[一种基于单演相位特征的动态目标跟踪方法] 共振的相位特征

　　摘要：颜色作为一个有效的视觉特征，被广泛用于目标跟踪中。但在光照变化环境下，颜色会发生变化，从而导致基于颜色的跟踪算法性能不稳定。单演相位作为包含图像重要信息的特征，具有在光照变化环境下性能稳定的特点。为了提高在光照变换环境下的跟踪稳定性，提出一种基于单演相位的动态目标跟踪方法，首先运用高斯模型更新背景并得到各动态目标，再计算出各动态目标的单演相位直方图，最后和待跟踪目标单演相位直方图模板进行匹配得到Bhattacharyya系数，比较各Bhattacharyya系数确定并跟踪目标。实验结果证明该方法在光照变化环境下具有很好的跟踪鲁棒性。
　　关键词：单演相位；直方图；动态目标；跟踪；光照变化
　　中图分类号：TP37文献标识码：A文章编号：1009-3044(2012)06-1414-06
　　A Method of Tracking Active Object based on Monogenic Phase
　　CONG Yang
　　（Department of Computer Science and Technology, Tongji University, Shanghai 201804,China）
　　Abstract: Color, an available visual character, is widely used to track video object. But in the environment of variant lighting, the color is easy to change, and it makes the tracking method based on color not stable. Monogenic phase as a character including important informa? tion of an image, has the property of brightness invariant. In order to improve the stability of tracking in the environment of variant light? ing, a new method of tracking active video object is proposed in this paper based on monogenic phase. In the proposed method, the Gauss? ian model is implied to update the background and then the active objects can be detected. After that, the phase histogram of every active object is calculated to make a comparison with the monogenic phase histogram of the object being tracked and thus the Bhattacharyya dis? tance is computed to confirm which object is the best match to the video object being tracked. The experimental results demonstrate that the proposed method can achieve robust tracking performances in the environment of variant lighting.
　　Key words: monogenic phase; histogram; active object; tracking; variant lighting
　　随着高性能计算机和视频器材的不断问世以及人类对视频信息自动分析理解要求的日益增长，视觉跟踪近年来逐渐发展成为计算机视觉研究领域中的一个重要的研究课题，并吸引了越来越多的研究者。尽管基于视频的目标跟踪系统在现代社会具有广泛应用，但是在许多复杂多变环境下，跟踪系统都面临巨大挑战，难以保证准确和鲁棒的跟踪效果。其中一个主要的挑战就是光照的动态变化。特别是在室外环境中，由于天气原因和建筑物的遮挡，光照情况随时变化而导致目标和背景的颜色随之变化，使得许多基于色彩的目标跟踪系统失去鲁棒性甚至丢失目标，因此，一个好的目标跟踪系统设计必须充分考虑其抗光照变化的能力。
　　在过去的研究中，也出现了很多相应的方法来解决光照变化环境下目标跟踪的问题。这些方法主要可以分为两大类，一类是基于颜色等与图像亮度相关信息的算法，另一类则基于与亮度变化相独立的特征信息。
　　对于第一类跟踪算法而言，Cascia等人[1]研究了光照变化条件下如何实现头部跟踪的问题。通过收集一系列不同光照条件下的人脸图像，并对这些图像进行分析计算，从而建立了一个正交亮度模板用于跟踪目标。在文献[2]中，清华大学的王路等人提出了一种具有光照鲁棒性的Mean Shift方法，该文结合了颜色和局部二元模式特征来表述目标，改进了原始的Mean Shift方法抗光照变化的性能。刘少华等人在文献[3]中引入了光照模型，提出了新的目标跟踪特征以实现光照变化下的稳定跟踪。由于这些方法用到的图像特征信息都是和颜色亮度相关的，在光照变化情况下，色彩亮度也随着变化，很难建立准确的通用模型，因此这些算法都没有很好的鲁棒性和准确性。
　　另外一类处理光照变化环境下目标跟踪的方法是利用独立于亮度变化的信息，比如图像边缘特征，轮廓等。在文献[4]中，M. Isard等人利用随机产生的数集来表示感兴趣的目标轮廓概率分布，融合经过学习的动态模型和检测的目标信息来传送这个数集以达到跟踪目标轮廓的目的。为提高光照变化和背景混淆下的实时跟踪效果,刘惟锦等人在文献[5]中提出了基于Kalman滤波和边缘直方图特征的实时目标跟踪方法。基于边缘特征和轮廓的目标跟踪算法，由于丢弃了大部分图像的重要信息而仅仅保留了很少量的目标边缘信息，因此跟踪系统缺少鲁棒性。
　　综上所述，尽管有很多相关的研究工作，对于光照变化条件下实现目标鲁棒跟踪的问题，到目前为止，仍然没有很完善的解决 办法。单演相位具有与光照无关的特性，且它包含了图像的绝大部分重要特征信息。因此本文用单演相位作为目标特征，实现了在光照变化环境下的动态目标跟踪。实验证明，该方法对光照变化有很好的鲁棒性和准确性。
　　 1颜色直方图与单演相位直方图
　　颜色直方图是对图像在颜色空间分布的一种简单的非参数密度估计，其描述了图像的全局统计特征，具有旋转及平移不变性，且计算简单快捷，被广泛地作为图像特征用于图像检索及目标跟踪中，但颜色直方图存在边界问题，当两个像素的颜色非常接近时，有可能被分在不同的颜色区间；当两个像素颜色相距较远时，也有可能备份在相同的颜色区间，因此当光照变换时，各像素的颜色可能会发生变化，导致图像的颜色直方图可能会发生剧烈的变化，这就造成了基于颜色的目标跟踪算法易受光照变换影响。
　　本文用单演相位直方图来对目标进行跟踪，单演相位直方图和颜色直方图一样，描述了图像的全局统计特征，具有旋转及平移不变性，且计算简单快捷。同时，单演相位具有光照变换无关性，即在光照变换环境下，各像素的单演相位不会发生明显变化，这就使得基于单演相位直方图的目标跟踪不会受光照变换影响。
　　 2单演相位特征
　　二维解析信号，是由Felsberg[6]提出，它是一维解析信号的一个扩展，原始的二维图像信息通过具有旋转不变性的广义Hilbert变换，以一种非线性的方式被映射到了虚平面。与一维解析信号类似，该模型涵盖了原始图像在实平面和虚平面上的不同信息，因而可以据此提取出相应的单演幅度，单演相位和单演方向特征信息。与其他提取图像相位信息的方法如基于Gabor滤波器[7]的相位计算方法相比，该模型的相位计算不需要对方向进行采样，也不需要根据计算的方向值来调整Hilbert变换。不同于边缘轮廓信息，其中的单演相位特征包含了该图像的绝大部分重要特征信息，仅仅只需要这个单演相位信息就能重新恢复建立原始图像[8-9]。单演相位特征最大的优点是完全独立于亮度信息，不受光照变化的影响，而且该特征量具有旋转不变性同时也具有很好的抗噪声性能。相对前面提到的和亮度相关的图像特征和独立于亮度的边缘轮廓特征而言，单演相位集合了这两种特征的优点，它不仅包含了图像的绝大部分重要信息，并且具有光照不变性。
　　二维解析信号可以提取出三个信息：单演幅度，单演相位和单演方向。在该模型中，二维解析信号用的是RIESZ变换，定义如(1)所示：
　　 3动态目标跟踪方法
　　本文采用的方法是基于单演相位特征的动态目标跟踪方法，即只对动态目标进行跟踪，对于静态背景不做考虑。
　　3.1算法流程
　　当每读入一帧RGB图像时，先利用单分布高斯背景模型更新背景，然后用原图像与更新后的背景图像相减可得到近似的前景图像，它代表着动态目标所在的位置信息，即近似的前景图像里会有若干连通域，而每一个连通域都可以近似地被当成动态目标。
　　得到各个连通域的位置之后，先把原图像变换成灰度图像，然后把各个连通域的位置映射到这幅灰度图像上，依次进行计算相应连通域里的单演相位，并且统计成单演相位直方图。然后和待跟踪的目标的单演相位直方图用巴氏系数进行匹配，最终找到这个待跟踪的目标。
　　对于待跟踪的目标，本文采用的方法是先在原图像上预先设定一个位置，一旦这个位置上的单演相位特征信息发生明显变化，那么说明动态目标已经包含了这个位置，即假设包含这个位置的连通域所代表的动态目标即待跟踪的目标。
　　具体流程图如图2。
　　 4实验与分析
　　为了验证本文方法在光照变化环境下的鲁棒性和准确性，测试了多个视频序列，对基于传统颜色直方图的动态目标跟踪方法和基于单演相位直方图的动态目标跟踪方法进行了比较，测试视频均为实地拍摄的720*576 DVD视频。不过基于方法的实时性考虑，在计算中把它缩放成原先的0.4倍大小，即（720*0.4）*（576*0.4）。在计算颜色直方图和单演相位直方图时，均分成32个区间。在基于传统颜色直方图的动态目标跟踪方法中，在每一帧中，匹配各个动态目标颜色直方图和待跟踪目标颜色直方图得到巴氏系数后，计算出小于0.35的，因为还是有可能有多个动态目标和待跟踪目标特征相近，即有多个动态目标和待跟踪目标匹配颜色直方图得到的巴氏系数小于0.35，然后在其中计算出系数最小的，近似认为它就是待跟踪目标，如果没有小于0.35的，近似认为在这一帧图像中不存在待跟踪目标。同样地在基于单演相位直方图的动态目标跟踪方法中，匹配各个动态目标单演相位直方图和待跟踪目标单演相位直方图得到巴氏系数后，计算出小于0.04的，这些阀值是要根据不同目标进行调整的。
　　图3显示了SINGLE视频序列在基于颜色直方图的动态目标跟踪方法与基于本文提出的单演相位直方图的动态目标跟踪算法的跟踪比较结果。在这段视频序列的试验中，待跟踪目标是在暗处确定的。在第97帧和571帧时，待跟踪目标在暗处，无论是哪种方法都能很好的跟踪到待跟踪目标，但是当在第128帧和525帧时，待跟踪目标在明处，也就是光照比较强的地方，此时待跟踪目标表面颜色发生了变化，在基于颜色直方图的动态目标跟踪方法下，跟丢了待跟踪目标，而在基于本文的单演相位直方图的动态目标跟踪方法下，仍可以跟踪到待跟踪目标。这说明了在只有待跟踪目标的情况下基于单演相位直方图的动态目标跟踪方法在光照变换环境下有很好的鲁棒性和准确性。图4MULTI视频序列跟踪结果
　　(分别为91,190,302,420帧)
　　图4显示了有多个动态目标的MULTI视频序列在基于颜色直方图的动态目标跟踪方法与基于本文提出的单演相位直方图的动态目标跟踪算法的跟踪比较结果。在这段视频序列的试验中，待跟踪目标是在明处确定的。在第91帧时，待跟踪目标在明处，无论是哪种方法都能很好的跟踪到待跟踪目标。在第190帧时，待跟踪目标仍在明处，而又有另一个目标也在明处，不过结果和第91帧是完全一样的，无论是哪种方法都能很好的跟踪到待跟踪目标。在第302帧时，待跟踪目标在暗处，另一个目标也在暗处，这时只有基于本文的单演相位直方图的动态目标跟踪算法下能很好的跟踪到待跟踪目标，而基于颜色直方图的动态目标跟踪方法下，已经跟丢了待跟踪目标。在第420帧时，待跟踪目标回到明处，而另一个目标还在暗处，但结果和第91帧和第190帧时是完全一样的。这说明了在有多个目标的情况下基于单演相位直方图的动态目标跟踪方法在光照变换环境下有很好的鲁棒性和准确性。
　　 5结束语
　　在光照变化环境下，目标跟踪的准确性和鲁棒性都受到了挑战。颜色是一种很有效的视觉特征，但在光照变化环境下，它也变得很不稳定。针对这一问题，本文提出了相位特征，由于它与亮度的无关性，且单演相位直方图包含了图像的绝大部分重要特征信息，所以可以基于单演相位直方图对目标进行鲁棒准确的跟踪。本文提出的基于单演相位直方图的动态目标跟踪方法，只对动态 目标进行跟踪，这样可以排除很多背景因素的影响。实验证明，无论是在只有待跟踪目标的情况下，还是有多个目标的情况下，本文提出的基于单演相位直方图的动态目标跟踪方法在光照变化环境下都能鲁棒地准确地对目标进行跟踪。
　　参考文献：
　　[1] Cascia M L, Sclaroff S, Athitsos V, Fast, Reliable Head Tracking under Varying Illumination: An Approach Based on Registration of Tex? ture-Mapped 3D Models, IEEE Transactions on Pattern Analysis and Machine Intelligence, 2000, 22(4):322-336.
　　[2]王路,阳琳�,卓晴,等.光照鲁棒的Mean Shift跟踪方法[J].计算机应用,2008,28(7):1672-1674.
　　[3]刘少华,张茂军,熊志辉,等.一种鲁棒高效的视频运动目标检测与跟踪算法[J].自动化学报, 2009,35(8):1055-1062.
　　[4] Blake A, Isard M. Condensation Conditional Density Propagation for Visual Tracking. International Journal of Computer Vision,1998,29(1):5-28.
　　[5]刘惟锦,章毓晋.基于Kalman滤波和边缘直方图的实时目标跟踪[J].清华大学学报:自然科学版, 2008,48(7):1104-1107.
　　[6] M. Felberg,“Low-level Image Processing with the Structure Multivector,”in Institut fur informatics und Praktische Mathematik. KIEL: Christian-Albrechts-Universitat,2002.
　　[7] Hans G. Feichtinger, Thomas Strohmer, Gabor Analysis and Algorithms, Birkh?user,1998.
　　[8] Zang D, Sommer G, Phase Based Image Reconstruction in the Monogenic Scale Space, In Pattern Recognition 2004, 26thDAGM Sympo? sium, pages:171-178, Tuebingen, Germany, LNCS 3175, Springer-Verlag, Berlin, Heidelberg, 2004
　　[9] Oppenheim A V, Lim J S: The Importance of Phase in Signals. Proc. IEEE, vol.69, pages:529-541, 1981
　　[10] Mallat S,Mallat S, A Wavelet Tour of Signal Processing[M].New York: Academic,1998.
　　[11] Morrone M C, Owens R A. Feature detection from local energy[J].Pattern Recognition Letters, 1987(6):303-313.
　　[12] Kovesi P.Invariant Measures of Image Features from Phase Information[J].Videre: Journal of Computing Vision Research, 1999(1).

推荐访问:相位 跟踪 特征 目标