摘  要： 針對SURF算法能夠提取到的圖像特征點較少的問題，基于保持亮度特性的雙直方圖均衡算法，通過重構(gòu)SURF尺度空間提取圖像特征。將這種方法與卡爾曼濾波相結(jié)合進行目標(biāo)跟蹤，用特征點的中心作為跟蹤點；通過卡爾曼濾波預(yù)測出運動目標(biāo)的位置，判斷遮擋是否發(fā)生；最后，應(yīng)用該方法進行目標(biāo)特征向量匹配。實驗結(jié)果表明，該算法對發(fā)生旋轉(zhuǎn)、縮放以及遮擋的多運動目標(biāo)都可進行穩(wěn)定跟蹤，其跟蹤速度比R-SURF算法提高20%；在跟蹤速度相當(dāng)?shù)那闆r下，跟蹤精度要高于卡爾曼濾波跟蹤算法。

　　關(guān)鍵詞： SURF重構(gòu)；卡爾曼濾波；目標(biāo)跟蹤；遮擋預(yù)測

0 引言

　　在智能交通領(lǐng)域，由于城市化進程快速發(fā)展，城市車輛保有量不斷增加，導(dǎo)致城市道路交通壓力不斷增大。視頻交通事件檢測中出現(xiàn)車輛擁堵狀況的時間、次數(shù)越來越多，故對車輛遮擋問題的研究引起了越來越多學(xué)者的關(guān)注和研究。多運動車輛跟蹤算法眾多，基于特征的匹配算法由于抗干擾能力強、計算量小，在遮擋條件下多運動車輛跟蹤中得到了較好的應(yīng)用。1999年，LOWE D G[1]提出了SIFT（Scale Invariant Feature Transform）算法，SIFT算法在運動目標(biāo)發(fā)生旋轉(zhuǎn)、縮放和相互遮擋時仍可以很好地跟蹤車輛，但該算法計算量較大，無法滿足實時跟蹤要求。HERBERT B等人[2-4]提出的SURF（Speeded Up Robust Feature）算法，采用積分圖像、Haar小波變換和近似的Hessian矩陣運算，結(jié)果表明，SURF算法具有更快的速度和更高的魯棒性。針對遮擋問題，很多學(xué)者進行了大量研究，RATHI Y等人提出了一種粒子濾波結(jié)合水平集的方法，以目標(biāo)的仿射變換參數(shù)和輪廓水平集為跟蹤特征，實現(xiàn)部分遮擋處理的目的，但該方法的前提是目標(biāo)輪廓連續(xù)變化量較小，對很多遮擋后輪廓丟失較多的情況難以適應(yīng)，且粒子濾波計算復(fù)雜導(dǎo)致其難以達(dá)到實時性[5-8]。針對以上問題，本文提出利用雙直方圖均衡化處理增強圖像對比度，實現(xiàn)圖像增強的同時保持圖像亮度，對SURF尺度空間重構(gòu)增加提取特征點數(shù)；同時，本文將上述改進的SURF特征匹配算法與卡爾曼濾波預(yù)測方法相結(jié)合，預(yù)測遮擋發(fā)生，根據(jù)預(yù)測結(jié)果采用不同的跟蹤算法，增強多運動車輛跟蹤算法的快速性和準(zhǔn)確率，從而實現(xiàn)對多運動車輛的快速、準(zhǔn)確跟蹤。

1 保持亮度的雙直方圖均衡與重構(gòu)SURF算法尺度空間

　　1.1 雙直方圖均衡

　　為解決直方圖均衡不適用于灰度差異較大的圖像問題，雙直方圖均衡方法被提出。雙直方圖均衡的思想是選擇一個灰度閾值，按照閾值將一幅圖像劃分為兩個子圖，分別進行均衡。BBHE（保持亮度的雙直方圖均衡）以平均亮度fm為閾值，將原圖像f分解為兩個子圖像f1與f2，即：

　　對f1在灰度范圍[fmin，fm]上進行均衡，對f2在灰度范圍[fm+1，fmax]上進行均衡，均衡處理后的子圖像為g1與g2，其中n1和n2分別為子圖f1和f2的像素個數(shù)，即：

　　其中，k=fmin，…，fm。

　　其中，k=fm，…，fmax。

　　將子圖像g1與g2重新組合得到圖像g=g1∪g2。對兩個子圖像處理都是對像素灰度級進行操作，而并未改變像素空間位置。當(dāng)假設(shè)原始圖像直方圖在均值兩側(cè)對稱分布時，輸出圖像的平均灰度為gm=（fm+fc）/2，其中fc=（fmin+fmax）/2，表明雙直方圖均衡后保持了部分原圖像亮度均值。

　　1.2 重構(gòu)SURF尺度空間

　　對不同尺度σ下檢測出的特征點數(shù)量統(tǒng)計，針對不同的車型，本文建立其尺度空間并進行特征點檢測統(tǒng)計，可以得到其檢測特征與模板尺度的關(guān)系如圖1所示。

　　由圖1可以得出，當(dāng)尺度滿足1.2<<10時，檢測到的特征點較多，其他尺度范圍內(nèi)檢測出的特征點很少。尺度越大，算法計算量越大。為了檢測解決該問題，可以對SURF尺度空間進行重構(gòu)。

　　根據(jù)尺度計算公式：

　　當(dāng)σ=15時，尺度濾波模版為112×112，而在重構(gòu)空間內(nèi)，取最大模版為123×123，新濾波模版計算公式如下：

　　fs=3（2i×j+1）（i=1，2，3；j=1，2，3，4，5）（5）

　　其中，i為組數(shù)，j為每組的層數(shù)。根據(jù)式（5），可以得到15層重構(gòu)后的尺度空間。其濾波模版如表1所示。

　　上述算法在檢測精度和速度上均有較好的效果，但在視頻跟蹤中，當(dāng)有較多跟蹤目標(biāo)時，仍不能滿足跟蹤的實時性。

2 卡爾曼預(yù)測與SURF算法的結(jié)合

　　本文為滿足交通視頻檢測系統(tǒng)對多目標(biāo)跟蹤的實時性和準(zhǔn)確性需求，提出了一種交通前景多目標(biāo)跟蹤和遮擋處理技術(shù)。即利用Kalman濾波器進行預(yù)測判斷是否出現(xiàn)遮擋，并根據(jù)是否發(fā)生遮擋選取不同的車輛跟蹤方法。當(dāng)預(yù)測不發(fā)生遮擋時，則利用Kalman濾波器加質(zhì)心跟蹤的方法進行多運動車輛跟蹤；當(dāng)判斷發(fā)生遮擋時，則利用經(jīng)BBHE和重構(gòu)尺度空間處理后的SURF算法進行快速匹配實現(xiàn)遮擋處理。通過以上方法實現(xiàn)多運動車輛的實時準(zhǔn)確跟蹤。

　　2.1 遮擋預(yù)測

　　遮擋預(yù)測是實現(xiàn)遮擋處理的前提，如果不對遮擋進行預(yù)測，在遮擋發(fā)生后再去建立模板進行檢測與匹配，此時多目標(biāo)的形態(tài)可能已經(jīng)發(fā)生了變化，致使遮擋的檢測變得更加困難。

　　遮擋預(yù)測的基本思想是利用多目標(biāo)Kalman濾波算子，計算兩個運動車輛之間的距離并進行預(yù)測：

　　為了提高遮擋預(yù)測的準(zhǔn)確率，利用當(dāng)前距離和估計距離進行預(yù)測，場景中多目標(biāo)滿足發(fā)生遮擋的條件為：

　　其中，lthr為遮擋距離閾值。

　　表示當(dāng)前時刻兩目標(biāo)距離較近，需要預(yù)測下一幀時兩者距離情況。若預(yù)測的下一幀距離，則判定兩目標(biāo)出現(xiàn)遮擋，此時需要對未發(fā)生遮擋的獨立目標(biāo)建立對應(yīng)的模板，并預(yù)測遮擋可能發(fā)生的區(qū)域并進行提取與鎖定，使后續(xù)的匹配更快、更有針對性。

　　2.2 卡爾曼濾波

　　匈牙利數(shù)學(xué)家Kalman最早提出Kalman濾波器，它通過引入狀態(tài)變量和狀態(tài)空間等概念在時域上的狀態(tài)空間進行預(yù)測，是一種較為高效的遞歸濾波器。在實際使用中，要通過Kalman濾波進行預(yù)測與跟蹤必須先建立兩組數(shù)學(xué)方程即狀態(tài)方程和觀測方程：

　　式中：XK為系統(tǒng)的狀態(tài)向量；ZK為系統(tǒng)的觀測序列；WK-1為系統(tǒng)過程中的隨機噪聲序列；VK為觀測噪聲序列；K，K-1為系統(tǒng)的狀態(tài)轉(zhuǎn)移矩陣；K，K-1為噪聲輸入矩陣；HK為觀測矩陣[9]。

　　卡爾曼濾波加質(zhì)心跟蹤的流程如圖2所示。

　　2.3 處理流程

　　本文使用卡爾曼預(yù)測結(jié)合改進的SURF跟蹤算法，算法流程圖如圖3所示。

3 實驗結(jié)果及分析

　　本文用若干組視頻驗證本文算法對遮擋情況下的視頻跟蹤，主要針對車輛轉(zhuǎn)彎發(fā)生旋轉(zhuǎn)與縮放的情況、遮擋發(fā)生、增加、減少的幾個階段進行跟蹤實驗，跟蹤效果分別如圖4~圖7所示。

　　采用本文的算法，在道路上車輛較少時，遮擋情況并不嚴(yán)重或者無遮擋，而此時采用卡爾曼預(yù)測與質(zhì)心跟蹤相結(jié)合的算法，算法復(fù)雜度低，可以滿足車輛跟蹤的實時性和準(zhǔn)確性要求。當(dāng)?shù)缆飞宪囕v較多，遮擋情況嚴(yán)重時，僅有質(zhì)心跟蹤不能滿足車輛跟蹤的準(zhǔn)確性要求，此時采用改進的SURF算法，跟蹤的準(zhǔn)確率提高。對幾種不同的算法進行實現(xiàn)，統(tǒng)計其處理一幀圖像的時間以及跟蹤的準(zhǔn)確性，得到結(jié)果如表2所示。

　　由表2可以看出，本文算法準(zhǔn)確率與R-SURF算法相當(dāng)，具有較高的跟蹤準(zhǔn)確率，算法時間與Kalman質(zhì)心跟蹤相當(dāng)，但跟蹤精度較Kalman質(zhì)心跟蹤高20%。

4 結(jié)論

　　本文利用雙直方圖均衡化處理增強圖像對比度，實現(xiàn)圖像增強的同時保持圖像亮度，重構(gòu)SURF尺度空間的圖像特征提取算法，在此基礎(chǔ)上，綜合改進SURF算法和卡爾曼預(yù)測實現(xiàn)目標(biāo)跟蹤。該方法計算量較小，對多運動車輛的跟蹤速度較R-SURF算法更快。對運動車輛發(fā)生旋轉(zhuǎn)、縮放以及車輛之間相互遮擋等情況都能實現(xiàn)很好的跟蹤。通過實驗發(fā)現(xiàn)，此算法應(yīng)用于多運動車輛跟蹤跟蹤時，在跟蹤速度和精度方面都有較好的效果。

　　參考文獻(xiàn)

　　[1] LOWE D G. Object Recognitionfrom Local Scale—Invariant Features[C]. Proceedings of Seventh International Conference on Computer Vision， 1999：1150-1157.

　　[2] HERBERT B， TINNE T. Luc Van Gool. SURF： speeded up robust features[J]. Computer Vision， 2006， 3951：404-407.

　　[3] 路寧.基于SURF和CamShift的物體跟蹤方法[J].微型機與應(yīng)用，2012，31（21）：40-43.

　　[4] 孫登第，羅斌，卜令斌.結(jié)合SURF描述符和廣義近鄰圖的圖像配準(zhǔn)算法[J].微型機與應(yīng)用，2012，31（15）：32-35.

　　[5] RATHI Y， VASWANI N， TANNENBAUM A， et al.Tracking deforming objects using particle filtering for geometric active contours[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2007，29（8）：1470-1475.

　　[6] 李璟，劉懷愚，洪留榮.適用于遮擋問題的多車輛跟蹤算法[C].計算機系統(tǒng)應(yīng)用，2011，20（5）：96-100.

　　[7] 岳恒軍.遮擋情況下的車輛檢測與跟蹤[D].蘇州：蘇州大學(xué)，2011.

　　[8] 岳恒軍，吳健，崔志明.一種新的車輛遮擋檢測與分割方法[J].計算機工程與應(yīng)用，2012，48（19）：179-182.

　　[9] 梁娟，項俊，侯建華.基于Camshift和Kalman濾波的自動跟蹤算法[J].微型機與應(yīng)用，2011，30（24）：28-31.