第2期 赵雷，等：一种改进的运动目标跟踪与轨迹记录算法 ·147· 1.4改进的目标跟踪算法 先将连续3帧图形进行差分后做与运算，经过滤波 由前文所述可知三帧差分法计算简单，运算速 后得到物体大致轮廓，并提取出等距初始轮廓点.同 度快.但它所提取出的轮廓并不完整，所以往往不能 时，求出中间帧图像的梯度，在设定好主动轮廓算法 直接使用：而主动轮廓法则可精确地分割出单像素 的各项系数后，再以提取出的初始轮廓点为基础，利 完整轮廓，但该方法运算复杂，不适合做实时处理， 用主动轮廓算法对曲线进行扩张，经过少量的迭代 且自适应地选择较好的初始轮廓点也有一定困难. 后就可得到物体的实际轮廓.改进后跟踪算法原理 本文将上述2种算法融合，改进了跟踪算法.首 框图如图4所示 第1-1帧→ 差分 2幅 分图形 自适应 部分运动 等距取 做与运 滤波 对象轮廓 初始点 第1+1帧· 算 差分 第1帧 求图像梯度 设定主动轮廓算法 利用主动轮廓算法 得到物体轮廓 各项系数 扩张曲线 图4改进跟踪算法框图 Fig.4 Improved tracking algorithm diagram 板与该移动目标之间的相似度的度量，匹配过程如 2 轨迹记录算法 下 本文提出了一种只利用2个文本文件对单一刚 设第1次平移匹配时，若参考模板中符合要求 体的运动轨迹进行记录的方法.为了在播放记录时 的点与跟踪图像中总点数的比率为R,取p()= 能够更直观地观察物体的外形和运动状态，本方法 max(R),其中k为对参考模板个数的计数，j为对 利用Hausdorff距离匹配出物体的形状模板并在播 某一个参考模板平移的次数.取maxp()对应的参 放时显示，这样就可以观察到更完整的目标.系统对 考模板为最终结果，并将每一帧匹配的参考模板进 模板的选取，主要采取了“模板训练”的思想.即首先 行统计 针对几个典型的刚体形状采样，利用主动轮廓算法 本系统在实际匹配过程中发现，采用基本形式 提取轮廓，经过一定的修正形成匹配识别参考模板. 的Hausdorff距离，由于其易受部分像素点偏差的 本文所建系统采用修正的Hausdorff距离 影响，致使整体匹配效果降低，故系统采取了修正的 (MHD)来进行模板匹配，其定义为 Hausdorff距离模板匹配法，即通过对若干帧中得 -Nimin llall. h(A,B)=1 4) 到的h:(M,)求平均来得到模板相对于待识别图像 的相似度，即，h(M,)=∑h,(M,)/N,其中N为 式中：N4是点集A中点的个数.修正的Hausdorff 模板中的边缘像素点的个数.当某一参考模板匹配 距离对噪声不太敏感，可避免由于部分噪声像素点 次数超过80%时，认为此模板与物体匹配，并将此 的干扰带来的偏差。 模板存入一个文本文件中.实验表明，修正后的 Hausdorff匹配中h(M,),其中M为参考模 Hausdorff距离能提高识别率】 板点的集合；1为跟踪到移动物体边缘的点集.由于 另一个文本负责记录每一帧中目标重心的位 主动轮廓算法能够提出完整的物体轮廓点集，因此 置，并以(x,以的格式全部进行存储.由所有这些重 无需再进一步对这2个点集做预处理.匹配识别时， 心连接成的曲线就可以看作物体的移动轨迹，再通 首先对提取出的待识别图像实施Euclidean距离变 过重心的移动推算出形状模板此时的位置， 换，以得到距离映射图，然后在距离空间内，将模板 在距离映射图上进行平移匹配.相应的，h(M,)取 3实验及数据处理 参考模板中的点在当前距离映射图上对应位置处的 对一个移动的五角星型物体进行了跟踪的实 最大值，其中1为平移次数，它度量的是最大不匹配 验，分别利用MPEG4和本文算法进行记录.计算 程度.所以，基本的匹配判别规则即为：取所有平移 机：Pentium(R)4CPU2.00GHz,256MB内存； 匹配中得到的(M,)值中的最小值，作为这个模 普通的PC摄像头：软件方面以Visual C++6.0 1994-2009 China Academic Journal Electronic Publishing House.All rights reserved.htp://www.cnki.net1. 4 改进的目标跟踪算法 由前文所述可知三帧差分法计算简单 ,运算速 度快. 但它所提取出的轮廓并不完整 ,所以往往不能 直接使用 ;而主动轮廓法则可精确地分割出单像素 完整轮廓 ,但该方法运算复杂 ,不适合做实时处理 , 且自适应地选择较好的初始轮廓点也有一定困难. 本文将上述 2 种算法融合 ,改进了跟踪算法. 首 先将连续 3 帧图形进行差分后做与运算 ,经过滤波 后得到物体大致轮廓 ,并提取出等距初始轮廓点. 同 时 ,求出中间帧图像的梯度 ,在设定好主动轮廓算法 的各项系数后 ,再以提取出的初始轮廓点为基础 ,利 用主动轮廓算法对曲线进行扩张 ,经过少量的迭代 后就可得到物体的实际轮廓. 改进后跟踪算法原理 框图如图 4 所示. 图 4 改进跟踪算法框图 Fig. 4 Improved tracking algorithm diagram 2 轨迹记录算法 本文提出了一种只利用 2 个文本文件对单一刚 体的运动轨迹进行记录的方法. 为了在播放记录时 能够更直观地观察物体的外形和运动状态 ,本方法 利用 Hausdorff 距离匹配出物体的形状模板并在播 放时显示 ,这样就可以观察到更完整的目标. 系统对 模板的选取 ,主要采取了“模板训练”的思想. 即首先 针对几个典型的刚体形状采样 ,利用主动轮廓算法 提取轮廓 ,经过一定的修正形成匹配识别参考模板. 本文所建系统采用修正 的 Hausdorff 距 离 (M HD) 来进行模板匹配 ,其定义为 h( A , B) = 1 NA a∑∈A min b∈B ‖a - b ‖. (4) 式中 : NA 是点集 A 中点的个数. 修正的 Hausdorff 距离对噪声不太敏感 ,可避免由于部分噪声像素点 的干扰带来的偏差. Hausdorff 匹配中 h ( M , I) ,其中 M 为参考模 板点的集合; I 为跟踪到移动物体边缘的点集. 由于 主动轮廓算法能够提出完整的物体轮廓点集 ,因此 无需再进一步对这 2 个点集做预处理. 匹配识别时 , 首先对提取出的待识别图像实施 Euclidean 距离变 换 ,以得到距离映射图 ,然后在距离空间内 ,将模板 在距离映射图上进行平移匹配. 相应的 , hi ( M , I) 取 参考模板中的点在当前距离映射图上对应位置处的 最大值 ,其中 i 为平移次数 ,它度量的是最大不匹配 程度. 所以 ,基本的匹配判别规则即为 :取所有平移 匹配中得到的 hi ( M , I) 值中的最小值 ,作为这个模 板与该移动目标之间的相似度的度量 ,匹配过程如 下. 设第 i 次平移匹配时 ,若参考模板中符合要求 的点与跟踪图像中总点数的比率为 Ri ,取 p ( k) = max j ≤i ( Ri) ,其中 k 为对参考模板个数的计数 , j 为对 某一个参考模板平移的次数. 取max k p ( k) 对应的参 考模板为最终结果 ,并将每一帧匹配的参考模板进 行统计. 本系统在实际匹配过程中发现 ,采用基本形式 的 Hausdorff 距离 ,由于其易受部分像素点偏差的 影响 ,致使整体匹配效果降低 ,故系统采取了修正的 Hausdorff 距离模板匹配法 ,即通过对若干帧中得 到的 hi ( M , I) 求平均来得到模板相对于待识别图像 的相似度 ,即 , hi ( M , I) = ∑hi ( M , I) / N ,其中 N 为 模板中的边缘像素点的个数. 当某一参考模板匹配 次数超过 80 %时 ,认为此模板与物体匹配 ,并将此 模板存入一个文本文件中. 实验表明 ,修正后的 Hausdorff 距离能提高识别率. 另一个文本负责记录每一帧中目标重心的位 置 ,并以( x , y) 的格式全部进行存储. 由所有这些重 心连接成的曲线就可以看作物体的移动轨迹 ,再通 过重心的移动推算出形状模板此时的位置. 3 实验及数据处理 对一个移动的五角星型物体进行了跟踪的实 验 ,分别利用 MPEG4 和本文算法进行记录. 计算 机 :Pentium(R) 4 CPU 2. 00 GHz ,256 MB 内存 ; 普通的 PC 摄像头 :软件方面以 Visual C + + 6. 0 第 2 期 赵 雷 ,等 :一种改进的运动目标跟踪与轨迹记录算法 ·147 · © 1994-2009 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net