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SURF尺度空間提取圖像特征。將這種方法與卡爾曼濾波相結合進行目標跟蹤，用特征點的中心作為跟蹤點；通過卡爾曼濾波預測出運動目標的位置，判斷遮擋是否發(fā)生；最后，應用該方法進行目標特征向量匹配。實驗結果表明，該算法對發(fā)生旋轉、縮放以及遮擋的多運動目標都可進行穩(wěn)定跟蹤，其跟蹤速度比R-SURF算法提高20%；在跟蹤速度相當的情況下，跟蹤精度要高于卡爾曼濾波跟蹤算法。
關鍵詞： SURF重構；卡爾曼濾波；目標跟蹤；遮擋預測
0 引言
在智能交通領域，由于城市化進程快速發(fā)展，城市車輛保有量不斷增加，導致城市道路交通壓力不斷增大。視頻交通事件檢測中出現車輛擁堵狀況的時間、次數越來越多，故對車輛遮擋問題的研究引起了越來越多學者的關注和研究。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算法在運動目標發(fā)生旋轉、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，很多學者進行了大量研究，RATHI Y等人提出了一種粒子濾波結合水平集的方法，以目標的仿射變換參數和輪廓水平集為跟蹤特征，實現部分遮擋處理的目的，但該方法的前提是目標輪廓連續(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，且粒子濾波計算復雜導致其難以達到實時性[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，實現圖像增強的同時保持圖像亮度，對SURF尺度空間重構增加提取特征點數；同時，本文將上述改進的SURF特征匹配算法與卡爾曼濾波預測方法相結合，預測遮擋發(fā)生，根據預測結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確率，從而實現對多運動車輛的快速、準確跟蹤。
1 保持亮度的雙直方圖均衡與重構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，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。當假設原始圖像直方圖在均值兩側對稱分布時，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SURF尺度空間
對不同尺度σ下檢測出的特征點數量統(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系如圖1所示。
由圖1可以得出，當尺度滿足1.2<<10時，檢測到的特征點較多，其他尺度范圍內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。
根據尺度計算公式：
當σ=15時，尺度濾波模版為112×112，而在重構空間內，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，j為每組的層數。根據式（5），可以得到15層重構后的尺度空間。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，當有較多跟蹤目標時，仍不能滿足跟蹤的實時性。
2 卡爾曼預測與SURF算法的結合
本文為滿足交通視頻檢測系統(tǒng)對多目標跟蹤的實時性和準確性需求，提出了一種交通前景多目標跟蹤和遮擋處理技術。即利用Kalman濾波器進行預測判斷是否出現遮擋，并根據是否發(fā)生遮擋選取不同的車輛跟蹤方法。當預測不發(fā)生遮擋時，則利用Kalman濾波器加質心跟蹤的方法進行多運動車輛跟蹤；當判斷發(fā)生遮擋時，則利用經BBHE和重構尺度空間處理后的SURF算法進行快速匹配實現遮擋處理。通過以上方法實現多運動車輛的實時準確跟蹤。
2.1 遮擋預測
遮擋預測是實現遮擋處理的前提，如果不對遮擋進行預測，在遮擋發(fā)生后再去建立模板進行檢測與匹配，此時多目標的形態(tài)可能已經發(fā)生了變化，致使遮擋的檢測變得更加困難。
遮擋預測的基本思想是利用多目標Kalman濾波算子，計算兩個運動車輛之間的距離并進行預測：
為了提高遮擋預測的準確率，利用當前距離和估計距離進行預測，場景中多目標滿足發(fā)生遮擋的條件為：
其中，lthr為遮擋距離閾值。
表示當前時刻兩目標距離較近，需要預測下一幀時兩者距離情況。若預測的下一幀距離
，則判定兩目標出現遮擋，此時需要對未發(fā)生遮擋的獨立目標建立對應的模板，并預測遮擋可能發(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
匈牙利數學家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濾波進行預測與跟蹤必須先建立兩組數學方程即狀態(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
本文使用卡爾曼預測結合改進的SURF跟蹤算法，算法流程圖如圖3所示。
3 實驗結果及分析
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，主要針對車輛轉彎發(fā)生旋轉與縮放的情況、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，遮擋情況并不嚴重或者無遮擋，而此時采用卡爾曼預測與質心跟蹤相結合的算法，算法復雜度低，可以滿足車輛跟蹤的實時性和準確性要求。當道路上車輛較多，遮擋情況嚴重時，僅有質心跟蹤不能滿足車輛跟蹤的準確性要求，此時采用改進的SURF算法，跟蹤的準確率提高。對幾種不同的算法進行實現，統(tǒng)計其處理一幀圖像的時間以及跟蹤的準確性，得到結果如表2所示。
由表2可以看出，本文算法準確率與R-SURF算法相當，具有較高的跟蹤準確率，算法時間與Kalman質心跟蹤相當，但跟蹤精度較Kalman質心跟蹤高20%。
4 結論
本文利用雙直方圖均衡化處理增強圖像對比度，實現圖像增強的同時保持圖像亮度，重構SURF尺度空間的圖像特征提取算法，在此基礎上，綜合改進SURF算法和卡爾曼預測實現目標跟蹤。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、縮放以及車輛之間相互遮擋等情況都能實現很好的跟蹤。通過實驗發(fā)現，此算法應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
[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].微型機與應用，2012，31（21）：40-43.
[4] 孫登第，羅斌，卜令斌.結合SURF描述符和廣義近鄰圖的圖像配準算法[J].微型機與應用，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，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].微型機與應用，2011，30（24）：28-31.