区域匹配相关跟踪方法的一种改进

文章编号:100220411(2001)072603205

　信息与控制

InformationandControl

Vol.30,No.7　July.,2001　

区域匹配相关跟踪方法的一种改进

刘铁军　肖颖杰　史泽林

(中科院沈阳自动化所　沈阳)

摘　要:工程中能应用的实时相关跟踪算法不多,如多点相关(MPC)是工程中最常用的一种算法,但是

MPC算法没有很好的相关置信度函数,使MPC算法的应用受到一些和影响.本文通过对一种有较好相

关置信度函数的区域相关算法(RTC)的讨论和研究,分析了算法中影响目标跟踪效果与成败的2个关键环节——图像增强、图像分割,在原来算法的基础上给出有效的改进措施和相应的实验结果.Ξ

关键词:图像分割;聚类;模糊C均值;电视跟踪中图分类号:TP273　　　　　　文献标识码:B

ANIMPROVEMENTOFREGIONTEMPLATECORRELATIONTRACKING

LIUTie2jun　XIAOYing2jie　SHIZe2lin

(ShenyangInstituteofAutomation,ChineseAcademyofSciences)

.Multiplepointcorrela2Abstract:Inengineeringapplications,therearefewreal2timecorrelationalgorithmstion(MPC)isacommonlyusedalgorithm,butthereisnotapropercredibilityfunctionofMPCcorrelationalgo2.Thispaperintroducesanotherreal-tirithmsothattheapplicationofMPCisrestrictedinsomefieldsmealgo2rithm2regiontemplatecorrelation(RTC)methodwhichhaspropercredibilityfunctionofcorrelation,andana2lyzestwoimportantstepsofRTC-imageenhancementandimagesegmentation,whichareconcernedwiththeperformanceofalgorithm.Finally,twoimprovedmeasuresaregivenandafewresultsaredemonstratedtoillus2tratetheeffectivenessoftheproposedmethod.

Keywords:imagesegmentation,cluster,fuzzyc2means,TV2tracking

1　引言(Introduction)

图像相关匹配算法有许多种划分方法,如空域

相关和频域相关;象素级相关和特征级相关.现阶段,基于小波变换的多分辨率模板匹配方法越来越多地受到关注,这种算法是在传统的高斯金字塔多分辨率模板匹配方法基础上发展而来的,具有数据表征的优越性,部分地解决了背景因素影响模板匹配问题.但是,这种算法计算比较复杂,目前在工程上难以实时实现.国内外比较实用的相关跟踪算法还是基于灰度的多点相关(MPC)[2,6],这种算法比较成熟,实时性能比较好,硬件实现比较方便.但是MPC算法缺乏行之有效的置信度函数,在工程应用中受到一定的.英国空军研究所最近率先提出了一种区域模板相关匹配算法(RTC)[1,4,7].这种算法不仅匹配参考模板与搜索区图像的灰度特征,匹配信息中包含了目标位置和面积特征,而且在连续帧间RTC算法具有较好的置信度函数,能够实现模

Ξ收稿日期:2000-12-30

板的智能更新和失锁检测.可是,在实际应用中这种算法的效果并不好,因为在实际应用系统中,往往存在较大的图像噪声,区域边缘比较模糊,图像背景灰度可能不断发生变化,如果按固定的层次个数进行分割,很难得到满意的分割效果.为了使算法能够较好地应用在实际系统中,本文对算法进行了改进,采用图象增强算法提高了信号的信噪比,采用自适应模糊C均值聚类算法分割图象[3,5],图象分割层次可以随背景复杂度变化而变化.仿真结果表明,算法的跟踪性能和实用性得到较大改善.

2　区域相关算法原理(Theoryofregiontem2platecorrelation)

区域模板相关[1]是一种较新颖的相关跟踪技术,主要包括两个关键步骤:灰度图像的区域分割、灰度图像的区域匹配.其中,灰度图像的区域匹配依

604信　息　与　控　制30卷　

赖于图像分割的效果,而图像区域匹配的结果将直接影响到相关算法的成败.2.1　灰度图像的区域分割

　　图像能否准确分割是决定区域匹配效果好坏的一个关键因素,也是区域匹配算法的难点问题之一.区域分割前采用了最优直方图方法滤波(HOS)[4],区域分割时将图像中的像素点按一定规则(例如,灰度值在某个范围内)分到n个不同的区域中,每个区域表征一定的灰度特征,而且表征了像素点的空间位置特征.最后运用普通的聚类算法进行图像分割.2.2　灰度图像的区域匹配

　　在图像序列开始帧,代表目标的模板区由人工选定(分割后若干个灰度特征区),以模板区中心作为搜索区窗口(分割后的n个灰度特征区)中心,通过一个区域相似性度量函数(置信度函数)计算后续搜索区窗口里每一个像素位置的置信度大小,寻找到与模板区相似性最大点(即区域重合度最大)的位置,也就是跟踪点坐标,并以跟踪点坐标为中心定义新的搜索区窗口,根据目标置信度的大小修正模板区内容.目标置信度函数为:

其中:t是模板的面积,n是分割的区域数目.

　　ri是模板中第i个区域的面积;li是搜索区第i个区域和模板重叠的面积

　　置信度函数给出了模板区与搜索区目标的相关度,那些完全重合的区域或是重合度大的区域得到的权值比较大,对置信度贡献比较大.在实际应用系统中,往往存在较大的图像噪声,在连续帧间图像匹配的置信度值总是小于1的.

n

c(x,y)=

1t

∑

li2

i=10

ri

2.3　算法的不足点

　　(1)在实际应用系统中,目标和背景对比度比较差,摄象机本身有噪声,采集处理线路也会产生噪

声,这样得到的图像信噪比较低.在原算法中,图像分割前只是对输入图像做一些简单的低通滤波,图像分割效果一般很差.

　　(2)在实际成像过程中,由于各种环境因素(如光照、反射、视角、噪声等)的影响,使图像中各种景物之间存在着不确定性和模糊性.在实际的图像序列中,背景可能简单、可能很复杂,而且背景可能是在不断地变化,目标区域与背景区域有时是分离的,有时融合在一起.应用指定类数的普通聚类算法进行图像分割,无法适应图像中灰度层次的变化.即:可能简单背景被强行分割成多个区域,而这样的区

域很不稳定,将直接影响到区域匹配效果.

3　算法的改进(Theimprovementofalgo2rithm)

通过对算法原理及其不足点的分析,本文在原算法基础上进行了改进,对输入图像先进行了图像增强,然后是低通滤波,而图像分割方法采用自适应模糊聚类.实验数据表明:改进后的算法性能得到有效的改善.

(1)图像增强:

　　在实际应用中,由于成像系统、采集处理线路噪声等影响,输入图像一般先要经过滤波处理,我们采取先高通图像增强、后低通滤波.高通图像增强的方法采用直方图拉伸,对于图像中的某一个物体,由于其反射系数变化不大,因而在图像直方图中,此物体的灰度分布可用一正态分布来近似描述.这样,包含多个物体的图像的直方图可以看成是多个正态分布的叠加.如果某个物体占统治地位,则直方图应近似为一正态分布.设图像的直方图的均值为m0,方差为∆0,由于直方图是灰度的分布函数,改变其均值相当于调整显示器的灰度,改变方差相当于调整对比度,因此我们可以选择希望的均值md和方差∆d,L是图像的灰度级(实验中L=256).灰度变换函数如下:

g(x,y)=

(f(x,y)∆-m0)∆d0

+md

　　其中:f(x,y)代表原始输入图像;g(x,y)代表灰度变换后的图像.

(2)图像自适应模糊聚类分割:

图像匹配的实际应用中,目标可能位于各种各样的背景中,即可能是单一目标、单一背景,也可能是复杂目标、复杂背景.我们采用一种自适应的模糊

C均值聚类算法来进行图像的区域分割[5]

,可以根

据每一帧图像的灰度分布来确定分割区域数,分割区域数可以不断变化来适应背景的变化.既可以稳定跟踪简单的背景、目标,也可以跟踪复杂的背景、目标.自适应的模糊C均值聚类算法作为一种较新的模式识别技术,不需要预先给出关于模式的先验知识和判别函数,而是通过自身的学习机制自动形成所要求的决策区域;自适应的模糊C均值聚类算法是一种迭代优化算法,依据聚类损失函数来控制迭代次数和聚类中心个数.相应的聚类损失函数和隶属度函数表达式如下面所示:

7期刘铁军等:区域匹配相关跟踪方法的一种改进605

uj(xi)=

(1󰃗‖xi-mj‖2)c

1󰃗b-1

,j=1,2,…,n

1󰃗b-1

∑

k=1

(1󰃗‖xi-mk‖2)󰃗

n

j

∑u

mj=

i=1nk=1C

(xi)bxi

,　　j=1,2,…,c

j

②计算新的隶属度函数值和新的聚类中心,计算新的聚类损失函数值Ε,根据任意两个聚类中心距离的度量决定是否继续出新的聚类中心,根据某一聚类个数多少来决定是否合并相邻类.

③重复上一步骤的计算过程直至各点的隶属度值稳定在一定范围内或是迭代到限定次数为止.

④最后根据各像素点的隶属度来决定像素的区域编号.

∑u

Ε=

j=1

(xi)

n

b

∑∑u

i=1

j

(xi)b‖xi-mj‖2

其中:u(x)为隶属度函数;m为聚类中心;Ε为损失

函数;n是样本个数;c是预定的类别数目;b是模糊度.

图像分割算法的具体步骤如下:

①如果是图像的初始帧,设定聚类的初始数目C和参数b,根据灰度的极值点确定两个初始聚类中心.在图像序列的后续帧,可以用上一帧的聚类参数为初值.

4　算法仿真与实验结果(Thesimulationand

result)

在仿真实验中,我们选取了一个图像序列,使用原算法和改进后的算法分别对这个图像序列进行连续跟踪,得到了两组相应的仿真图形和实验数据.实验中使用的图像累加了高斯白噪声.

图1　原图　　　　　　　　　　图2　加噪声图

图3　原算法跟踪仿真图形　　　　　　　　图4　原算法跟踪仿真图形

图5　原算法跟踪仿真图形　　　　　　　　图6　原算法跟踪仿真图形

606信　息　与　控　制30卷　

图7　原算法跟踪仿真图形　　　　　　　　图8　改进后算法跟踪仿真图形

图9　改进后算法跟踪仿真图形　　　　　　图10　改进后算法跟踪仿真图形

图11　改进后算法跟踪仿真图形　　　　　　　图12　改进后算法跟踪仿真图形

(9)、(10)、(11)、(12)是改进后算法跟踪仿真图形图3、4、5、6、7是原算法跟踪仿真图形;图(8)、.下面分

别是原算法与改进后算法的误差曲线和相关曲面的对比.

图13　原算法相关曲面和误差曲线

Fig.13　Correlationsurfaceanderrorcurveofoldalgorithm

7期刘铁军等:区域匹配相关跟踪方法的一种改进607

图14　改进后算法相关曲面和误差曲线

Fig.14　Correlationsurfaceanderrorcurveofnewalgorithm

　　原算法的相关曲面,匹配点不是很突出,跟踪过程不会很稳定.改进后算法的相关曲面变得陡峭,相关点突出,跟踪过程将会比较平稳,跟踪点漂移较小.从以上实验中可以看出,图像增强和图象分割方法对算法的性能影响很大,改进后的算法得到了很好的实验结果,算法向实用性又迈进了一步.

1　ParryHS,MarshallAD,MarkhamKC.TrackingTargetsin

.3066FLIRImagesbyRegionTemplateCorrelation.SPIEVol2　MonteraDA,RogersSK,RunckDW,OxleyME.Object

TrackingThroughAdaptiveCorrelation.

1994,33(1):294～302

OpticalEngineering,

3　耿伯英,杨静宇等.基于图像时频域局部特征的快速模糊分割方

法.系统工程与电子技术,2000,22(5):～68

4　RobertsG.HistogramOptimisationandCompressionSegmenta2

.SPIEApplicationsofItionsmagingTechnologyProc,397,pp.487-493,April1983

5　刘宜平,沈毅等.一种FCM聚类算法的改进与优化.系统工程与电子技术,2000,22(4)6　ZhengQ,ChellappaR.AutomaticFeaturePointExtractionand

TrackinginImageSequencesforArbitraryCameraMotion.Inter2

5　结束语(Conclusion)

本文简述了RTC算法原理,通过对原算法中关

键环节——图像滤波及图像分割的改进,使算法的性能得到较好的提高.目标跟踪点漂移减小,目标跟踪能够较好地适应不同灰度分布的背景,弱信号目标的跟踪性能得到一定的改善.新算法在实时跟踪系统中,很多环节都可以用硬件实现,但是,图像分割方法还比较复杂,需要高档的DSP信号处理器来承担.而且在实际战场应用中,有许多突发事件(如炮火强光的突然出现),算法还无法适应这些突发的情况,还需要进一步研究.

参　考　文　献(References)

(上接第602页)

～76nationalJournalofComputerVision,1995,15:31

7　PriceK,ReddyR.MatchingSegmentsofI.IEEEPAMI,mages

1979,1(1):110～118

作者简介

刘铁军,1993年大学毕业,沈阳自动化所在职研究生.肖颖杰,研究员,硕士生导师.研究领域为图象处理和电视跟踪.

史泽林,副研究员,硕士生导师.研究领域为图象处理主电视跟踪.

1　OttE,GrebgiC,YorkJA.ControllingChaos.PhysRevLett,

1990,(11):1196～1199

2　PyragasK.ContinuousControlofChaosbySelf2controllingFeed2

6　结论(Conclution)

基于IEP学习算法的RBF网有效地控制了

.本文采用两层编码的染色体结Rossler混沌系统

构:上层结构基因串是二进制编码,可进行交叉和变

异;下层参数基因串是实数编码,只进行EP变异.另外,采用联赛选择法和遗忘策略.IEP同时进化了

.RBF网的结构和参数,这是一种新的改进EP方法

仿真结果表明,算法控制Rossler混沌系统的稳态时间短,控制误差小,取得了良好的控制效果.

参　考　文　献(References)

～428back.PhysLettA,1992,170(6):421

3　RosslerOE.AnEquationforContinuousChaos.PhysLettA,

1976,57(5):397～398

4　王忠勇等.混沌系统的神经网络控制,控制与决策,2000(1),55～58

作者简介

翁妙凤(1940～),女,教授.研究领域为计算机软件与人工智能.

王　敏(1978～),女,硕士研究生.研究领域为人工智能.