集合描述輪廓曲線v(s)?？刂泣c之間的關系應符合如下公式

(3)

(xi+2-2xi+1+xi)2+(yi+2-2yi+1+yi)2

(4)

式中：vi-1和vi+1是曲線上vi鄰接的2個控制點，第i+1個控制點為vi，vi=(xi,yi)，V=(v0,v1,…,vi-1,vi,…,vn-1)，i=0,1,…,n-1。

內(nèi)部能量函數(shù)微分形式表示如下

Eint= (α(s)((xi+1-xi)2+(yi+1-yi)2)+β(s)·

((xi+2-2xi+1+xi)2+(yi+2-2yi+1+yi)2))

(5)

外部能量函數(shù)表示如下

(6)

β((xi+2-2xi+1+xi)2+

(yi+2-2yi+1+yi)2)-ω(gi)2)

(7)

1.2Snake模型改進

為了解決傳統(tǒng)Snake模型迭代過程運算量大、對初始位置敏感、抗噪能力較差的問題，利用文獻[6]提出的多尺度小波能量方法，得到公式

(8)式中：vi為蛇點，n(vi)為內(nèi)法線矢量。令k是方向參數(shù)，其值為1或-1。選擇尺度為2j，多層小波變換圖像，新外力表示如下

(9)

(10)

(11)

3)使j=j+1，J為最大層的層數(shù)，j

給定模型參數(shù)后，初始輪廓離散成2M-J+1投影在尺寸為2N-J+1×2N-J+1的圖像上，由粗尺度收斂于高尺度。由于改進算法使得復雜細節(jié)變平滑，因此蛇點數(shù)量降低，運算時間降低，迭代的次數(shù)也隨之減少。多尺度小波變換的Snake主動輪廓模型提取方法通過結(jié)合小波邊緣檢測，在減少對初始位置敏感性的同時節(jié)省了時間開銷。

2 運動目標輪廓檢測

Camshift算法選擇HSV顏色模型作為跟蹤特征減少了光照影響，利用圖像顏色概率密度的分布特征跟蹤目標，通過搜索窗二階矩估計目標大小、方向角從而自適應調(diào)節(jié)窗口大小和角度。算法計算簡單，匹配速度快，實時性高，但復雜環(huán)境易受相近顏色干擾。所以本文利用Camshift算法將顏色和紋理多類特征融合，提高目標識別率，取Camshift算法搜索框區(qū)域和高斯背景建模后的相同位置區(qū)域求差，獲取目標初始邊緣后進一步利用形態(tài)學及多尺度小波變換的Snake主動輪廓模型搜索目標輪廓，精確提取運動目標。

2.1 紋理特征融合的Camshift

紋理特征相對運動目標較為穩(wěn)定，體現(xiàn)了圖像灰度級空間分布的特性。本文采用Tan、Bill提出的對噪聲有良好的抗噪能力的LTP局部三值模式紋理模型[7-8]，解決了運動車輛顏色相近時容易相互干擾的問題。融合過程如下：

選取初始大小為s，位置中心為(xc,yc)的搜索窗口，內(nèi)部像素為{xi,i=1,2,…,n}，窗口中心y，寬h，在以(xc,yc)為中心的搜索窗1.5倍范圍內(nèi)，用直方圖分別描述不同特征空間，建立候選目標、目標模板的特征概率密度分布函數(shù)如下

(12)

(13)

(14)

a1wi(u1)+…+akwi(uk)

(15)

利用建立的多特征模板，不同特征設置不同的權值，提高了前景和背景的區(qū)分能力，保證了跟蹤的穩(wěn)定性。

2.2 運動目標輪廓提取

利用紋理特征融合的Camshift算法獲取每幀中運動目標的中心位置(xc,yc)，同時根據(jù)搜索窗大小提取前景矩形區(qū)域，并將相同區(qū)域的高斯模型統(tǒng)計的背景圖像也提取出來，兩者相減，即得到初始目標邊緣。由于光線被目標遮擋時會存在陰影，影響輪廓提取準確度，因此本文根據(jù)顏色模型的特性，利用HSV顏色空間去除陰影。從RGB到HSV轉(zhuǎn)換過程如下

(18)

(19)

HSV顏色空間中H和S通道對陰影區(qū)域不敏感，V通道比較敏感，利用將飽和度S、色度H同亮度分量V分離，僅使用飽和度和色度來反應運動目標的本質(zhì)特性進行聚類可以較好地消除陰影。

如圖1所示，圖1a為根據(jù)Camshift算法的當前幀搜索窗大小提取的矩形區(qū)域通過高斯背景模型重建的背景區(qū)域，圖1b為相同區(qū)域的前景區(qū)域，圖1c中白色區(qū)域為前者背景差后進行形態(tài)學腐蝕膨脹后的目標區(qū)域,根據(jù)圖1c獲取運動目標如圖1d所示，圖1e為對目標區(qū)域進行邊緣檢測后初始邊緣輪廓，圖1f為利用多尺度小波變換的Snake模型提取并通過HSV顏色空間去除陰影后尋找到的目標精確輪廓。

圖1 輪廓提取

3 實驗驗證

對部分路段車輛視頻通過改進算法進行實驗分析。圖2為本文部分跟蹤結(jié)果，可以看出，由于將Snake主動輪廓模型聯(lián)合Camshift區(qū)域模型，并融合了LTP紋理模型，在跟蹤過程中利用圖像空間分布特性，跟蹤準確且輪廓清晰，能自適應仿射變換，且在光照變換情況下仍有較好魯棒性。

圖2 車輛和行人輪廓跟蹤

表1列出了對8組視頻中不同的運動目標分別用傳統(tǒng)Camshift算法和本文算法進行跟蹤準確率和耗時比較的情況。從跟蹤準確率上看，由于本文融合了紋理特征，跟蹤過程較為穩(wěn)定，準確率較高，而原Camshift算法由于僅用顏色模型，當目標和環(huán)境中其他物體顏色接近時較為敏感，易被干擾，因此在復雜環(huán)境中易導致跟蹤失敗，準確率較低。從平均耗時上看，本文算法由于融合了LTP紋理特征，且目標分割后對其實施Snake主動輪廓迭代搜索及陰影去除，因此在跟蹤過程中平均每幀的耗時稍高于原Camshift算法，但仍符合監(jiān)控系統(tǒng)實時性的要求。

表1 跟蹤準確率及平均耗時統(tǒng)計

視頻序號跟蹤準確率/%平均耗時/msCamshift本文Camshift本文18569943414272774975428488373596350756646829583824395847995296321679597734537276829784274758811986315367

4 小結(jié)

本文提出了基于Snake主動輪廓模型聯(lián)合Chamshift區(qū)域模型的目標跟蹤方法。在目標跟蹤過程中，對原Camshift算法中使用的HSV顏色模型融合紋理特征進行跟蹤，在搜索窗區(qū)域，利用高斯模型建立的背景圖像和前景圖像獲取目標初始輪廓，同時利用多尺度小波改進的Snake主動輪廓模型進一步對物體輪廓檢測，去除陰影區(qū)域，較好地描述了物體的真實輪廓，使跟蹤具有更好的魯棒性，為交通視頻監(jiān)控系統(tǒng)中進一步的目標分類打下良好基礎。

[1] 甘玲，潘小雷.一種應用于交通環(huán)境中的運動車輛跟蹤方法[J].重慶郵電大學學報：自然科學版，2013，25(3)：408-411.

[2] 王相海，方玲玲，叢志環(huán).卡爾曼粒子濾波的視頻車輛跟蹤算法研究[J].中國圖象圖形學報，2010，15(11)：1615-1622.

[3] KASS M，WITKIN A，TERZOPOULOS D.Snake：active contour models[J].International Journal of Computer Vision，1988，1(4)：321-331.

[4] 鄔大鵬，程衛(wèi)平，于盛林.基于幀間差分和運動估計的Camshift目標跟蹤算法[J].光電工程，2010，37(1)：55-60.

[5] SORN S. CAMSHIFT-based algorithm for multiple object tracking[C]//Proc. 9th International Conference on Computing and Information Technology.[S.l.]：IEEE Press，2013：301-310.

[6] 馬波，張?zhí)镂?，李培華.基于改進外部力的多尺度蛇算法[J].計算機學報，2003，26(5)：563-568.

[7] TAN Xiaoyang，TRIGGS B. Enhanced local texture feature sets for face recognition under difficult lighting conditions[C]//Proc. Analysis and Modeling of Faces and Gestures.Rio de Janeiro， Brazil：[s.n.]，2007：168-182.

[8] 袁寶華，王歡，任明武.融合LTP與Fisherfaces的分塊人臉識別[J].計算機工程，2012，38(10)：154-156.

責任編輯：任健男

海信智能電視聯(lián)合華數(shù)、荔枝推VIP院線

繼6月海信宣布智能電視激活用戶突破一千萬之后，從9月起，海信智能電視聯(lián)合華數(shù)、荔枝推VIP院線，正式在其實體店和電商渠道開放在線影視點播VIP年卡購買服務。這也預示著經(jīng)過幾年的發(fā)展，智能電視逐步擴大市場、培育用戶并實現(xiàn)增值后,向商業(yè)運營迎來破局。

海信延用行業(yè)在線視頻VIP收費模式，但又與樂視依托自身視頻資源收取服務費模式不同。海信依托華數(shù)播控平臺，聯(lián)合華數(shù)牌照資源和荔枝內(nèi)容牌照資源共同搭建了龐大的智能電視視頻資源庫。在線付費點播設置了信封年卡、華數(shù)年卡、荔枝年卡3個付費選項。信封年卡用戶支付490元，可免費收看全年在線精品影視，包括最新更新的院線新片、好萊塢片庫，以及4K、3D、杜比等優(yōu)質(zhì)家庭影院專區(qū)。

Target Tracking Method Based on Active Contour Models Combined Camshift Algorithm

LI Dan1，2, TIAN Jun1，2, XIAO Liqing1，2, SUN Jinping1，2，CHENG Deqiang3

(1.XuzhouInstituteofTechnology，JiangsuXuzhou221000，China；2.MachineVistonApplicationsEngineeringandTechnologyResearchCenterofXuzhou，JiangsuXuzhou221000，China；3.CollegeofInformationandElectricEngineering,ChinaUniversityofMiningandTechnology,JiangsuXuzhou221000,China)

In the environment of urban road traffic, the traditional Camshift algorithm tracking window can not describe the outline of the moving target tracking and exists the problem of the approximate color interference makes tracking missing. A target tracking method is proposed jointed with Snake active contour model and Chamshift regional model. It combines HSV color feature of original Camshift algorithm with LTP texture. Noise immunity is increased and multi-scale wavelet is used to improve the Snake active contour model. New method can move the shadow area and contours of the object can be better described. Experimental results show that the new method has a good prospect in urban road traffic monitoring.

active contour model; Camshift; traffic; object tracking

住房城鄉(xiāng)建設部科學技術計劃項目(2014-K5-027)；江蘇省高校自然科學研究面上項目(15KJB520033)；江蘇省大型工程裝備檢測與控制重點建設實驗室開放課題(JSKLEDC201211)；國家自然科學基金項目(51204175；U1261105)

TP391

A

10.16280/j.videoe.2015.19.025

厲 丹(1981— )，女，博士，副教授，研究方向為圖像處理，視頻監(jiān)控；

田 雋(1981— )，女，博士，副教授，研究方向為智能圖像處理；

肖理慶(1981— )，博士，講師，研究方向為自動化控制、圖像處理；

孫金萍(1980— )，女，博士在讀，講師，研究方向為圖像處理；

程德強(1978— )，博士，教授，研究方向為數(shù)字視頻傳輸控制。

2015-02-22

【本文獻信息】厲丹，田雋, 肖理慶，等.基于主動輪廓模型聯(lián)合Camshift算法的目標跟蹤方法[J].電視技術,2015，39(19).