視頻目標(biāo)跟蹤報告

專業(yè)碩士研究生實踐訓(xùn)練環(huán)節(jié)視頻運(yùn)動目標(biāo)檢測與跟蹤學(xué)院：信息科學(xué)與工程學(xué)院專業(yè)：姓名：學(xué)號：授課老師：日期：2017目錄TOC\o"1-3"\h\u1課程設(shè)計的目的和意義 .1基于MeanShift的跟蹤算法3.1.1RGB顏色直方圖RGB顏色直方圖：在運(yùn)動目標(biāo)跟蹤領(lǐng)域里，顏色直方圖是一種典型的描述目標(biāo)特征的手段，它應(yīng)用計算和統(tǒng)計學(xué)規(guī)律，能夠反映視頻序列幀中顏色的組合結(jié)構(gòu)和比例分布情況，任何一副圖像都有與之唯一對應(yīng)的顏色直方圖。RGB彩色模型三維坐標(biāo)系的每個坐標(biāo)軸分別由R、G、B三基色組成，其中坐標(biāo)軸最小值為0，最大值為255。任何一種顏色都能夠在這個三維坐標(biāo)系中找到自己的位置，坐標(biāo)的原點(diǎn)(0，0，0)表示黑色，而坐標(biāo)(255，255，255)表示白色。計算圖像顏色直方圖的目的是為了獲取顏色概率分布圖像，因此需要顏色量化過程即將顏色空間劃分為若干個小的顏色區(qū)間，每個區(qū)間稱為直方圖的一個直方格bin，然后計算圖片顏色落在每個顏色區(qū)間內(nèi)的像素數(shù)量就可以得到顏色直方圖。計算直方圖的方法可以簡單的描述為：給定一個圖像的m區(qū)間的直方圖，定義圖像的像素位置為和直方圖，同時給定一個表示像素的直方圖索引為的函數(shù)，因此直方圖可以用下式計算： (3-1)其中將直方圖區(qū)間的值量化到二維概率分布圖像的離散像素范圍內(nèi)可以用下式計算： (3-2)即直方圖區(qū)間的值從量化到新的范圍[0,255]內(nèi)。3.1.2基于顏色和紋理特征的MeanShift跟蹤算法顏色是一種有效的視覺特征，它對目標(biāo)的旋轉(zhuǎn)、物體的遮擋及非剛體變換都比較魯棒，但是它容易受到光照變化及相似背景顏色的干擾。因此基于單一特征的跟蹤算法很難適應(yīng)環(huán)境的變化，而多特征聯(lián)合起來可以有效的互補(bǔ)克服單一線索的缺陷。本文采用基于顏色和紋理特征的MeanShift跟蹤算法，在對運(yùn)動目標(biāo)進(jìn)行顏色特征匹配之后，進(jìn)一步進(jìn)行LBP紋理統(tǒng)計特征匹配，有效的提高了匹配效率，避免基于單一顏色特征的MeanShift跟蹤算法易受到光照變化及相似背景顏色干擾的缺點(diǎn)。用于跟蹤的MeanShift算法是一種半自動跟蹤算法.在跟蹤序列的初始幀，通過人工或其他識別算法確定目標(biāo)窗并構(gòu)建目標(biāo)模型；然后，在序列第N幀對應(yīng)位置計算候選目標(biāo)模型；比較兩個模型的相似度，以相似度最大化為原則移動跟蹤窗，從而定位目標(biāo)的真實位置。 (3-3)目標(biāo)定位問題轉(zhuǎn)化為最大化相似度函數(shù)的問題，以前一幀的搜索窗中心為起始點(diǎn)，將在附近Taylor展開，取前兩項。即：因此要使得向最大值迭代，只要Y的搜索方向與梯度方向一致即可，通過求導(dǎo)可得到的梯度方向。從而可以推導(dǎo)出MeanShift向量：(3-4)其中，是目標(biāo)的新中心坐標(biāo)；，是函數(shù)的影子核。通過反復(fù)迭代，當(dāng)Mean-Shift向量，的模值小于給定常量時，則認(rèn)為完成了目標(biāo)定位。3.2基于顏色特征的粒子濾波跟蹤算法粒子濾波是蒙特卡羅方法和貝葉斯估計理論結(jié)合的產(chǎn)物，它通過非參數(shù)化的蒙特卡羅模擬方法從時域?qū)崿F(xiàn)遞推貝葉斯估計。粒子濾波算法其思想是利用一系列隨機(jī)抽取的樣本以及樣本的權(quán)重來計算狀態(tài)的后驗概率密度。從而實現(xiàn)目標(biāo)的跟蹤。粒子濾波算法通過狀態(tài)-空間模型中不斷演化的具有權(quán)值的粒子來估計目標(biāo)狀態(tài)，不用滿足系統(tǒng)為線性、噪聲高斯分布，適用于任何能用狀態(tài)空間模型表示的非線性系統(tǒng),但是基本的粒子濾波算法會出現(xiàn)粒子退化現(xiàn)象，使跟蹤的精確性大大降低。3.2.1貝葉斯重要性采樣在粒子濾波算法中，重要性采樣是一個重要環(huán)節(jié)。它解決的問題是在隨機(jī)變量難以采樣的情況下，求取隨機(jī)變量的數(shù)學(xué)期望值。由前面討論可知，后驗概率密度可由一組采樣加權(quán)的粒子來近似，但是在實際情況中，后驗概率密度是未知的，所以不能直接對后驗概率密度采樣獲得粒子。要解決這個問題的常見做法是對一個容易獲得的建議分布進(jìn)行采樣，于是期望的計算可以轉(zhuǎn)化為：(3-5)其中為重要性權(quán)值，計算公式如下：(3-6)將代入式(3-5)中可得：(3-7)其中，表示根據(jù)建議分布獲得的期望，因此期望可以近似表示為：(3-8)式中，表示從中獲得的獨(dú)立隨機(jī)樣本，表示標(biāo)準(zhǔn)化權(quán)值，即(3-9)3.2.2序列重要性采樣為了序貫估計后驗分布，建議分布的表達(dá)式重新寫為： (3-10)假設(shè)狀態(tài)變量與觀測變量相互獨(dú)立，且遵循一階馬爾科夫過程，則： (3-11) (3-12)重要性權(quán)值的遞推公式可以表示為： (3-13)上式表明，只要選擇合適的建議分布獲取采樣粒子，就可以遞推計算粒子重要性權(quán)值。理想的建議分布選擇應(yīng)該使得重要性權(quán)值的方差最小，在實際情況中，通常建議取建議分布為狀態(tài)先驗分布，即： (3-14)將式(3-14)代入式(3-13)中，重要性權(quán)值的遞推公式可以簡化為： (3-15)上式表明，采用狀態(tài)先驗先驗分布作為建議分布，重要性權(quán)值正比于似然函數(shù)。3.2.3粒子退化現(xiàn)象和重采樣序貫重要性采樣最大的問題就是粒子退化現(xiàn)象，退化現(xiàn)象是指經(jīng)過若干次的遞推之后，少數(shù)粒子會具有較大的權(quán)值，而其它的粒子的權(quán)值都變得很小，以此類推，大量的計算量就會浪費(fèi)在這些權(quán)值較小的粒子上，相應(yīng)的粒子權(quán)值方差會隨著時間的推移不斷增大，那么此時的粒子集就無法準(zhǔn)確地對后驗概率分布進(jìn)行描述。為了避免這個問題，最常用的做法是重采樣。重采樣的核心思想是在重要性采樣的基礎(chǔ)之上，加入重采樣，以淘汰權(quán)值較小的粒子，而集中于權(quán)值較大的粒子。粒子的退化程度可以用有效粒子數(shù)來度量，有效粒子數(shù)可以用下式近似估計得到： (3-16)目前比較常用的判斷準(zhǔn)則是給定閾值，一般設(shè)為，若<，則進(jìn)行粒子重采樣，否則不進(jìn)行重采樣。重采樣的算法一般可以描述為從近似描述分布的粒子集中重新抽樣次，以產(chǎn)生新的粒子集，并且把粒子的權(quán)重全部重新設(shè)為。3.2.4基本粒子濾波算法通過對以上基礎(chǔ)知識的了解，基本粒子濾波算法一般包含初始化、狀態(tài)轉(zhuǎn)移、系統(tǒng)觀測、狀態(tài)估計及重采樣五個步驟，具體步驟如下：（1）初始化：t=0，根據(jù)先驗分布，采樣初始粒子集；（2）重要性采樣：時，進(jìn)行重要性采樣，從建議分布采樣，；（3）重要性加權(quán)：1）更新粒子權(quán)值；2）對權(quán)值進(jìn)行歸一化處理；3）狀態(tài)估計：；（4）重采樣：如果，則進(jìn)行重采樣產(chǎn)生新的粒子集；，返回步驟（2）。4流程圖4.1MeanShift跟蹤算法流程圖圖4.1MeanShift跟蹤算法系統(tǒng)框圖4.2粒子濾波跟蹤算法流程圖圖4.2粒子濾波跟蹤算法系統(tǒng)框圖5實驗結(jié)果及分析討論5.1基于MeanShift的跟蹤算法仿真結(jié)果本節(jié)分別給出基于顏色特征的MeanShift跟蹤算法以及基于顏色和紋理特征的MeanShift跟蹤算法的實驗結(jié)果。通過自拍室外視頻對不同算法在相似背景干擾的情況下進(jìn)行測試，視頻的大小為1280720,視頻長度為223幀，幀速率為25fps，以頻中運(yùn)動的人為跟蹤目標(biāo)，實驗結(jié)果如圖5-1、圖5-2所示。圖5-1基于顏色特征的MeanShift跟蹤算法的實驗結(jié)果圖5-2基于顏色和紋理特征的MeanShift跟蹤算法的實驗結(jié)果由實驗結(jié)果可以看出，在背景顏色與人物顏色相似的情況下，基于顏色特征的MeanShift跟蹤算法發(fā)生了較大偏差，無法準(zhǔn)確地跟蹤目標(biāo)；而基于顏色和紋理特征的MeanShift跟蹤算法，由于加入了紋理特征，跟蹤性能較為穩(wěn)定，出現(xiàn)的偏差較小，能準(zhǔn)確的跟蹤目標(biāo)。5.2基于顏色特征的粒子濾波算法仿真結(jié)果為驗證基于顏色特征的粒子濾波算法有效性，這里對室內(nèi)運(yùn)動的目標(biāo)進(jìn)行跟蹤仿真實驗。視頻的大小為320240，視頻長度為132幀，幀速率為15fps。待跟蹤的運(yùn)動目標(biāo)的參考目標(biāo)模型是在視頻序列幀中第一幀手動選定，粒子濾波算法的粒子數(shù)N為150個從實驗結(jié)果可以看出，與背景顏色反差較大的跟蹤目標(biāo)在運(yùn)動過程中出現(xiàn)物體遮擋的情況下，基于顏色的粒子濾波算法仍然可以進(jìn)行準(zhǔn)確的跟蹤，因此本算法對遮擋情況下目標(biāo)的跟蹤有很好的適應(yīng)性。圖5-3基于顏色特征的粒子濾波算法實驗結(jié)果6思考題1、目標(biāo)特征除了采用顏色和紋理特征還可以采用那些特征？對于一些形狀特殊的物體，例如坦克，可以用邊緣特征。2、對于目標(biāo)相似背景干擾嚴(yán)重，應(yīng)采取什么措施？增強(qiáng)對顏色的分辨功能，盡可能的區(qū)分差別較小的顏色。3、粒子數(shù)不同對實驗結(jié)果有什么影響。粒子數(shù)減少會減少占用內(nèi)存，增快實驗運(yùn)行速度。粒子數(shù)減少可能就會對背景要求較高，背景干擾嚴(yán)重時，不能準(zhǔn)確的識別運(yùn)動物體。4、目標(biāo)外觀變化或遮擋較嚴(yán)重時考慮采用多種算法結(jié)合的目標(biāo)跟蹤。7課程設(shè)計總結(jié)8參考文獻(xiàn)馬曉路,劉倩,牟海軍.基于MeanShift和粒子濾波的運(yùn)動目標(biāo)跟蹤[J].微型機(jī)與應(yīng)用,2012,