论文研究-水下目标检测与跟踪：GVF Snake和Mean Shift .pdf

发布时间：2022-05-30 发布人：admin 分类：说明书资料大小：0.55M 资料格式：pdf 举报版权申诉

第1页 / 共7页

weixin_39840588-11578064-论文研究水下目标检测与跟踪GVFSnake和MeanShift.pdf-第2页.png

第2页 / 共7页

weixin_39840588-11578064-论文研究水下目标检测与跟踪GVFSnake和MeanShift.pdf-第3页.png

第3页 / 共7页

weixin_39840588-11578064-论文研究水下目标检测与跟踪GVFSnake和MeanShift.pdf-第4页.png

第4页 / 共7页

weixin_39840588-11578064-论文研究水下目标检测与跟踪GVFSnake和MeanShift.pdf-第5页.png

第5页 / 共7页

weixin_39840588-11578064-论文研究水下目标检测与跟踪GVFSnake和MeanShift.pdf-第6页.png

第6页 / 共7页

weixin_39840588-11578064-论文研究水下目标检测与跟踪GVFSnake和MeanShift.pdf-第7页.png

第7页 / 共7页

文本预览

中国科技论文在线 http://www.paper.edu.cn 水下目标检测与跟踪：GVF Snake 和 Mean Shift# 5 10 张学武，凌明强，陈强，周卓赟，刘小敏，张卓，李敏，范新南* （河海大学物联网工程学院，常州 213022）摘要：针对水下光学图像清晰度低和物体颜色失真造成水下目标检测困难的问题，本文提出了一种基于 Mean Shift 和 GVF Snake 混合模型的水下目标检测与跟踪方法。对水下图像进行预处理后，运用 GVF Snake 算法对图像进行分割，提取目标轮廓，然后利用 Mean Shift 跟踪算法对目标进行实时跟踪。实验结果表明，本文采用的方法能对感兴趣的水下目标进行准确的检测与跟踪。关键词：目标检测；目标跟踪；GVF Snake；Mean Shift 中图分类号： TP391 15 Underwater target detection and tracking: GVF Snake and Mean Shift 20 25 30 35 40 Zhang Xuewu, Ling Mingqiang, Chen Qiang, Zhou Zhuoyun, Liu Xiaomin, Zhang Zhuo, Li Min, Fan Xinnan (College of Internet of Things Engineering, Hohai University, Changzhou 213022) Abstract: In view of the low underwater optical image resolution and the color distortion in underwater target detection, a method of underwater target detection and tracking based on Mean Shift and GVF Snake hybrid model is proposed in this paper. After preprocessing for the underwater image, we segment the image with the GVF Snake algorithm, and extract the object contour, then employ the Mean Shift tracking algorithm for real-time target tracking. Experimental results show that the method can effectively detect the object areas of interest and track accurately.in the underwater image. Key words: object detection; object tracking; GVF-Snake; Mean Shift 0 引言目前，水下视频图像的目标检测与跟踪成为了视频图像处理研究的一个热门领域[1]。由于在水下环境中，水介质的吸收、悬浮颗粒的前后向散射以及光线衰减均比较明显，适用于陆地上光学环境的图像处理方法并不完全适用于水下[2]，因此，开展基于光学图像的水下目标检测技术研究非常重要[3]。而图像分割技术是计算机视觉领域的一个重要课题，在目标跟踪、识别和分类等高级任务处理中扮演着举足轻重的角色。如果想要对水下运动目标实现准确的检测与跟踪，首先需要能够准确提取目标轮廓。由于传统 Snake 模型存在轮廓初始位置难以确定和难以逼近凹陷边界的问题，Xu 等提出了 GVF 的概念[4]。GVF 对传统的图像力进行了扩散处理，得到了整个图像的梯度矢量场，以此为外部力，体现了物体边界的宏观走势，扩大了 Snake 的搜索范围，比较成功地解决了凹型轮廓检测问题和初始轮廓线的确定问题，大大提高了 Snake 模型的应用范围。目标跟踪的本质是在图像序列中对目标进行精确定位。目前，均值偏移已广泛应用于目标跟踪、图像分割、聚类分析等领域，已成为当前研究的热点之一[5]。均值偏移算法作为一种高效的非参数密度估计算法非常适合于目标跟踪。均值偏移算法利用梯度优化方法实现目标的快速定位，能够实时跟踪非刚性目标；核函数直方图作为目标的特征模型，使得该算法基金项目：高等学校博士学科点专项科研基金(20120094120023)；常州市机器人和智能设备科技专项 (CE20120101)；国家自然科学基金（61273170，41301448）作者简介：张学武（1973－)，男，副教授，主要研究方向：智能图像处理及应用、物联网技术及应用、嵌入式系统设计及应用、机器视觉及视觉认知计算. E-mail: Lab_112@126.com - 1 -

中国科技论文在线 http://www.paper.edu.cn 对目标的变形、旋转等具有很好的适应性[6]。因此，本文采用一种基于 mean shift 和 GVF Snake 混合模型的水下目标检测算法对水下视频图像进行处理研究。 45 1 理论和方法 1.1 GVF 模型和实现 GVF(Gradient Vector Flow)模型是利用矢量扩散的方法将图像边缘梯度场向外自适应平滑至离目标边缘较远处及图像中的灰度均匀区域。如前所述，传统的 Snake 模型在实际应用中存在一些问题，主要表现为初始轮廓线的确定和凹型轮廓的检测问题。GVF 模型则对上面的两个问题的处理得到了很好地效果，并且应用范围越来越广，比如图像分割、边缘检测、形状模拟、轮廓提取和运动目标物体的追踪等。GVF Snake 模型不再用能量最小化的观点来看待 Snake 模型，而将其视为力的平衡过程。一方面 GVF Snake 模型运用热扩散的原理，对图像的梯度矢量进行扩散以扩大 Snake 轮廓曲线的捕获区域，由于扩散方程本身固有的特点，使 Snake 模型可以更好地深入凹陷区域，提高了模型对凹陷边缘的提取能力；另一方面它大大扩展了 Snake 模型外部力场的捕获范围，使得整个图像域内都存在力场来推动模型运动。由于 GVF Snake 模型采用了梯度矢量流场来代替传统 Snake 模型的图像梯度外力场，使其更具实用性，也是 GVF Snake 模型最大的创新之处。GVF 在静态外力中通过引入外力 Fext=V(x,y)对图像进行处理，以克服传统 Snake 模型的缺点。在 GVF Snake 模型中，利用 f(x,y)定义灰度图像 I(x,y)的 GVF 外力场，就形成梯度矢 50 55 60 量流场则为灰度图像的梯度场，把梯度场向图像边缘进行迭代扩散，则轮廓线（1） 65 的能量为（2）其中：是控制参数，调节能量公式中第一项和第二项之间的平衡，它根据图像的噪声环境来设定，当图像的噪声比较大的时候增大。当比较小时，轮廓曲线远离目标边缘，轮廓曲线的能量主要取决于第一项；当比较大时，轮廓曲线的能量主要取决于第二项。对极小能量函数进行迭代求解以逼近目标边缘。 70 （3）通过迭代求解可以得到 GVF 力场，公式中的第一项为扩散项，为正则参数，是拉普拉斯算子。在远离边界或者图像灰度均匀处为 0，公式中第二项的系数在边界处取得最大值，这样可以达到仅在图像边界处恢复边缘梯度而避免弱化扩散效果。 75 式（3）中 u 和 v 可以看成是时间 t 的函数，对其求偏导：上式为一组线性抛物线方程，它的稳定解即为欧拉等式（3）的解。同时式（4）是一组经典扩散方程，扩散方程在图像凹陷处物理表现为“填入”特性。计算出 V（x,y）后，用 V(x,y) (4) 代替传统 Snake 模型方程 80 GVF Snake 模型方程。中的项，即可得到 - 2 - V(,)((,),(,))xyuxyvxyf(,)Ixyf222222=[()||||]xyxyuuvvfvfdxdyff222222()()0()()0xxyyxyuufffvvfff222xyff222222(,,)(,,)((,,)(,))((,)(,))(,,)(,,)((,,)(,))((,)(,))txxytxxyuxytuxytuxytfxyfxyfxyvxytvxytvxytfxyfxyfxy''''''(,)()()textXstXSXSEextE

中国科技论文在线 1.2 mean-shift 算法原理及跟踪应用 http://www.paper.edu.cn Mean-shift 算法是一种简洁的无参数密度估计方法。由于不需要进行穷尽搜索，其高效性已经在许多图像处理领域得到了验证，非常适合于目标跟踪。Mean-shift 算法利用梯度优化方法实现目标的快速定位，能够实时跟踪非刚性目标；核函数直方图作为目标的特征 85 模型，使得该算法对目标的变形、旋转等具有很好的适应性。在基于均值偏移的目标跟踪算法中，首先针对在初始帧中目标区域内所有的像素点，计算特征空间中的每个特征值得概率，成为目标模型的描述。在以后的每帧图像中可能存在目标的候选区域，计算特征空间的特征值称为候选模型的描述。度量初始帧目标模型和当前帧候选模型的相似性，通过相似性函数最大化得到关于目标的 Mean Shift 向量，这个向量是 90 目标从初始位置偏移的向量，通过不断迭代计算 Mean Shift 向量，在当前帧中，最终目标会收敛到目标的真实位置，从而达到跟踪的目的。具体流程如下： 1）选取跟踪目标，计算目标区域内的像素个数； 2）设为原始模板的特征，计算 (5) 设为候选模板的特征，计算 (6) 95 计算，这里 3）设上一帧目标的中心位置为，计算 Mean Shift 补偿向量。 (7) 4）当时停止迭代，否则，返回上一步。 1.3 基于 GVF-Snake 和 Mean-Shift 混合模型的目标检测和跟踪算法 100 由于在水下环境中，噪声嘈杂而且光照受限，导致水下视觉检测具有能见度差、检测范围狭窄的缺陷。然而，水下目标的近距离检测仍然是该领域内的研究热点，在水下导航和水下目标跟踪当中尤为重要。因此，在本文中，我们采用 GVF-Snake 模型对水下目标图像进行分割，得到目标的准确轮廓，然后才用 Mean-Shift 算法对轮廓范围内的目标图像进行实时跟踪。算法流程如图 1（a）所示。 105 从上图 1 中可以看出，本文所提出的算法的主要流程：首先，从水下视频的序列图像中获取一幅图像；然后，对图像进行预处理，将噪声与失真的影响降到最低，其中图像预处理的方法包括图像去失真、高斯平滑、直方图均衡化等，使用摄像机参数通过摄像机标定处理可以对失真图像进行修正，高斯平滑可以去除高频噪声，直方图均衡化技术对光照变化有很好的鲁棒性；接着，采用 GVF-Snake 模型对图像进行分割，提取出感兴趣的目标轮廓区域； 110 再然后，对得到的目标轮廓区域进行判定，是否满足真实目标轮廓范围，若满足，则进行目标跟踪处理，若不满足，则重新进行图像分割处理；最后，进行目标跟踪处理，知道跟踪结束。 - 3 - ˆnq201ˆ()[()]niniixxqCkbxhˆ()upy21ˆ()=C()()niuhiiyxpykbxh10ˆ()ˆ()muiiuqwbxpy0 ()()=1 ()iiixbinbxxbin，，ky21,k121()()()hhnkiiiihgkknkiiiyxxwghMyyyyyxwgh()hgxMy11(), kkhgkkyyMyyy

中国科技论文在线 http://www.paper.edu.cn (a)算法主流程图 (b)目标跟踪的流程图 115 图 1 流程图如图 1(b)所示为目标跟踪的流程图。首先，对 Mean-Shift 算法所用到的参数变量进行初始化，然后根据上一步图像分割得到的目标轮廓区域设定搜索框，接着，进入 Mean-Shift 目标跟踪算法的主循环流程，首先判断迭代次数是否大于终止次数的临界值，若不大于，计算初始搜索框的零阶矩、一阶矩，然后，根据零阶矩和一阶矩来计算目标中心的偏移量，接 120 着，计算新的目标中心来调整搜索框，最后来判断目标中心偏移量小于目标跟踪的终止精度的条件是否满足，若满足，则跟踪结束，如不满足，则返回到目标跟踪算法的主循环流程的起点处，如果迭代次数大于终止次数，则更新目标区域，跟踪终止。 2 实验与分析 2.1 实验环境 125 水下目标检测与跟踪的实验视频是在河海大学常州校区的图像工程与智能系统研究室的一个测试水池中拍摄的。一个水下摄像机和几个白色 LED 灯，没有外部光源来对水下环境进行辅助照明，其中，几个白色 LED 灯是集成在水下摄像机的镜头周围一圈的。实验环境如图 2 所示。水下图像数据是以 30fps 帧率采集的分辨率为 1280*720 的图片。实验选取的 3 种目标模型分别如图 3（a）、（b）、（c）所示。 130 图 2 水池实验环境 - 4 -

中国科技论文在线 http://www.paper.edu.cn (a) 凹模型 (b) 凸模型 (c)不规则模型 135 2.2 目标检测图 3 目标模型（a）原图像（b）初始轮廓线设置（c）GVF 力场（d）检测结果图 4 GVF 模型检测水下目标检测的目的是通过区分图像中的目标与背景信息之间的差异实现对目标区域的提取[7]。目标检测的方法有很多，本文采用 GVF-Snake 算法进行水下目标图像分割提取轮廓，如图 4 所示，是使用 GVF-Snake 模型检测图像边缘的一个简单示例，实验显示 GVF-Snake 模型相对于凹陷区域有较好的检测效果。水下目标检测的实验条件是假设水下目标为单一目标，水下环境固定不变，摄像头移动寻找跟踪目标。如图 5 所示，是针对水下目标模型的目标检测结果。 (a1)原图 (b1)初始轮廓线 (c1) GVF 力场（d1）传统 Snake (e1)GVF-Snake 140 145 (a2)原图 (b2)初始轮廓线 (c2) GVF 力场（d2）传统 Snake (e2)GVF-Snake 150 (a3)原图 (b3)初始轮廓线 (c3) GVF 力场（d3）传统 Snake (e3)GVF-Snake 图 5 GVF-Snake 算法目标检测性能在图 5 中，a1-a3 是选取的目标模型的水下图像的区域原图，b1-b3 是 a1-a3 经过预处理后经过初始轮廓线设置的图像，c1-c3 是 GVF 力场图像，d1-d3 是传统 Snake 模型算法对目标区域进行分割后的结果，e1-e3 是 GVF-Snake 算法对目标进行分割后得到的检测结果。为了对 GVF-Snake 模型算法的目标检测的结果进行更好地性能评估，我们采用评价指标 TPR（True 155 - 5 -

中国科技论文在线 http://www.paper.edu.cn Positive Rate）和 FPR(False Positive Rate)。TPR 表示检测区域占目标真实区域的比例， TPR 越高表明检测区域对真实目标区域描述越完整。FPR 表示目标真实区域之外的检测区域占背景区域的比例，FPR 越大，说明检测的区域中包含的非目标区域越大，效果越差。检测结果如表 1 所示。从图 5 和表 1 中均可以看出 GVF-Snake 算法具有很好的收敛效果，可以准确分割目标的轮廓，达到目标检测的目的。 160 算法传统 Snake GVF-Snake 2.3 目标跟踪表 1 目标检测精度 TPR 0.9424 0.8971 FPR 0.0258 0.0976 目标跟踪是通过对目标某一个或多个特征的跟踪实现的，目标特征主要分为两类，一类是基于边缘的特征，如目标轮廓，另一类为基于区域的特征，如目标像素值或其统计量。一般而言，区域特征比边缘特征包括更大的信息量，基于区域特征的跟踪算法有更好的鲁棒性，而基于边缘特征的跟踪算法简单，易于实现，实时性高。为了验证本文方法的效果，采用三个水下视频序列对本文的算法进行验证，如图 6 所示，就是 mean-shift 跟踪算法对水下目标模型跟踪的结果。（a1）frame279 (b1)frame324 (c1)frame381 (a)模型 1 水下视频序列（a2）frame482 (b2)frame547 (c2)frame588 (b)模型 2 水下视频序列 165 170 175 180 （a3）frame705 (b3)frame743 (c3)frame782 (c)模型 3 水下视频序列图 6 mean shift 跟踪算法的测试结果在上图中可以看出，（a）中是目标模型 1 静止，摄像机进行左右旋转的跟踪结果，（b）中是摄像机静止，目标模型 2 旋转移动的跟踪结果，（c）中是目标模型 3 静止，摄像机进行远近移动的跟踪结果。实验结果表明 Mean Shift 算法在这三种情况下，对水下目标均有较好的跟踪效果。Mean Shift 算法用于目标跟踪时采用核函数直方图对目标进行建模，对部分遮挡、目标的旋转、变形以及运动背景都不敏感，算法所需参数少，鲁棒性较强，能够快速的实现模式计算，具有良好的实时性，同时容易作为独立模块与别的算法集成等优点。 185 3 结论水下环境复杂多变，悬浮物等干扰因素众多，获取的图像往往对比度很低，边缘模糊，非常不利于目标的检测与跟踪。针对这种情况，本文对水下视频序列图像进行高斯平滑、直 - 6 -

中国科技论文在线 http://www.paper.edu.cn 方图均衡化等预处理来增强图像，提高对比度，然后采用 GVF-Snake 模型对水下目标进行分割，它比传统的 Snake 算法具有更好的收敛性能，可以准确的提取目标轮廓。最后采用 Mean shift 算法对提取的轮廓区域内的模型目标进行实时跟踪。实验结果表明，本文采取的 GVF-Snake 算法可以很方便的检测出水下图像的目标轮廓，对水下噪声干扰具有很好的鲁棒性，而 Mean Shift 跟踪算法可以对水下目标进行准确的跟踪，具有良好的实时性。 [参考文献] (References) [1] Walther D, Edgington D R, Koch C. Detection and tracking of objects in underwater video[A]. Proceedings of the 2004 IEEE Computer Society Conference on Computer Vision and Pattern Recognition[C]. IEEE,2004. [2] Spampinato C, Chen-Burger Y H, Nadarajan G, et al. Detecting, Tracking and Counting Fish in Low Quality Unconstrained Underwater Videos[A]. VISAPP(2)[C]. 2008: 514-519. [3] Kim D, Lee D, Myung H, et al. Object detection and tracking for autonomous underwater robots using weighted template matching[A]. OCEANS, 2012-Yeosu[C]. 2012: 1-5. [4] Xu C, Prince J L. Snakes, Shapes, and gradient vector flow[J]. IEEE Transactions on Image Processing, 1998, 7(3): 359-369. [5] 张颖. 视频序列中目标检测与跟踪方法研究[D]. 西安：西安电子科技大学，2011. [6] 覃剑. 视频序列中的运动目标检测与跟踪研究[D]. 重庆：重庆大学，2008. [7] 陈哲，王慧斌，沈洁，等. 基于光强-光谱-偏振信息融合的水下目标检测[J]. 通信学报，2013,34（3）： 192-198. 190 195 200 205 - 7 -

分享到：

赞收藏

资料库

论文研究-水下目标检测与跟踪：GVF Snake和Mean Shift .pdf

相关推荐

开发技术

热门标签

最新资料