黃清泉，陳 亮，龐 亮，張翼鵬

(1.解放軍理工大學 通信工程學院，江蘇 南京 210007； 2.中國人民解放軍91202部隊，遼寧 葫蘆島 125000；3.南京炮兵學院 作戰(zhàn)實驗中心，江蘇 南京 210007)

基于背景加權的聯(lián)合顏色紋理直方圖跟蹤算法

黃清泉1，陳 亮1，龐 亮2，張翼鵬3

(1.解放軍理工大學 通信工程學院，江蘇 南京 210007； 2.中國人民解放軍91202部隊，遼寧 葫蘆島 125000；3.南京炮兵學院 作戰(zhàn)實驗中心，江蘇 南京 210007)

針對在背景與目標顏色相近以及復雜場景中跟蹤不準確的問題，提出一種改進的背景加權Mean Shift (均值漂移) 跟蹤算法，在目標顏色直方圖中加入紋理特征，并將局部背景信息引入目標特征直方圖中，以排除復雜背景的影響。實驗證明，本文提出的算法在應對復雜背景及遮擋時比經典的Mean Shift算法以及背景加權Mean Shift算法更有效，且擁有不錯的運行效率。

Mean Shift；顏色紋理直方圖；背景加權

0 引言

運動目標跟蹤一直是計算機視覺領域的熱點問題， Mean Shift算法以其迭代次數少、調節(jié)參數少、實時性好、易于工程實現(xiàn)等優(yōu)點廣泛應用于各實時跟蹤系統(tǒng)[1-2]。Cheng Y等[3]于1995年首次將Mean Shift(MS)算法[4]運用到模式識別，此后，Mean Shift 被廣泛用于目標跟蹤。但由于Mean Shift算法本身使用單一的顏色直方圖表示目標特征，且使用了摻雜有背景信息的矩形目標模板，當目標處于背景與前景顏色相似的環(huán)境時，極易陷入局部最優(yōu)，往往導致跟蹤目標丟失。

為解決復雜場景中跟蹤精度低的問題，Comaniciu[5]等提出了背景加權顏色直方圖MS算法(Background-Weighted Histogram Mean Shift， BWH-MS)，在直方圖中融入局部背 景信息，以降低背景特征對目標的影響。Ning Jifeng等[6]證明了BWH-MS算法沒有真正實現(xiàn)將背景信息引入目標模型中，并未達到實際效果，并在BWH-MS算法基礎上提出一種改進的背景加權(Corrected Background-Weighted Histogram, CBWH) MS跟蹤算法，提高了算法在復雜場景的魯棒性。

紋理信息是受背景顏色以及光照影響較小的特征，在跟蹤時加入紋理信息可以提高跟蹤的穩(wěn)健性。局部二值模式(Local Binary Pattern，LBP)[7]和它的變形[8]局部三值模式(Local Ternary Pattern，LTP)，由于描述紋理特征時能力突出，有較高的計算效率，從而被廣泛應用于跟蹤系統(tǒng)[9]。參考文獻[10-11]提取目標紋理及顏色直方圖，跟蹤能力有所提升。以上基于顏色紋理的跟蹤算法雖然一定程度上提高了復雜場景的跟蹤效果，但都沒有考慮背景對目標定位的干擾。

為有效地解決以上問題，本文在CBWH-MS算法的基礎上提出了一種聯(lián)合R、G、B顏色和LBP紋理混合特征直方圖描述目標，并使用背景加權的MeanShift算法。實驗顯示，本文改進的方法不僅在背景干擾大時跟蹤精度更高，而且對于復雜場景的魯棒性更強，同時具有較好的計算效率。

1 經典Mean Shift算法

Mean Shift算法是通過人機交互的方式在起始幀通過鼠標劃定一個矩形目標區(qū)域，計算區(qū)域中像素點的各特征值在特征空間中的概率，得到目標模型；在后續(xù)幀中可能出現(xiàn)目標的候選區(qū)域得到目標候選模型；然后引入Bhattacharyya系數對目標模型和候選目標模型進行相似性度量，通過求Bhattacharyya系數的最大值得到目標的當前位置，實現(xiàn)對目標的跟蹤。

1.1 目標模型

(1)

1.2 候選目標模型

(2)

1.3 目標模型和候選模型的相似性度量

(3)

式中，權重系數wi為：

(4)

在當前幀中不同的候選區(qū)域計算得到不同的候選模型，使得Bhattacharyya系數最小的候選區(qū)域即是本幀中目標的位置。MS算法就是在新的幀中確定一個候選位置，使得Bhattacharyya系數最大。

2 融合背景信息的顏色紋理直方圖均值漂移跟蹤算法

2.1 LBP紋理特征

LBP擁有旋轉不變性、灰度不變性，是高效的局部紋理特征描述符，多被應用于特征識別、紋理分類等領域。LBP計算圖像中各像素與其相鄰像素的灰度值并進行比較，比較結果用二進制模式表示以描述紋理，計算公式為:

(5)

其中，目標像素的局部區(qū)域用P和R表示，P是鄰域內像素的數目，R是中心像素與相鄰像素的距離；gp是圓心為像素點(xc,yc)、半徑為R的鄰域內P個像素點的灰度；gc是中心像素點(xc,yc)的灰度。函數s(x)定義為：

(6)

但由式(5)表示的LBP不具有旋轉不變性，并不適合用來對目標姿勢改變下進行特征建模。對于這一缺點，參考文獻[12]給出了一種改進的LBP，定義為：

(7)

其中，

(8)

2.2 聯(lián)合紋理顏色直方圖

(9)

(10)

(11)

2.3 基于背景權重的顏色紋理特征概率分布

由于跟蹤目標通常使用矩形區(qū)域表示，不可避免地包含了一些背景信息，為了減少背景信息的干擾，本文將背景權重引入顏色紋理特征，重新定義目標模型和候選目標模型。

新的目標模型為：

(12)

新的候選目標模型為：

(13)

(14)

(15)

如果ρ<ε，表明背景變化較大，則更新背景模型：

2.4 顏色紋理直方圖的背景加權MS算法

改進算法的步驟如下：

(2)賦值k←0；

(5)根據式(3)計算新位置y1；

改進后算法流程如圖1所示。

圖1 改進后算法流程圖

3 實驗結果

為驗證本文改進算法的性能，挑選了幾段標準的測試視頻進行測試，并與只基于顏色直方圖的傳統(tǒng)MeanShift跟蹤算法(MS)以及基于背景加權的顏色直方圖跟蹤算法(CBWH-MS)對比。在圖2、圖3中由上至下依次為經典MS算法、CBWH-MS算法、改進的顏色紋理直方圖的背景加權MS算法的跟蹤結果。

如圖2所示，選取行人經過電線桿的視頻作為測試視頻，測試改進算法在遮擋情況下的魯棒性。在經過電線桿以后，由于目標被遮擋，MS算法以及CBWH-MS算法難以區(qū)分遮擋環(huán)境中的目標，降低了跟蹤效果。而改進算法能很好地定位到目標，說明改進算法相比于上述兩種算法，在遮擋情況下具有更強的魯棒性。

如圖3所示，選取快速晃動的玩具貓的視頻作為測試視頻，測試改進算法在復雜背景下的抗干擾性及計算效率。在玩具貓快速運動的過程中，MS算法受到復雜背景的影響，難以從環(huán)境中區(qū)分出目標，跟蹤效果不是很好； CBWH-MS算法加入了背景信息，但跟蹤效果次于改進算法，說明融合了紋理特征的改進算法能夠提高在復雜環(huán)境中的跟蹤魯棒性。同時，改進算法能夠對快速運動的目標進行實時跟蹤，具有實時性。

對三種算法的計算性能進行了比較，結果如表1所示，可以看出，本文算法效率低于經典的MS算法，但與CBWH-MS算法的效率相持平，能夠滿足實時性的要求。

圖2 行人遮擋的跟蹤

圖3 復雜背景下的跟蹤

算法平均每幀運行所需時間/sMS算法0.13CBWH-MS算法0.19本文改進算法0.21

4 結論

本文提出了一種顏色紋理混合直方圖的背景加權均值漂移跟蹤算法，融合了傳統(tǒng)的RGB顏色直方圖以及基于LBP表示的紋理特征。為降低背景對跟蹤的影響，部分性地加權背景信息，從而提高背景復雜環(huán)境中的跟蹤效果。相比于只基于顏色直方圖的傳統(tǒng)MeanShift跟蹤算法(MS)以及基于全部背景更新的顏色直方圖跟蹤算法(CBWH-MS)，改進算法在背景復雜的場景中具有較好的計算效率，且能夠對目標進行更有效、更準確的跟蹤。

[1] 陳東岳，陳宗文．基于特征顯著性的均值漂移魯棒目標跟蹤[J].上海交通大學學報,2013,47(11):1807-1812.

[2] 王宇雄，章毓晉，王曉華．4-D尺度空間中基于Meanshift的目標跟蹤[J].電子與信息學報，2010,32(7):1626-1632.

[3] Cheng Yizong. Mean shift mode seeking and clustering [J]．IEEE Transactions on Pattern Analysis and Machine Intelligence, 1995, 17(8):790-799．

[4] FUKUNAGA K,HOSTELLERL D. The estimation of the gradient of a density function with applications in pattern recognition[J]. IEEE Transactions on Information Theory, 1975, 21(1): 32-40．

[5] COMANICIU D,RRAMESH V,Meer P. Real-time tracking of non-rigid objects using mean shift[C].IEEE Conference on Computer Vision and Pattern Recognition,2000: 142-149．

[6] Ning Jifeng, Zhang Lei, ZHANG D, et al. Robust mean shift tracking with corrected background-weighted histogram[J]. IET Computer Vision, 2010, 6(1):62-69.

[7] HEIKKIA M,PIETKAINEN M,SCHMID C.Description of interest regions with local binary patterns[J].Pattern Recognition, 2009, 42(3):425-426．

[8] TAN X,TRIGGS B.Enhanced local texture feature sets for face recognition under difficult lighting conditons[J]. Image Processing, 2010,19(6):1635-1650．

[9] 張紅穎，胡正．融合局部三值數量和色度信息的均值漂移跟蹤[J].電子與信息學報，2014, 36(3):624-630.

[10] 李冠彬，吳賀豐.基于顏色紋理直方圖的帶權分塊均值漂移目標跟蹤算法[J].計算機輔助設計與圖形學學報，2011,23(12):2059-2066.

[11] 戴淵明，韋巍，林亦寧.基于顏色紋理特征的均值漂移目標跟蹤算法[J]．浙江大學學報(工學版)，2012,46(2):212-217.

[12] HEIKKIA M,PIETIKAINEN M. A texture-based method for modeling the background and detecting moving objects[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2006, 28(4): 657-662.

A robust tracking combined with texture feature and back-ground-weighted color histogram

Huang Qingquan1, Chen Liang2, Pang Liang2, Zhang Yipeng3

(1.College of Communication Engineering, PLA University of Science and Technology, Nanjing 210007, China;2. Unit 91202 of PLA, Huludao 125000, China; 3. Operational Experiment Center,Nanjing Artillery Academy, Nanjing 210007, China)

In order to achieve accurate tracking in complex scenes and similar background color with objectives, this paper proposed an adaptive tracking combined background-weighted with color-texture histogram on the basis of Mean-Shift algorithm. Color-texture feature histogram are used to describe target characteristics while incorporating local background information for the sake of eliminating the interference of complex background. Experimental results show that the proposed method is more efficient in dealing with complex background and occlusion than the traditional Mean-Shift algorithm and Corrected Background-Weighted Mean-Shift algorithm, and it has good computational efficiency.

Mean Shift; color-texture histogram; background-weighted

TP391.41

A

1674-7720(2016)01-0056-04

黃清泉，陳亮，龐亮，等.基于背景加權的聯(lián)合顏色紋理直方圖跟蹤算法[J].微型機與應用，2016，35(1)：56-59，70.

2015-09-02)

黃清泉(1993-)，通信作者，男，碩士研究生，主要研究方向：多媒體信息處理。E-mail:554834712@qq.com。

陳亮(1974-)，男，博士，教授，主要研究方向：多媒體信息處理、網絡信息處理技術。

龐亮(1990-)，男，碩士，主要研究方向：語音信號處理。