一種改進的模板更新策略

一種改進的模板更新策略

0基于kalman濾波器的目標跟蹤目標圖像的匹配跟蹤是一個相對復雜的問題。假設目標圖像的噪聲之間存在較大的相關性。因此，可以通過目標區(qū)域的圖像模型和場景圖像區(qū)域的相似性測量來確定最合適的目標區(qū)域。實際應用中由于目標姿態(tài)、環(huán)境照度的變化,或者發(fā)生遮擋,都可能導致錯誤跟蹤,此時,更新模板將導致跟蹤失敗。理想的基于模板匹配的跟蹤算法需解決兩個問題:(1)能夠合理地更新模板,以適應目標形態(tài)的變化;(2)能夠檢測到目標被遮擋以及當遮擋發(fā)生時,制定合適的模板修正策略繼續(xù)跟蹤,并且在退出遮擋時重新捕獲目標。在匹配跟蹤算法中,模板是目標圖像形態(tài)的一個記憶,是維持連續(xù)跟蹤的紐帶。由于跟蹤過程中,目標圖像的變化是必然的,模板更新和修正也是必須的,更新和修正的方法是圖像匹配跟蹤的關鍵。模板修正方法通常有三種,第一種方法是以目標第一次出現(xiàn)時的圖像形態(tài)作為模板,并且在以后的跟蹤過程中保持不變。這種方法記住的是目標的初始形態(tài),不能適應環(huán)境照度和目標形態(tài)的變化,在長時間跟蹤過程中不穩(wěn)定。第二種方法是以當前最佳匹配子區(qū)圖像作為模板,而拋棄目標以往的所有信息,這樣會因為遮擋的發(fā)生或是匹配誤差的累積,造成跟蹤的漂移甚至失敗。第三種方法是利用目標以往的所有形態(tài)來構造當前模板,一般使用權值綜合上一幀模板和當前最佳匹配子區(qū)圖像來修正模板。這種方法是前面兩種方法的折衷,但由于沒有檢測跟蹤過程中出現(xiàn)的目標圖像變化,會將干擾因素引入到模板圖像中去,降低了跟蹤的精度和可靠性。如何尋找更好的模板更新方法是圖像匹配跟蹤必須解決的關鍵技術之一。與圖像跟蹤相關的文獻中,有許多介紹Kalman濾波器在目標跟蹤系統(tǒng)中的應用,通常都是利用Kalman濾波器對目標圖像跟蹤位置的測量值等信息進行處理,得到一個更精確的位置和速度輸出結果,它們僅僅用于對目標軌跡的平滑。將Kalman濾波器應用在對圖像模板的更新上,是該濾波器的一個新的應用方向。該方法對遮擋魯棒,同時能夠適應目標姿態(tài)和光照的變化。1基于kalman濾波器模型更新方法1.1u3000kalman濾波器以往的模板更新方法,均是將模板圖像看作一個整體,即無論對模板圖像進行什么操作,該操作都同等程度作用于模板中的每一個像素。但是在目標跟蹤過程中,模板圖像中部分像素的變化是比較緩慢而且有規(guī)律的,而部分像素是突變的,比如噪聲或者光照的變化、遮擋的發(fā)生等。在這些情況下,如果依然將模板圖像作為整體一視同仁地修正,勢必會出現(xiàn)錯誤。使用Kalman濾波器進行模板更新,最大的特點是將模板圖像中的每一個像素作為獨立的個體進行修正,每個像素依據(jù)自身的性質進行修正的幅度都不一樣,如此得到的自適應和最優(yōu)的模板圖像,最終能夠在序列圖像中準確匹配目標。用I(x,t)表示圖像區(qū)域像素點x在t時刻的灰度值,用g(p,t)表示模板內像素點p在t時刻的灰度值,實際使用的是該像素點灰度的估計值?gg?(p,t),而在進行模板匹配得到I(x,t)時使用的是?g(p,t′)?t′=t-1g?(p,t′)?t′=t?1。假設不同像素點p的灰度值g(p,t)之間是彼此獨立的,使用一個獨立的濾波器跟蹤每一個像素點的灰度。用下面的方式描述濾波器使用的預測值和測量值:預測值g(p,t)=g(p,t-1)+εw(p,t-1)(1)測量值I(x,t)=g(p,t)+εI(p,t)(2)式中εw(p,t-1)表示系統(tǒng)噪聲,該噪聲隨著環(huán)境照度和目標姿態(tài)的變化而變化。通常假設εw(p,t-1)是高斯噪聲,而且對于模板中的每一個像素點p有相同的方差σ2w。εI(p,t)表示圖像信號的噪聲,稱為測量噪聲;同樣假設εI(p,t)為標準高斯噪聲,對于每個像素點具有相同的σ2Ι2I。下面從公式(1)、公式(2)推導Kalman濾波器進行模板更新的方程。?gg?(p,t′)表示g(p,t)在時刻t的預測值,?gg?(p,t)表示濾波后g(p,t)的估計值。?σσ?2g(t′)、?σσ?2g2g(t)分別表示?gg?(p,t′)和?gg?(p,t)的方差,它們之間存在下面的對應關系:?g(p,t′)=?g(p,t-1)(3)[ΗS1*3]?σ2g(t′)=?σ2g(t-1)+σ2w(4)g?(p,t′)=g?(p,t?1)(3)[HS1*3]σ?2g(t′)=σ?2g(t?1)+σ2w(4)用r(p,t)表示每個像素點的預測值和測量值之間的差:r(p,t)=Ι(x,t)-?g(p,t′)(5)r(p,t)=I(x,t)?g?(p,t′)(5)模板中每個像素點的灰度值按下面的公式進行更新:?g(p,t)=?g(p,t′)+?σ2g(t′)?σ2g(t′)+σ2Ιr(p,t)?σ2g(t)=?σ2g(t′)σ2Ι?σ2g(t′)+σ2Ι(6)g?(p,t)=g?(p,t′)+σ?2g(t′)σ?2g(t′)+σ2Ir(p,t)σ?2g(t)=σ?2g(t′)σ2Iσ?2g(t′)+σ2I(6)1.2局外點的判斷當公式(1)和公式(2)中的噪聲為高斯噪聲時,公式(6)將產生g(p,t)的最優(yōu)估計。但是實際情況是,當遮擋或者使用的運動模型較簡單時,公式(2)中的測量誤差將會導致噪聲模型和標準高斯模型之間有很大偏差。為了使Kalman濾波器依然能夠得到最優(yōu)的更新模板,應該剔除這些噪聲點或是被遮擋點的影響,這些點通稱為局外點。判斷是否為局外點,需要下面這個重要參數(shù)ˉrrˉ?！rˉ表示r(p,t)的標準偏差的估計。用R表示模板區(qū)域,R′表示R中不含局外點的部分,N′表示R′中的像素點個數(shù)。取連續(xù)K幀的r2(t)平均得到:ˉr2=1kt∑i=t-Κ+1r2(t)(7)rˉ2=1k∑i=t?K+1tr2(t)(7)式中r2(t)=1Ν′∑p∈R′r2(p,t)r2(t)=1N′∑p∈R′r2(p,t)。當某個像素點灰度的預測值與測量值的差r(p,t)大于ˉrrˉ的一定倍數(shù)時,認為它是局外點,對該點的灰度值g(p,t)不進行更新。同時為了避免某些點長時間不更新,對每個像素點引入一個計數(shù)器n(p),表示該像素點連續(xù)被認為是局外點的次數(shù),當n(p)超過上限nmax時,就強制進行更新,即將I(x,t)的值賦于g(p,t)。這樣,該改進的Kalman濾波器模板更新方法對部分遮擋魯棒。1.3環(huán)境參數(shù)估計的影響在Kalman濾波器的參數(shù)中,系統(tǒng)噪聲σ2w和測量噪聲σ2Ι2I是最關鍵的兩個。實際應用中,它們既不穩(wěn)定也很難獲取。但是如果知道其中一個,通過比較ˉrrˉ2和r(p,t),就可以求出另一個,而且通過調整一個參數(shù)通常已經能夠滿足由環(huán)境照度和目標姿態(tài)變化所帶來的影響。先設定σ2Ι2I、σ2w2w和σ2g2g的初始值:σ2Ι=0.5r2(1)σ2w(0)=0σ2g(0)=0.5r2(1)(8)σ2I=0.5r2(1)σ2w(0)=0σ2g(0)=0.5r2(1)(8)假設σ2Ι2I已知,由公式(5)得到:ˉr2=σ2Ι+?σ2g(t′)(9)rˉ2=σ2I+σ?2g(t′)(9)將公式(4)代入上式,得:ˉr2=σ2Ι+?σ2g(t-1)+σ2w(10)rˉ2=σ2I+σ?2g(t?1)+σ2w(10)顯而易見,有:σ2w=ˉr2-σ2Ι-σ2g(t-1)(11)σ2w=rˉ2?σ2I?σ2g(t?1)(11)通過公式(8)和公式(11),就可以自動設定在Kalman濾波器中使用的噪聲參數(shù)了。2目標跟蹤及跟蹤模板更新是為了使匹配更加準確以達到更精確的跟蹤效果。匹配誤差評價函數(shù)對匹配精度起決定性的作用。傳統(tǒng)的誤差評價方式,比如均方差評價函數(shù)、絕對差累加和等都很容易受到極個別大誤差點的影響,而不能有效考慮整體情況;為了降低個別大誤差點的影響,必須考慮在映射函數(shù)上進行抑制。本文使用Huber′s函數(shù):ρ(e)={e2/2如果|e|＜cc(|e|-c/2)其他(12)ρ(e)={e2/2如果|e|＜cc(|e|?c/2)其他(12)式中e=Ι(x,t)-?g(p,t′)ˉre=I(x,t)?g?(p,t′)rˉ;c=1.345。根據(jù)局外點在整個模板像素中所占據(jù)的比例fr來判斷是否發(fā)生遮擋,以及發(fā)生了多大范圍的遮擋,以決定此時的跟蹤策略:fr=Ν-Ν′Ν(13)考慮如下三種情況:(1)當fr<γ1,通常開始跟蹤目標時,目標圖像比較清晰,沒有遮擋,屬于正常跟蹤狀態(tài)。這時使用Kalman濾波器更新模板,用模板匹配的方法尋找最佳匹配位置,跟蹤目標。(2)當γ1≤fr<γ2,一旦fr≥γ1,認為開始發(fā)生遮擋,但此時還處于局部遮擋狀態(tài),依然可以使用對部分遮擋魯棒的模板匹配方法跟蹤目標,只是不再進行模板更新;隨著遮擋逐漸加強,fr的值也越來越大。(3)當fr≥γ2,認為發(fā)生了大面積甚至是全部遮擋,這時已經無法再進行模板匹配,采用軌跡外推的方法估計目標可能出現(xiàn)的位置,并且在該位置時搜索目標,監(jiān)測fr的值;當遮擋逐漸減弱,fr逐漸變小,低于門限γ2時,認為目標再次出現(xiàn)了,此時又轉到局部遮擋的跟蹤情況,最后遮擋完全消失,恢復模板更新,進入正常跟蹤狀態(tài)。根據(jù)實際應用場景,γ1、γ2的取值要作適當?shù)恼{整;而且對于不同大小的目標模板,也需要不同的γ1、γ2值。將其設置為自適應的,使其隨模板大小的變化而變化。3改進的匹配跟蹤算法基于Kalman濾波