背景抑制直方图模型的连续自适应均值漂移跟踪算法

发布时间：2021-12-24 18:01

　　针对传统连续自适应均值漂移（CAMshift）跟踪算法在建立目标颜色模型阶段容易包含大量背景颜色信息从而使跟踪效果变差的问题,该文提出一种改进算法。利用混合高斯模型背景法（GMM）将原始图像分割成前景和背景的叠加,在原始图像和背景图像上运动物体所在区域分别建立色调分量直方图,利用背景图像的色调分量直方图计算原始图像中对应色调分量的权值,抑制原始图像中与背景颜色相同的色调,扩大前景与背景颜色的差异性。该方法通过对原始颜色模型中属于背景的色调进行抑制,扩大了目标颜色模型的显著性,提高了跟踪的准确性和稳定性,目标定位的最大中心误差小于20%,能够准确跟踪不发生丢失。 

【文章来源】：电子与信息学报. 2019,41(06)北大核心EICSCD

【文章页数】：8 页

【图文】：

为使用背景加权法改进图2本文算法得到反向投影图改进效果

形成的反向投影图。图2(b)为使用背景加权法改进后的色调分量直方图形成的反向投影图。反向投影图的形成就是将每个像素点中的像素值(色调值)用其在直方图中的统计值替换，并量化到0～255的区间内从而形成一张通过灰度值显示的概率图，该图中越亮的部分属于待跟踪目标的可能性越大，而后续Meanshift算法就是在这张概率图上找到均值漂移向量的局部最优解。可以看到图2(a)中背景区域明亮度比较高，这是由于原始直方图包含了大量的背景颜色信息。图2(b)中最亮的部分为需要被跟踪的小车，背景的灰度值明显低于待跟踪目标，这样更利于均值漂移向量往移动目标收敛。4.2跟踪效果测试为了验证本文所提基于背景加权的CAMshift跟踪算法的有效性，选取一段无人机航拍的高速公路车辆行驶视频作为测试视频，该视频图像大小为640×480，画面中初始被跟踪目标车辆大小为118×70，如图3所示。图4为传统CAMshift算法的跟踪效果及反向投影图，图5为多特征融合的跟踪算法效果及反向投影图，图6为本文算法的跟踪效果及反向投影图。采用传统CAMshift算法得到的跟踪效果以及反向投影结果如图4所示。传统的CAMshift算法由于在建立目标颜色特征的过程中，搜索框内包含了大量的背景颜色信息，即建立的目标模型是车辆和背景颜色信息的叠加。对比图4(a1)和图4(b1)可以发现跟踪的过程中目标的定位偏差逐渐变大，红色搜索框逐渐向背景图1色调分量直方图改进效果图2本文算法得到反向投影图改进效果图3跟踪目标模板第6期王旭东等：背景抑制直方图模型的连续自适应均值漂移跟踪算法1483

传统CAMshift跟踪效果及反向投影图

【参考文献】：
期刊论文
[1]基于Camshift和SURF的目标跟踪系统[J]. 陈杏源,郑烈心,裴海龙.  计算机工程与设计. 2016(04)
[2]Adaptive learning rate GMM for moving object detection in outdoor surveillance for sudden illumination changes[J]. HOCINE Labidi,曹伟,丁庸,张笈,罗森林.  Journal of Beijing Institute of Technology. 2016(01)
[3]融合检测和跟踪的实时人脸跟踪[J]. 刘嘉敏,梁莹,孙洪兴,段勇,刘虓.  中国图象图形学报. 2015(11)
[4]一种改进的Camshift视频目标跟踪算法[J]. 王玲玲,裴东,王全州.  激光与红外. 2015(10)
[5]显著性直方图模型的Camshift跟踪方法[J]. 修春波,魏世安.  光学精密工程. 2015(06)
[6]智能视频监控技术综述[J]. 黄凯奇,陈晓棠,康运锋,谭铁牛.  计算机学报. 2015(06)
[7]改进的基于GMM的运动目标检测方法[J]. 李刚,何小海,张生军,高明亮.  计算机应用研究. 2011(12)



本文编号：3550943