基于Grabcut及LBP跟蹤質(zhì)心矯正模型的Camshift算法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于計(jì)算機(jī)視覺(jué)實(shí)時(shí)跟蹤領(lǐng)域。
【背景技術(shù)】
[0002] 視覺(jué)跟蹤在圖像處理和計(jì)算機(jī)視覺(jué)具有非常重要的作用，是目前研究的熱門方向 之一。運(yùn)動(dòng)目標(biāo)跟蹤廣泛應(yīng)用于軍事和民用等許多領(lǐng)域，例如視覺(jué)制導(dǎo)、無(wú)人機(jī)追蹤、安全 監(jiān)測(cè)、公共場(chǎng)景監(jiān)控、智能交通等。但攝像頭采集圖片非常容易受到光照變化、物體運(yùn)動(dòng)速 度、遮擋以及相近色等諸多因素的干擾。目前對(duì)于運(yùn)動(dòng)目標(biāo)的跟蹤常用的方法有粒子濾波、 壓縮感知、背景差法、相鄰幀差法、光流法以及自適應(yīng)均值漂移算法（Camshift)等。但這些 方法各有優(yōu)缺點(diǎn)，例如：光流法運(yùn)用差分但算法實(shí)時(shí)性差，在復(fù)雜環(huán)境中容易跟蹤失??；粒 子濾波的抗干擾能力顯著，但存在粒子退化現(xiàn)象，穩(wěn)定性差，背景及相鄰幀差法則不適用于 背景變換的情況。自適應(yīng)均值漂移算法（Camshift)是利用概率密度的梯度爬升來(lái)尋找局 部最優(yōu)，具有無(wú)需參數(shù)、高效、快速模板匹配的特性，以及在此基礎(chǔ)上拓展的優(yōu)越性。但是基 于顏色直方圖抗干擾能力差，檢測(cè)目標(biāo)有限，使得Camshift算法在面對(duì)復(fù)雜背景、遮擋問(wèn) 題及相似顏色背景時(shí)，容易出現(xiàn)目標(biāo)跟蹤丟失以及識(shí)別錯(cuò)誤等情況。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明的目的是提出一種基于Grabcut (圖像分割）及LBP (局部二值模式）跟蹤 質(zhì)心矯正模型的Camshift算法，以解決跟蹤過(guò)程中背景噪聲以及相近色物體干擾問(wèn)題，本 算法可以進(jìn)行實(shí)時(shí)性跟蹤并且大幅提高傳統(tǒng)Camshift算法跟蹤的穩(wěn)定性及準(zhǔn)確性。
[0004] 所述算法基于Grabcut及LBP，在圖像定值增強(qiáng)基礎(chǔ)上通過(guò)Grabcut目標(biāo)分割來(lái)得 到目標(biāo)純凈的直方圖，并通過(guò)LBP跟蹤質(zhì)心矯正模型，將相近色混合后的質(zhì)心進(jìn)行搬移至 目標(biāo)未重疊區(qū)域，作為下一幀迭代計(jì)算的依據(jù)。
[0005] 本發(fā)明包括以下步驟。
[0006] (SOl)選定目標(biāo)物體，提取目標(biāo)物體實(shí)時(shí)圖像的RGB三通道均值，計(jì)算后得到增強(qiáng) 系數(shù)z對(duì)跟蹤視頻當(dāng)前幀圖像進(jìn)行增強(qiáng)，增加目標(biāo)與背景的對(duì)比度，便于在Grabcut分割 后，Camshift得到的直方圖能有效排除大部分的背景噪聲。
[0007] (S02)加入Grabcut前景分割將目標(biāo)物體分離出來(lái)，單獨(dú)對(duì)目標(biāo)物體進(jìn)行框選，得 到目標(biāo)物體純凈的顏色直方圖。
[0008] (S03)開(kāi)始執(zhí)行Camshift跟蹤算法并通過(guò)Kalman濾波器輔助跟蹤。
[0009] (S04)對(duì)當(dāng)前標(biāo)記框內(nèi)圖像進(jìn)行LBP處理，并待標(biāo)記框穩(wěn)定后，長(zhǎng)度和寬度變化范 圍在第一幀長(zhǎng)寬〇. 2倍大小之內(nèi)，提取穩(wěn)定后的第三幀框內(nèi)圖片作為跟蹤目標(biāo)的模板，并 得到對(duì)應(yīng)的LBP直方圖數(shù)據(jù)。
[0010] (S05)通過(guò)對(duì)模板以及當(dāng)前框內(nèi)LBP直方圖數(shù)據(jù)比對(duì)，得到判別系數(shù)a，若a為0 且框體變大，長(zhǎng)度和寬度大于穩(wěn)定條件下長(zhǎng)寬的1. 2倍，則表明當(dāng)前框內(nèi)LBP紋理與模板有 較大出入，認(rèn)為有相近色物體遮擋，此時(shí)執(zhí)行質(zhì)心矯正程序（S06);若不滿足此條件則表明 當(dāng)前框內(nèi)LBP紋理與模板近似相等，目標(biāo)無(wú)遮擋，跟蹤正常進(jìn)行，程序轉(zhuǎn)入（S03)。
[0011] (S06)利用S-Grabcut算法得到目標(biāo)未被相近色物體覆蓋的區(qū)域，計(jì)算出該部分 質(zhì)心，將其定義為下一幀Camshift迭代的目標(biāo)質(zhì)心，然后程序轉(zhuǎn)入（S03)。
[0012] 本發(fā)明提出一種基于Grabcut及LBP跟蹤質(zhì)心矯正模型的Camshift算法，進(jìn)行運(yùn) 動(dòng)目標(biāo)的跟蹤檢測(cè)。通過(guò)定值增強(qiáng)跟蹤視頻流，并在Grabcut前景分割下得到目標(biāo)純凈的 彩色直方圖，以此減小一定程度的背景噪聲干擾。建立LBP跟蹤質(zhì)心矯正模型，通過(guò)識(shí)別相 近色物體干擾，運(yùn)用S-Grabcut算法將下一幀Camshift迭代的目標(biāo)質(zhì)心搬移至當(dāng)前幀目標(biāo) 的未重疊區(qū)域。通過(guò)實(shí)驗(yàn)證明此模型在防止相近色干擾方面收到很好的效果，不僅在跟蹤 的穩(wěn)健性方面效果較好，而且也能滿足實(shí)時(shí)性跟蹤的要求。最后引入Kalman濾波器，來(lái)預(yù) 測(cè)目標(biāo)的運(yùn)動(dòng)軌跡，保證目標(biāo)嚴(yán)重遮擋或運(yùn)動(dòng)速度過(guò)快時(shí)，仍可以實(shí)現(xiàn)有效跟蹤，提高了 整個(gè)系統(tǒng)的魯棒性。
【附圖說(shuō)明】
[0013] 圖1是本發(fā)明算法的步驟流程圖。
[0014] 圖2是增強(qiáng)效果對(duì)比示意圖，其中（a)是增強(qiáng)前的圖像，（b)是增強(qiáng)后的圖像。
[0015] 圖3是Grabcut處理映射流程以及同原始框選方法對(duì)比圖，其中（a)是傳統(tǒng) Camshift提取目標(biāo)直方圖，（b)是傳統(tǒng)框選效果。
[0016] 圖4是矯正模型的模板提取過(guò)程，其中（a)是干擾色未進(jìn)入時(shí)提取模板，（b)是提 取框選目標(biāo)，（c)是LBP處理，（d)是得到模板直方圖。
[0017] 圖5是矯正模型的實(shí)時(shí)處理過(guò)程，其中（a)是干擾色進(jìn)入，（b)是LBP處理，（c)是 對(duì)應(yīng)直方圖，（d)是特征點(diǎn)匹配及連線，（e)是S-Grabcut分割。
【具體實(shí)施方式】
[0018] 結(jié)合附圖，通過(guò)下文的述詳細(xì)說(shuō)明，可更清楚地理解本發(fā)明的上述及其他特征和 優(yōu)點(diǎn)。
[0019] 本發(fā)明算法主要針對(duì)Camshift與Kalman融合算法在背景噪聲影響和相近色干擾 問(wèn)題上無(wú)法穩(wěn)定達(dá)到準(zhǔn)確實(shí)時(shí)跟蹤效果的基礎(chǔ)上進(jìn)行研究及改進(jìn)。
[0020] 采用Grabcut分割算法在增強(qiáng)后的視頻流中分割出目標(biāo)得到目標(biāo)純凈直方圖，減 小跟蹤偏差。而為基礎(chǔ)的Camshift算法將圖像由RGB顏色空間轉(zhuǎn)化到HSV顏色空間（H表 示色度，S表示飽和度，V表示亮度），我們采用H分量（對(duì)光照的魯棒性強(qiáng)）的直方圖建立 顏色概率目標(biāo)模型，將原始圖像的像素值用直方圖中相應(yīng)像素的統(tǒng)計(jì)量代替，就得到顏色 概率分布圖。
[0021] Camshift算法主要分為以下三個(gè)步驟back projection算法、meanshift算法、自 適應(yīng)調(diào)整算法。在本算法中進(jìn)行如下處理（為上述步驟S03部分）：
[0022] (1)在當(dāng)前幀增強(qiáng)的基礎(chǔ)上，Camshift在Grabcut分割的目標(biāo)物體上得到純凈直 方圖。
[0023] (2)利用Camshift算法反向投影圖生成根據(jù)反向投影圖并作為Camshift初始化 的跟蹤模板。
[0024] (3)進(jìn)行Meanshift算法來(lái)尋找質(zhì)心，Camshift自適應(yīng)調(diào)整。
[0025] (4)Camshift與Kalman根據(jù)此直方圖進(jìn)行迭代計(jì)算，并直接在增強(qiáng)后的視頻中進(jìn) 行跟蹤而后將得到的標(biāo)記框位置映射到原始視頻中去。
[0026] 圖1是本發(fā)明算法的步驟流程圖，本算法是按照此流程進(jìn)行的。
[0027] 首先選定需要跟蹤的目標(biāo)物體，先提取目標(biāo)物體的RGB三通道均值，計(jì)算后得到 增強(qiáng)系數(shù)對(duì)跟蹤視頻當(dāng)前幀圖像進(jìn)行增強(qiáng)。
[0034] 其中，Z代表增強(qiáng)系數(shù)，rl，gl，bl代表目標(biāo)物體RGB三通道分量均值，W與H分別 代表整體圖片的寬高，r(i，j)，g(i，j)，b(i，j)分別代表原始圖像對(duì)應(yīng)點(diǎn)的灰度值。增強(qiáng)效 果對(duì)比圖如圖2所示。
[0035] 然后，在當(dāng)前幀增強(qiáng)的基礎(chǔ)上人為選定目標(biāo)物體通過(guò)Grabcut進(jìn)行前景分割操 作，通過(guò)直接框選目標(biāo)來(lái)得到目標(biāo)初始的T，背景像素 Tb，前景像素為Tu，并初始化α η的 值，若α η = 1，α n e Tu為前景區(qū)域像素，若α η = 0,為背景色α n e Tb。以此建立高斯 混合模型GMM。
[0036] (1)得到Tu中每個(gè)像素 η的GMM參數(shù)Kn :
[0038] (2)根據(jù)像素 Z獲得高斯混合模型參數(shù)GMM
[0039] Θ = argmin〇U(a n, kn, θ , zn)
[0040] (3)進(jìn)行分割使得能量函數(shù)E最小達(dá)到參數(shù)估計(jì)：
[0042] (4)返回迭代步驟1中直到能量函數(shù)E收斂為止。
[0043] 目標(biāo)物體分割出來(lái)后，