基于水平集运动目标检测与跟踪方法.docx
- 文档编号:28941844
- 上传时间:2023-07-20
- 格式:DOCX
- 页数:11
- 大小:295.37KB
基于水平集运动目标检测与跟踪方法.docx
《基于水平集运动目标检测与跟踪方法.docx》由会员分享,可在线阅读,更多相关《基于水平集运动目标检测与跟踪方法.docx(11页珍藏版)》请在冰豆网上搜索。
基于水平集运动目标检测与跟踪方法
收稿日期:
2010-09-21
基金项目:
国家自然科学基金资助项目(60874103;辽宁省教育厅资助项目(L2010202.
作者简介:
徐杨(1981-,女,辽宁鞍山人,东北大学博士研究生,辽宁科技大学讲师;吴成东(1960-,男,辽宁沈阳人,东北大
学教授,博士生导师.
第32卷第11期2011年11月东北大学学报(自然科学版JournalofNortheasternUniversity(NaturalScienceVol.32,No.11Nov.2011
基于水平集运动目标检测与跟踪方法
徐杨1
吴成东1
陈东岳1
赵骥
2
(1.东北大学信息科学与工程学院,辽宁沈阳110819;2.辽宁科技大学软件学院,辽宁鞍山114051
摘要:
针对目前常采用的运动分析检测方法存在的缺点,提出了基于水平集理论的测地线活动轮廓模型与背景差分相结合的运动目标检测方法.该方法使水平集函数免重新初始化,大大减少了曲线演化迭代的次数和运行时间,得到准确的运动目标轮廓.通过与粒子滤波和meanshift跟踪方法的比较,最终采用效率最高、最优的Kalman滤波预测物体的运动轨迹.实验结果表明,该方法对刚性和非刚性两类目标都具有较好的检测与跟踪效果.
关键词:
运动检测;目标跟踪;水平集;Kalman滤波;测地线活动轮廓
中图分类号:
TP391.41文献标志码:
A文章编号:
1005-3026(201111-1534-04
MovingObjectDetectionandTrackingUsingLevelSet
XUYang1,WUCheng-dong1,CHENDong-yue1,ZHAOJi2
(1.SchoolofInformationScience&Engineering,NortheasternUniversity,Shenyang110819,China;2.SchoolofSoftware,UniversityofScienceandTechnologyLiaoning,Anshan114051,China.Correspondingauthor:
XUYang,E-mail:
xuyang-1981@
Abstract:
Accordingtothedisadvantagesofthemovingdetectionmethodswhichwereusedcommouly,themovingobjectdetectionmethodofcombinationofgeodesicsactivecontourmodelandbackgroundsubtractionbasedontheprincipleoflevelsetproposed.Thelevelsetfunctionisusedintheimprovedmethodwithoutre-initialization,thenumberofiterationinthecurveevolutionandtheexecutiontimearesignificantlyreduced,theexactmovingobjectcontourisobtained.Throughcomparisonwiththeparticlefilteringandmeanshifttrackingmethods,finallythehighestefficiencyandoptimalKalmanfilteringwasusedtopredictthemovingtrajectoryofobjects.Experimentalresultsshowedthatthemethodhasbetterdetectionandtrackingeffectonthetwokindsofrigidandnon-rigidobjects.
Keywords:
motiondetection;objecttracking;levelset;Kalmanfiltering;GAC(geodesicactivecontours
视频序列中的运动目标检测和跟踪一直是计算机视觉研究领域中的难点和热点,在视频监控、视频编码、机器人等方面有着重要作用.目标检测得到的是最底层的信息,检测结果直接影响后续处理如目标跟踪、目标分类、目标行为分析的鲁棒性.
归纳出目标检测的常用方法可以分为两类:
一类以时序属性为检测依据,它是根据视频的时序属性来检测运动目标,主要有背景差法、帧差法、光流法[1],这些算法实时性好,但存在目标分
割不完整等缺点;另一类以空间属性为检测依据,它是根据图像的区域或是边缘信息来检测运动目标,主要有活动轮廓模型方法.测地线活动轮廓模型是基于边缘的图像分割方法,算法简单,计算量
小,在局部图像处理中能够实时有效地分割目标.
本文采用的是基于水平集理论的测地线活动轮廓GAC(geodesicactivecontours矢量模型
[2-3]
与背景差分相结合的运动目标检测方法,实现在摄像机静止条件下实际环境监控中刚体或非刚体运动目标检测.然后以初始轮廓作为曲线演变的
初值,使用改进的变分GAC矢量模型对曲线迭代,得到准确的运动目标轮廓.通过与其他跟踪方法对比分析,本文采用Kalman滤波对目标进行跟踪.
1基于背景差的目标初始轮廓检测
水平集初始轮廓的选择十分重要,合理的初值可以大大提高水平集演化至收敛的速度.初始轮廓提取包括:
背景生成与更新和前景提取.
1混合高斯背景建模.混合高斯分布模型是常用的一种模型,已经被广泛应用于各种复杂的场景背景建模中.室外环境经常有摇动的树,飘动的云,完全静止的背景是根本不存在的.高斯混合模型是将每个像素按照多个高斯分布混合建模,以同时处理多种背景变化.混合高斯模型可以利用相对较少的信息获得质量良好的背景.
2初始轮廓提取.首先通过混合高斯模型得到背景图像B,前景图像I减去背景图像,得出差分图像Id.将图像Id转为灰度图像进行中值滤波,然后利用归一化的阈值对图像进行二值处理.得到二值图像后,对其进行形态学的处理,填补空洞,膨胀与腐蚀,开运算和闭运算,最后得到目标的最终初始轮廓.
2基于水平集的运动目标检测
水平集(levelset[4]方法是求解几何曲线演化的一种新颖方法,它是以隐含的方式表达平面闭合曲线,避免了对闭合曲线演化过程的跟踪,将曲线演化转化成求解数值偏微分方程(PDEs-partialdifferentialequations[4-5]的问题.
传统水平集方法中,水平集函数通常取由初始闭合曲线C0生成的符号距离函数SDF,再以水平集等式:
/t+F=0,F为曲线法向方向的演化速度,演化水平集函数.但在演化过程中,水平集函数会逐渐变形,不再保持为SDF,这对计算的稳定性和准确性有很大影响.因此每次更新水平集后,都需要将水平集重新初始化为符号距离函数,这是水平集计算量的重要组成部分.为提高运算速度,本文在文献[6]的基础上引入归一化传导率的非线性热方程约束项到变分GAC矢量模型中,提出了免重新初始化的水平集方法.
2.1测地线活动轮廓矢量模型
CasellesV,KimmelR和SapiaoG于1997年提出了不含自由参数测地线活动轮廓(GAC模
型.
GAC模型的泛函表示如下:
E(C=Cg(Cds+cinsidcCg(x,ydxdy.
(1
引入Heaviside函数,可得变分水平集方法[5]表示
E(u=gH(udxdy+
c1g[1-H(u]
dxdy.(2
GAC模型的梯度下降流表达为
u
t=divg
u
u+cg.(3
其中:
c是常速度系数;g是边缘停止函数;H(z
是Heaviside函数;是所选Heaviside函数的导
数;用以控制函数从0升到1的快慢.
g(z=
1
1+(z/r2
rN;(4
H(z=121+2arctanz;(5
(z=1
2+z2.(6
以上模型只适用于灰度图像的分割,为了将
GAC模型应用于彩色矢量图像的分割,首要解决
的就是矢量图像的边缘表示问题.矢量图像的边
缘停止函数定义为gvector=g(1-2,标量1-
2为矢量图像变化率的量度,在矢量图像的边缘
处1-2达到局部极大值.矢量模型变分水平集
方法的梯度下降流表达为
u
t=divgvector
u
u+cgvector.
(7
2.2改进模型分析
曲线演化过程中由于速度场的自然延拓导致
u在演化过程中不能始终保持为带符号的距离函
数.Li等人[6]提出的免重新初始化方法是在嵌入
函数的能量泛函中增加SDF梯度模值强迫项,并
应用在测地线轮廓模型中,总的能量公式为
E=E+E.(8
其中:
E表示传统GAC模型的能量泛涵;E表
示增加的强迫项,且
E=12(u-12dxdy.(9
E的梯度下降流为
u
t=div1-
1
uu.(10
式(10是一个非线性热方程,其传导率为=(1
-1/u,可见当u>1,推出>0,热
量正向传输,减小,向1
1535
第11期徐杨等:
基于水平集运动目标检测与跟踪方法
<1,推出<0,使u增大,向1趋近.这样在统一的时间步长的情况下,纠偏的效果是不平衡的,会出现欠纠或过纠的情况.本文引入归一化函数L(,如式(11,k表示从-1到+1的变化快慢.
L(=2arctank
.
(11
改进后的曲线演化方程为u
t
={div[L(u]}+divgvector
u
u
+cgvector.
(12
通过引入传导率归一化函数,使非线性热方程的正向和逆向传导率是均匀稳定的,并且都趋近于+1或-1,使u始终被稳定准确的拉向1,保持符号距离函数的特性,最终提高了演化的效率.
3目标跟踪
常用的目标跟踪方法有Mean-shift、粒子滤波、Kalman滤波方法
[7-9]
.Mean-shift算法的优
点是收敛速度快,缺点是计算时需要进行较多的开方和除法运算和均值变换算法,跟踪对象的形状变化,它只能跟踪对象的位置变化.粒子滤波算法的优点是实现了对于非高斯分布的观测概率的描述,缺点在于算法跟踪的精确度依赖于跟踪使用的样本粒子数.在一定的准确率要求下,跟踪对象的状态空间维数和算法的样本数呈指数关系,粒子滤波的计算量很大.Kalman滤波算法在计算速度及存储空间需求上都要表现得更为突出.因此Kalman滤波具有计算量小、实时性好、无偏和最优的特点,对于大部分运动目标跟踪问题,Kalman滤波是效率最高、最优的一种解决方案.所以本文采用Kalman滤波进行跟踪.
Kalman滤波器状态方程为
Xt=FXt-1+Wt,
观测方程为
Zt=HXt+Vt.
其中:
Xt为t时刻状态向量,Xt是61维向量[X1,X2,S,X1,X2,S]T
分别是目标质心的x,y轴坐标、目标面积及它们在t(相邻帧时间间隔时间内的变化率;Zt为t时刻观测向量(31维;F为状态转移矩阵(66维;H是t时刻观测矩阵(36维;Wt为状态噪声向量(61
维;Vt是观测噪声向量(31维.
预测方程:
X^-t=FX^t-1;P-
t=FPt-1FT+Q.校正方程:
Kt=P-tHT
(HP-t+R
-1,
X^t=X^-t+Kt(Yk-HX^-
t,Pt=(1-KtHP-t.
通过对当前目标的位置预测,估计下一帧物体所处位置,将GAC移动至该位置,然后收敛获取物体轮廓,以实现运动物体的轮廓提取与跟踪.
同时,将收敛后的GAC位置重新传递给Kalman滤波器,更新运动滤波参数,修正误差方阵,以提高Kalman滤波的预测准确性.
4实验结果
4.1运动检测结果
为了验证算法的有效性,在实验中采用实际的交通视频序列进行运动目标检测,其中用来拍摄的摄像机是静止的.视频图像的分辨率是320240,实验中参数=00001,常数速度c=04,时间步长=10.运动检测结果如图1.
图1运动目标检测结果
Fig.1Detectionresultsofmovingobjects(a单个车辆检测;(b两辆车检测;
(c行人检测.
图1a是运用改进的算法对单个车辆的检测结果,图1b是两辆车的检测结果,图1c是对行人的检测结果.图1a,图1b属于刚性物体,图1c属于非刚性物体,可见算法对两者都有较好的效果.4.2目标跟踪结果
图2a,图2b分别表示当粒子数目取为100和200时的粒子滤波算法目标跟踪预测情况,实验表明初始化的粒子数目越多,粒子滤波跟踪算法的目标位置预测越精准,但相应的算法的计算量很大,系统的开销就很大.
采用本文方法根据Kalman滤波对多目标进行跟踪得到的跟踪结果如图3所示.图4为未采用本文水平集方法的跟踪结果,可以看出当车辆存在遮挡时,两辆车被误认为一辆车造成误检测,而采用本文方法能够很好地处理这种情况,实现了跟踪与轮廓提取的自动性.
1536东北大学学报(自然科学版
第32卷
图2粒子滤波跟踪结果
Fig.2Trackingresultsofparticlefiltering(a粒子数N=100;(b粒子数N=200.
图3本文算法车辆跟踪结果
Fig.3Trackingresultsofthealgorithminthe
paper
图4未采用本文水平集方法的跟踪结果
Fig.4Trackingresultswithoutthelevelsetmethod
5结语
本文提出一种新的运动目标检测跟踪方法,能自然地处理运动目标的拓扑形变.首先用高斯混合模型对背景建模,采用背景差法获得运动目标的初始轮廓完成运动目标的粗检测,然后以初始轮廓作为曲线演变的初值,使用改进的变分GAC矢量模型对曲线迭代,得到准确的运动目标轮廓,通过对比分析采用Kalman滤波预测目标下一帧的位置进行跟踪.实验结果证明了该方法的可行性,当背景复杂时,会检测到虚假目标,研究复杂背景下的多运动目标检测和跟踪是今后的研究方向.
参考文献:
[1]
TeddyK.Asurveyonbehavioranalysisinvideosurveillanceforhomelandsecurityapplications[C]Proceedingsof37thIEEEAppliedImageryPatternRecognitionWorkshop.WashingtonDC,2008:
1-8.[2]
ParagiosN,DericheR.Geodesicactivecontoursandlevelsetsforthedetectionandtrackingofmovingobjects[J].PatternAnalysisandMachineIntelligence,2000,22(3:
266-280.[3]
赵璐,于慧敏.基于先验形状信息和水平集方法的车辆检测[J].浙江大学学报:
工学版,2010,44(1:
124-130.(ZhaoLu,YuHu-imin.Vehicledetectionbasedonshape
priorsandlevelset[J].JournalofZhejiangUniversity:
EngineeringScience,2010,44(1:
124-130.
[4]
OsherSJ,SethianJA.Frontspropagationwithcurvaturedependentspeed:
algorithmsbasedonHamilton-Jacobiformulations[J].CompPhys,1988,79:
12-49.
[5]
王大凯,侯榆青,彭进业.图像处理的偏微分方程方法[M].北京:
科学出版社,2008.
(WangDa-kai,HouYu-qing,PengJin-ye.Partialdifferentialequationmethodofimageprocessing[M].Beijing:
SciencePress,2008.
[6]
LiCM,XuCY,GuiCF,etal.Levelsetevolutionwithoutre-initialization:
anewvariationalformulation[C]CVPR05IEEE.SinDiego,2005:
430-436.[7]CollinsRT.Mean-shiftblobtrackingthroughscalespace[C]ProceedingsofIEEEComputerSocietyConferenceonComputerVisionandPatternRecognition.NewYork:
IEEEPress,2003:
234-241.
[8]ArulampalamMS,MaskellS,GordonN,etal.Atutorialonparticlefiltersforonlinenonlinear/non-GaussianBayesiantracking[J].IEEETransactionsonSignalProcessing,2002,50(2:
174-188.
[9]WelchG,BishopG.AnintroductiontotheKalmanfilter,TR95-401[EB/OL].(2006-07-01[2010-09-20].http:
www.cs.unc.edu/~welch/kalman/kalmanIntro.html.
1537
第11期徐杨等:
基于水平集运动目标检测与跟踪方法
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 水平 集运 目标 检测 跟踪 方法