梁 娟，項(xiàng) 俊，侯建華

（中南民族大學(xué) 電子信息工程學(xué)院，湖北 武漢430074）

視頻序列中運(yùn)動(dòng)目標(biāo)的跟蹤是計(jì)算機(jī)視覺(jué)領(lǐng)域的一個(gè)重要的研究課題，它已廣泛應(yīng)用于電子監(jiān)控系統(tǒng)、智能交通管理、醫(yī)學(xué)、軍事等多個(gè)領(lǐng)域。近年來(lái)，國(guó)內(nèi)外許多學(xué)者對(duì)該領(lǐng)域進(jìn)行了大量的研究，并且提出了許多不同的跟蹤方法，如基于模型的跟蹤方法[1]、基于特征的跟蹤方法[2]、基于區(qū)域的跟蹤方法[3]和基于輪廓的跟蹤 方 法[4]等 。 Camshift(Continuously Adaptive Mean Shift)算法是一種基于顏色特征匹配的跟蹤方法，該算法原理簡(jiǎn)單，具有實(shí)時(shí)性、穩(wěn)定性和較強(qiáng)的魯棒性，在簡(jiǎn)單背景中有較好的跟蹤效果。但傳統(tǒng)的Camshift算法是一種半自動(dòng)的跟蹤算法，目標(biāo)的初始大小和位置需要手動(dòng)選擇，而且在背景中存在相似顏色干擾、遮擋等情況下容易跟蹤失敗。

本文針對(duì)Camshift算法的這些不足，提出了一種基于Camshift和Kalman濾波的自動(dòng)跟蹤算法，采用幀間差分法和Canny邊緣檢測(cè)算法自動(dòng)定位運(yùn)動(dòng)目標(biāo)，當(dāng)遇到遮擋和顏色干擾時(shí)，引入Kalman濾波器對(duì)運(yùn)動(dòng)目標(biāo)的位置進(jìn)行預(yù)測(cè)。實(shí)驗(yàn)驗(yàn)證了該改進(jìn)算法對(duì)遮擋和顏色干擾的魯棒性和有效性。

1 運(yùn)動(dòng)目標(biāo)檢測(cè)

視頻序列中的運(yùn)動(dòng)目標(biāo)檢測(cè)是目標(biāo)跟蹤和目標(biāo)識(shí)別等高級(jí)處理的基礎(chǔ)。本文結(jié)合區(qū)域檢測(cè)和邊緣檢測(cè)的方法準(zhǔn)確地分割和定位出運(yùn)動(dòng)目標(biāo)。首先，利用幀間差分法得到目標(biāo)的差分圖像，對(duì)差分圖像進(jìn)行高斯濾波、二值化處理后采用Canny邊緣檢測(cè)算法得到目標(biāo)的邊緣輪廓信息，再進(jìn)一步提取出目標(biāo)的運(yùn)動(dòng)對(duì)象面，實(shí)現(xiàn)目標(biāo)標(biāo)定。在跟蹤過(guò)程中，用提取出的運(yùn)動(dòng)目標(biāo)初始化Camshift跟蹤算法的初始搜索窗口的大小，從而實(shí)現(xiàn)自動(dòng)跟蹤。

1.1 幀間差分法

幀間差分法是最簡(jiǎn)單的背景估計(jì)方法，它取上一幀視頻圖像作為當(dāng)前幀的背景模型，在相鄰兩幀間根據(jù)基于像素的差分并且閾值化來(lái)提取出圖像中的運(yùn)動(dòng)區(qū)域。該算法原理簡(jiǎn)單、實(shí)時(shí)性強(qiáng)，常常用于跟蹤的前期處理過(guò)程。該算法首先通過(guò)計(jì)算第k幀圖像和第k-1幀圖像的像素差得到差分后的圖像Dk；然后設(shè)置合適的二值化閾值T對(duì)Dk進(jìn)行二值化處理，得到二值化后的差分圖像 Rk(x,y)；最后對(duì) Rk(x,y)進(jìn)行形態(tài)學(xué)濾波及連通性分析,得到目標(biāo)運(yùn)動(dòng)區(qū)域。其中：

1.2 Canny邊緣檢測(cè)算法

Canny邊緣檢測(cè)算子是Canny于1986年提出的一種基于最優(yōu)化算法的邊緣檢測(cè)算子，該算子具有高精度定位的特點(diǎn)。Canny提出三個(gè)嚴(yán)格的檢測(cè)標(biāo)準(zhǔn)評(píng)價(jià)邊緣檢測(cè)的質(zhì)量，分別是：高信噪比準(zhǔn)則、高定位精度準(zhǔn)則和單一邊緣響應(yīng)準(zhǔn)則。該算法的實(shí)現(xiàn)過(guò)程如下：

(1)用高斯濾波器平滑圖像;

(2)用一階偏導(dǎo)的有限差分計(jì)算梯度的幅值和方向;

(3)對(duì)梯度幅值進(jìn)行非極大值抑制;

(4)用雙閾值算法檢測(cè)和連接邊緣。

2 運(yùn)動(dòng)目標(biāo)跟蹤

近年來(lái)，Camshift跟蹤算法憑借其實(shí)時(shí)性和魯棒性的特點(diǎn)被大量關(guān)注。該算法利用目標(biāo)的顏色特征模型實(shí)現(xiàn)跟蹤，由于顏色的相對(duì)穩(wěn)定性，該算法可以解決部分遮擋及目標(biāo)形變問(wèn)題。在簡(jiǎn)單背景下，該算法有較好的跟蹤效果,然而，在目標(biāo)被嚴(yán)重遮擋及存在大面積相似顏色干擾等復(fù)雜背景下，該算法會(huì)導(dǎo)致跟蹤失敗。本文提出了一種基于Camshift和Kalman濾波的改進(jìn)的跟蹤算法來(lái)解決這些問(wèn)題。

2.1 Camshift算法

Camshift算法即連續(xù)自適應(yīng)均值漂移算法，它是Meanshift算法的擴(kuò)展。該算法根據(jù)目標(biāo)的顏色概率分布信息實(shí)現(xiàn)運(yùn)動(dòng)目標(biāo)跟蹤。Camshift算法的處理過(guò)程由反向投影、Meanshift算法和Camshift算法三部分組成。

2.1.1 反向投影

首先將圖像從RGB空間轉(zhuǎn)換到HSV空間。HSV空間能精確地反映一些灰度信息和色彩信息，可以提高算法的穩(wěn)定性。由于HSV顏色空間中的H分量能直觀地反映物體顏色信息，且與亮度獨(dú)立，因此選擇圖像的H分量統(tǒng)計(jì)目標(biāo)的顏色直方圖,得到顏色概率查找表。最后將圖像中每個(gè)像素值用其顏色出現(xiàn)的概率替換，并將其得到的結(jié)果歸一化到[0,255]之間，從而得到顏色概率分布圖。色彩投影的流程如圖1所示。原圖圖像、H分量的顏色直方圖及對(duì)應(yīng)的概率分布圖如圖2所示。

2.1.2 Meanshift算法

Meanshift算法[5]是一種非參數(shù)密度梯度估計(jì)算法，其實(shí)質(zhì)是通過(guò)反復(fù)迭代搜索特征空間中樣本點(diǎn)最密集的區(qū)域，搜索點(diǎn)沿著樣本點(diǎn)密度增加的方向“漂移”到局部密度極大點(diǎn)，從而達(dá)到跟蹤的目的。該算法因其原理簡(jiǎn)單、計(jì)算量小、實(shí)時(shí)性強(qiáng)被廣泛應(yīng)用于圖像分割和跟蹤等領(lǐng)域。該算法的實(shí)現(xiàn)過(guò)程如下：

(1)設(shè)置搜索窗的初始大小和位置；

(2)計(jì)算搜索窗的質(zhì)心；

(3)將該搜索窗的中心移至質(zhì)心處；

(4)重復(fù)步驟(2)和步驟(3)，直至收斂或者搜索窗質(zhì)心移動(dòng)的距離小于事先設(shè)定的閾值。

設(shè)I(x,y)是概率分布圖中位于(x,y)處的像素值，x、y在整個(gè)搜索窗范圍內(nèi)取值。則有：

2.1.3 Camshift算法

Camshift算法[6-7]是對(duì)視頻序列中的所有幀作 Meanshift運(yùn)算，并且將得到的搜索窗的大小和中心作為下一幀meanshift算法搜索窗的初始值。如此迭代下去，實(shí)現(xiàn)對(duì)目標(biāo)的跟蹤。算法的具體流程如圖3所示。

2.2 改進(jìn)的Camshift算法

傳統(tǒng)的Camshift算法原理簡(jiǎn)單、計(jì)算量小、實(shí)時(shí)性強(qiáng)，能夠有效地解決目標(biāo)形變及部分遮擋等問(wèn)題。然而,該算法在跟蹤時(shí)需要手動(dòng)選擇初始搜索窗口的大小，是一種半自動(dòng)的跟蹤算法；同時(shí),由于該算法在跟蹤過(guò)程中沒(méi)有利用目標(biāo)的方向、速度等運(yùn)動(dòng)信息，當(dāng)背景中存在大面積相似顏色干擾或者目標(biāo)被嚴(yán)重遮擋時(shí)，該算法不能準(zhǔn)確地跟蹤目標(biāo)，甚至導(dǎo)致跟蹤失敗。本文提出一種改進(jìn)算法克服以上問(wèn)題。首先,結(jié)合幀間差分法和Canny邊緣檢測(cè)算法，準(zhǔn)確地提取出運(yùn)動(dòng)目標(biāo)，根據(jù)提取出的運(yùn)動(dòng)目標(biāo)初始化Camshift跟蹤算法的初始搜索窗口，從而實(shí)現(xiàn)了自動(dòng)跟蹤。為了解決顏色干擾和嚴(yán)重遮擋的問(wèn)題，本文引入Kalman濾波器，用Kalman濾波器預(yù)測(cè) Camshift算法中第 K（K>2）幀搜索窗口的中心位置。具體的步驟為：先初始化Kalman濾波器,當(dāng)幀數(shù)K>2時(shí),用Kalman濾波器預(yù)測(cè)Camshift算法的搜索窗口位置；用Camshift算法計(jì)算目標(biāo)的最優(yōu)位置和大小；判斷背景中是否存在顏色干擾或者目標(biāo)被嚴(yán)重遮擋,若無(wú),則直接用Camshift算法計(jì)算出的目標(biāo)位置作為觀測(cè)值去更新Kalman濾波器;若有，則搜索窗口的大小會(huì)自動(dòng)變大或變小，此時(shí)用Camshift算法計(jì)算出的最優(yōu)位置是不準(zhǔn)確的，如果用該值作為觀測(cè)值去更新Kalman濾波器，Kalman濾波器將不能有效準(zhǔn)確地估計(jì)下一幀的目標(biāo)位置，最終會(huì)導(dǎo)致跟蹤丟失。此時(shí)，用Kalman濾波器的預(yù)測(cè)值代替Camshift算法計(jì)算出的目標(biāo)位置作為觀測(cè)值去更新Kalman濾波器。本文中，用α判斷是否出現(xiàn)顏色干擾,用濾波器殘差r(k)和遮擋率β判斷目標(biāo)是否被嚴(yán)重遮擋。α、r(k)、β的計(jì)算公式如下：

圖3 Camshift算法流程圖

其中,Rect_currenct為Camshift算法計(jì)算得到的目標(biāo)區(qū)域的大小，Rect_last為上一幀圖像目標(biāo)區(qū)域的大小，Rect_origin為初始搜索窗口的大小，x(k)、y(k)表示目標(biāo)位 置的 觀 測(cè) 值 ，x′(k)、y′(k)表 示 目 標(biāo) 位 置 的 預(yù) 測(cè) 值 。 在本文中，當(dāng)α>2時(shí)，認(rèn)為背景中存在大面積相似顏色干擾；當(dāng)r(k)>10且β<0.3時(shí)，則認(rèn)為目標(biāo)被嚴(yán)重遮擋。該改進(jìn)算法流程圖如圖4所示。

3 實(shí)驗(yàn)結(jié)果及分析

為了驗(yàn)證算法的有效性，本文在Pentium(R)4,3.00GHz CPU,1 GB內(nèi)存,Windows XP操作系統(tǒng)的計(jì)算機(jī)上使用VS2005結(jié)合OPENCV函數(shù)庫(kù)來(lái)編寫(xiě)程序。每幀圖像的大小為 320×240。

3.1 運(yùn)動(dòng)目標(biāo)檢測(cè)與定位實(shí)驗(yàn)結(jié)果

圖5顯示了運(yùn)動(dòng)目標(biāo)的提取結(jié)果，其中,圖5(a)是原始圖像序列中的一幀；圖5(b)是經(jīng)過(guò)幀間差分法、高斯濾波、二值化處理后結(jié)合Canny邊緣檢測(cè)算法得到的運(yùn)動(dòng)目標(biāo)的邊緣圖像；圖5(c)是提取出目標(biāo)的運(yùn)動(dòng)對(duì)象面；圖5(d)是運(yùn)動(dòng)目標(biāo)的標(biāo)定結(jié)果。從實(shí)驗(yàn)結(jié)果可以看出，幀間差分法結(jié)合Canny邊緣檢測(cè)的方法可以準(zhǔn)確地提取出運(yùn)動(dòng)目標(biāo)。

3.2 改進(jìn)的Camshift算法實(shí)驗(yàn)結(jié)果

為了驗(yàn)證改進(jìn)的Camshift算法的有效性，本文將傳統(tǒng)Camshift算法的跟蹤效果與改進(jìn)的Camshift算法跟蹤效果進(jìn)行比較，比較結(jié)果如圖6和圖7所示。

圖6為相似顏色干擾實(shí)驗(yàn)，視頻序列的背景中有一個(gè)紅色袋子與運(yùn)動(dòng)目標(biāo)的顏色很相似。其中，圖6(a)為傳統(tǒng)Camshift算法的實(shí)驗(yàn)結(jié)果。從第110幀~第127幀，目標(biāo)越來(lái)越靠近紅色袋子，目標(biāo)區(qū)域也逐漸擴(kuò)大，將袋子誤認(rèn)為是目標(biāo)導(dǎo)致目標(biāo)定位不準(zhǔn)確。第172幀目標(biāo)離開(kāi)袋子時(shí)，跟蹤框仍停留在袋子上，最終導(dǎo)致跟蹤失敗。圖6(b)為改進(jìn)Camshift算法的實(shí)驗(yàn)結(jié)果。實(shí)驗(yàn)結(jié)果表明，改進(jìn)的Camshift算法在背景中存在相似顏色干擾時(shí)仍能有效地跟蹤目標(biāo)。

圖7為遮擋實(shí)驗(yàn)，其中圖 7(a)為傳統(tǒng) Camshift算法實(shí)驗(yàn)結(jié)果,圖7(b)為改進(jìn)的Camshift算法的實(shí)驗(yàn)結(jié)果。在圖7(a)中的第161幀時(shí)，目標(biāo)被部分遮擋，Camshift算法通過(guò)縮小目標(biāo)區(qū)域的大小以消除目標(biāo)被遮擋部分的影響，實(shí)現(xiàn)對(duì)目標(biāo)的跟蹤。在第190幀時(shí)，目標(biāo)被完全遮擋，顏色信息完全消失，搜索窗口收縮到最小值并停留在一個(gè)局部小區(qū)域內(nèi)。第280幀當(dāng)目標(biāo)再次出現(xiàn)時(shí)跟蹤丟失。在圖6(b)中的第190幀時(shí)，目標(biāo)被嚴(yán)重遮擋，此時(shí)用本文改進(jìn)算法進(jìn)行跟蹤并設(shè)置搜索窗口的大小為初始搜索窗的大小。第280幀時(shí)，目標(biāo)重新出現(xiàn)，搜索窗口與目標(biāo)聯(lián)接，開(kāi)始新的跟蹤。實(shí)驗(yàn)結(jié)果表明，改進(jìn)的Camshift算法對(duì)遮擋有較好的魯棒性。

本文提出了一種基于Kalman濾波與Camshift算法的改進(jìn)的自動(dòng)跟蹤算法。實(shí)驗(yàn)表明，本文所提出的改進(jìn)算法可以實(shí)時(shí)、準(zhǔn)確、自動(dòng)地跟蹤目標(biāo)，并且對(duì)干擾和遮擋有較好的魯棒性。然而，本文是在背景靜止、目標(biāo)勻速運(yùn)動(dòng)的假設(shè)下完成的，如何提高算法在動(dòng)態(tài)復(fù)雜背景及目標(biāo)速度變化較大的情況下跟蹤的穩(wěn)定性，是需要進(jìn)一步研究的內(nèi)容。

[1]KIM H K，KIM J D.Region-based shape descriptor invariant to rotation,scale and translation[J].Signal Processing:Image Communication,2000,16(1-2):87-93.

[2]SCHOLKOPF B.Statistical learning and kernel methods[M].Technology Report MSR_TR,2002.

[3]BADENAS J,BOBER M,PLA F.Motion and intensitybased segmentation and its application to traffic monitoring[C].Proceedings of ICIAP 1310,1997:502-509.

[4]LIN Y T,CHANG Y L.Tracking deformable objects with the Active Contour Model[C].Proceedings IEEE(ICMCS’1997),1997:608-609.

[5]周尚波,胡鵬,柳玉炯.基于改進(jìn)Mean-Shift與自適應(yīng)Kalman濾波的視頻目標(biāo)跟蹤[J].計(jì)算機(jī)應(yīng)用,2010,30(6):1573-1576.

[6]鄔大鵬,程衛(wèi)平,于盛林.基于幀間差分和運(yùn)動(dòng)估計(jì)的Camshift目標(biāo)跟蹤算法[J].光電工程,2010,37(1):55-60.

[7]王江濤,楊靜宇.遮擋情況下基于Kalman均值偏移的目標(biāo)跟蹤[J].系統(tǒng)仿真學(xué)報(bào),2007,19(18):4216-4220.