基于图像运动区域的跟踪算法.doc

其中，A( u)表示集合Pi中的顶点u所代表的区域的面积，Si(u )表示与顶点U相连的全部顶点所代表的运动区域的面积之和。
计算各个子图的C(Gi)值，取函数值最小的子图来描述了相邻两帧图像的运动区域之间的关系，并以此计算区域的运动速度。
3.
在此以Ri中的顶点v对应区域为例计算区域运动速度
若v在前一帧只有唯一相关区域u，则有：
基于图像运动区域的目标跟踪
摘要
本文提出一种基于图像运动区域的目标跟踪算法：采用背景减除法提取目标区域，通过计算相邻帧运动位置的变化来实现区域跟踪；建立目标模型，通过分析“区域——目标”关系并结合区域跟踪结果来判定遮挡；采用Kalman滤波器预测目标在当前帧的位置，并更新模型，进行自回归运算和计算最佳匹配制止，从而实现目标跟踪。实验证明，该算法在对遮挡目标的跟踪有较好的鲁棒性。
解决遮挡的区域跟踪算法
1
本算法在区域跟踪基础上，结合遮挡判断和处理，可以实现部分遮挡情况下的连续正常跟踪。算法流程如下图所示：
图3区域跟踪算法框架
将获得的视频经过背景减除和区域检测得到运动区域。利用位置关系进行区域跟踪，并结合“区域——目标”关系判断车辆的行为关系，获得车辆模型的初始轮廓，采用卡尔曼滤波器预测车辆在当前帧的位置作为模型的初始位置，在此基础上进行自适应轮廓调整，将调整后的结果反馈到滤波器修正参数，进行下一次跟踪和计算最佳匹配位置。
Key words:patternreorganization, motion region, occlusion tracking, Kalman filter
引言
目标跟踪是指通过物体的边缘、局部运动以及强度（对比度、亮度等）的变化信息来对物体进行跟踪，它作为计算机视觉研究领域的核心课题之一，融合了图像处理、模式识别、人工智能、自动控制以及计算机应用等领域的先进技术，并在军事视觉制导、机器人视觉导航、安全检测、交通流量监测、医疗诊断以及气象分析等方面有广泛应用。
3 )第i -1帧上的运动区域R1只与车辆C1对应，区域R2只与车辆C2对应，R1、R2在第i帧上合并为区域r1，如图5(c)所示，判定C1、C2在当前帧发生遮挡，并以各自在前一帧对应区域R1、R2的大小作为当前帧车辆模型初始大小，以r1速度作为模型速度。
4）两辆车C1、C2在第i-1帧对应与同一个运动区域R1，而R1在第i帧上分解为两个运动区域r1，r2，如图5(d)所示，则判定此两辆车由遮挡分离，并在确定当前帧区域与车辆的对应关系后，以当前区域大小初始化车辆模型大小和速度。
在t0时刻，用x均值向量初始化 ，并求P0。
在tk时刻，系统状态预测方程为：
其中：
是增益系数矩阵。
根据Kalman滤波原理则知，对图像中运动目标跟踪时，在已知图像运动方向和速度的前提下，如果预测出运动目标在下一幅图像中的位置，则可以在下一幅图像跟踪中滤出已经出现的历史位置和不可能出现的位置，预测出运动目标可能出现的位置。
图5车辆行为分析
1 )若第i-1帧上的运动区域R1和第i帧上的区域r1为一对一的关系，并且只与车辆C1对应，如图5 (a)所示，则判定车辆C1正常行驶，未发生遮挡，以r1的大小和速度作为模型的初始大小和速度。
2 )若第i-1帧上只与某一辆车C1对应的一个运动区域R1在第i帧上分解为2个运动区域r1，r2，如图5 ( 6 )所示，则判定当前帧上的这两个区域r1，r2共同组成了车辆C1，并以它们的外接框大小作为车辆模型的初始大小，速度与R1的速度相同。
基于活动轮廓[5,6]
与运动目标匹配，自适应调整轮廓以实现跟踪
基于区域[7.8,9]
背景剪除获取运动像素及区域，利用区域关系跟踪目标
实际视频监控图像中，由于背景的复杂性，常常被检出多个运动区域。并且遮挡问题一直是准确跟踪运动目标的难题。若单一采用已有的区域跟踪算法，可能引起运动区域合并，导致遮挡下跟踪的高误检率。
(4)
则认为u与v相关，连接二者作为Gi的边，否则认为二者无关。
图2计算区域关系
在实际车辆视频监控中，发现区域分开再合并的概率是很小的，在区域关系图上反应即为Gi每条边所连接的两个顶点度数至多只有一个大于2。但由于噪声等干扰的存在，可能会造成干扰边，妨碍正常跟踪的实现。
因此会删去Gi中不符合条件的边，但将产生多个不同子图。为在其中寻找与实际情况最符合的子图，定义匹配函数C(Gi)。将图中所有顶点分为“父顶点”和“子顶点”二类，其中父顶点包括所有度数大于1和度数等于0的顶点以及Ri中所有度数等于1的顶点。设父顶点集合为Pi，有：
2. Kalman
Kalman滤波器算法主要包含状态和观测方程，分别如下：
状态方程：
观测方程：
其中 是系统状态的 维状态向量；Yk是观测到的系统状态的m×1维向量； 是状态转移矩阵n×n维，从 时刻到 时刻；Hk是 时刻观测矩阵， 维； 是tk-1时刻状态的随机干扰(白噪声)的随机向量，n×1维；Vk是tk时刻的观测噪声向量， 维。此时设动态噪声Wk和观测噪声Vk为两两互不相关的零均值的正态白噪声序列。若令Qk和Rk为动态噪声Wk和观测噪声Vk的协方差矩阵：
关键词：模式识别运动区域遮挡跟踪Kalman滤波
Abstract
This paper presents a region-based image motion tracking algorithm: extraction of the target area background subtraction method, by calculating the change in the location of the adjacent frame motion to achieve the regional track; a target model, by analyzing the "area - target" relationship combined with regional track results to determine the block; goal prediction by Kalman filter position in the current frame and update the model, were calculated from the regression calculation and the best match to stop in order to achieve target tracking. Experimental results show that the algorithm is tracking a target on the block is robust.
针对以上问题，本文在运动目标区域跟踪的基础上引入Kalman滤波进行位置预测。并结合自适应轮廓调整方法，提出了一种基于图像运动区域的目标跟踪算法，来实现遮挡情况下的车辆跟踪。
运动区域跟踪原理
1
由于动态场景光照和背景的不稳定性，需要适时刷新区域，因此我们采用自适应背景减除法[1]准确提取当前帧运动像素。
若根据 去估计xk称为Kalman滤波，若根据 去估计xk-1则称为Kalman预测或外推。n通过Kalman滤波来更新系统当前状态xk，通过Kalman预测来估计系统未来状态xk-1。
由于系统已确定，则 和Hk已知，则Wk-1和Vk满足一定假设，也已知。设 是 的协方差阵， 是xk和 的误差协方差阵。得到Kalman滤波器算法的计算公式如下：
图1区域的四种行为变化
c图描述的是相邻帧上运动区域之间的关系，称为无相二部图 ，其中 ，Ri-1和Ri分别是第i-1和第i帧上的运动区域在 中所对应顶点的集合，Ei是Gi中所有边的集合， 的每个顶点代表一个运动区域，每条边代表相邻帧运动区域之间的关联关系。
如图2所示，设Ru、Rv之间重叠面积为S(u,v)，若其满足下式：
设In(x)、Bn(x)分别为t=n时刻像素x的亮度值和背景值，通过二者的差分预算判断x是否代表跟踪的目标，并实时更新背景和判决阈值Tn(x)。
(1)
若(1)式成立，则判定x为像素点，该点的背景及判决阈值保持不变：
(2)
若(1)式不成立，则判定x为静止点，更新背景及判决阈值：
(3)
其中 为常量，表示背景和判决阈值的更新速度。对减除背景后获得图像二值化后，利用数学形态学方法进行噪声滤波，去除孤立点，再采用区域生长方法得到所有独立变化的运动区域。
作为目标跟踪的特例，运动车辆图像跟踪是实现车牌识别、车辆计数、交通流等级划分以及控制的必要前提，是高速公路智能视频监控的核心模块。
常见的车辆跟踪基本算法由下表所示：
常用跟踪算法
特点
基于模型[2]
重建场景和车辆模型，事先很难对所有可能出现车辆建模
基于特征[3,4]
以特征代替目标整体，提取典型特征，计算复杂
1 )边框有效像素比条件
移动矩形某一条边后，若此边上的运动像素数量占矩形条像素数量的比例超出设定的
阈值范围，则判定此次移动无效。
2 )像素占空比条件
在每次移动矩形边位置后，必须计算变化后的运动像素在矩形框内的总占空比，如果占空比超出了设定的阈值范围，则判定此次移动无效。
3
由式(7)的车辆模型建立Kalman滤波器方程：
(8)
其中，Xt-1,t-1是上一状态最优的结果，Xt,t-1是利用上一状态进行预测的结果。F是状态转移矩阵，Pt-1,t-1和Pt,t-1分别是状态Xt-1,t-1和Xt,t-1的误差协方差矩阵。Q是预测误差的协方差。
得到了当前状态的预测值后，需要寻找当前状态的测量值，才能结合预测值和测量值进行状态修正和回归预测。
图4区域——目标关系的建立
通过区域跟踪结果Gi( Vi,Ei)，可以确定车辆在前一帧上的运动区域对应在当前帧上的关联区域，进而得到当前帧上的“区域——车辆”关系。
2
由于车辆似乎刚体，使得“区域——车辆”关系相对稳定。车辆在前后两帧对应运动区域变化反映了车辆当前行为关系。如下图准则判断车辆行为来确定车辆模型初始轮廓。