摘要將計算機視覺技術(shù)應(yīng)用到數(shù)控剖竹機運動加工目標(biāo)的檢測和跟蹤中，提出一種基于改進Camshift算法的適合竹材加工運動目標(biāo)檢測和跟蹤算法。針對竹材檢測、跟蹤過程中的干擾因素，通過圖像的色度值來代替背景圖像的亮度值，來減少陰影干擾，采用背景差分法與幀間差分法相結(jié)合的目標(biāo)檢測方法，改進Camshift算法，利用HSV圖的H分量均值和每一幀H分量均值的差值結(jié)果來進行H分量均值更新，以克服光照影響，并利用Kalman濾波實現(xiàn)對下一幀竹材所在位置進行預(yù)測，預(yù)測結(jié)果用于修正Camshift算法的跟蹤結(jié)果。結(jié)果表明，改進的算法能夠?qū)\動竹材目標(biāo)進行實時跟蹤，算法高效、準(zhǔn)確。

關(guān)鍵詞計算機視覺；改進Camshift；目標(biāo)檢測；目標(biāo)跟蹤

中圖分類號S126文獻標(biāo)識碼A文章編號0517-6611（2014）24-08455-04

Research of Improved Camshift Algorithm in Object Detection and Tracking for Bamboo Processing

REN Honge et al（Information and Computer Engineering College， Northeast Forestry University， Harbin， Heilongjiang 150040）

AbstractApplying the computer vision into detecting and tracking of processing objective of Sectional Bamboo Machine， a new tracking algorithm based on improved Camshift algorithm was put forward， which is suitable for bamboo processing. This paper mainly includes the object detecting algorithm based on background subtraction and frame difference and the object tracking algorithm based on Camshift and Kalman filter， the bamboo position in next frame was predicted， the predicting results was used to correct the tracking results generated by Camshift. To overcome the interference factors， different algorithms were integrated. To reduce the interference of shadow， the chrominance values of the imager was replaced by the luminance value of the background image； to overcome the impact of light， the discrepancy of H component between HSV image and each frame was used to update the mean weight of H component. The results showed that the improved algorithm can track the bamboo efficiently， quickly and accurately.

Key wordsComputer vision； Improved Camshift； Object detecting； Object tracking

近十幾年來，隨著電子技術(shù)、計算機網(wǎng)絡(luò)等的不斷更新發(fā)展，計算機視覺作為一個新型行業(yè)領(lǐng)域備受關(guān)注。作為圖像處理與模式識別的重要研究內(nèi)容，基于視頻的運動目標(biāo)檢測與跟蹤被廣泛應(yīng)用于各大領(lǐng)域。另一方面，我國擁有非常豐富的竹材資源，南方城市具有較多竹材加工車間，產(chǎn)業(yè)整體呈現(xiàn)良好態(tài)勢。但現(xiàn)行竹材加工設(shè)備大都功能簡易，沒有一次性連續(xù)數(shù)控完成竹材加工的聯(lián)合機[1]。國外，發(fā)達國家木工機械企業(yè)，受資源分布區(qū)域的限制，一般也不研究竹材加工設(shè)備。將計算機視覺引入竹材加工領(lǐng)域，提出適合竹材加工的目標(biāo)檢測跟蹤算法，搭建竹材實時監(jiān)控系統(tǒng)，實現(xiàn)竹材加工智能流水線，達到高效、智能的工作水平變得尤為迫切。

基于多次實際生產(chǎn)車間調(diào)研，總結(jié)分析得出，基于計算機視覺的剖竹機數(shù)控系統(tǒng)應(yīng)用應(yīng)滿足以下需求：①具有較高實時性，能實現(xiàn)對竹材的實時檢測與跟蹤；② 能夠克服光照、陰影對竹材檢測和跟蹤所帶來的干擾；③能夠解決竹材與背景顏色相近、背景干擾的問題；④系統(tǒng)具有一定穩(wěn)定性、可靠性。

基于系統(tǒng)需求分析和對已有算法的優(yōu)缺點及適用范圍的深入研究，較為科學(xué)地從中篩選出了適合應(yīng)用于竹材加工生產(chǎn)的目標(biāo)檢測跟蹤算法。

運動目標(biāo)檢測可以實現(xiàn)將運動目標(biāo)從視頻或者圖像序列背景中區(qū)分開來并識別。靜態(tài)背景下常用的目標(biāo)檢測方法有背景差分法、幀間差分法、光流法等[2]。背景差分法計算量較小，該算法對光照、天氣等因素敏感，容易受到干擾，不夠穩(wěn)定，不適于對光照變化具有較高要求的情況。幀間差分法方法簡單，且對光線具有一定適應(yīng)能力，但不適用于運動物體速度過慢或過快的情況，因為會出現(xiàn)檢測不出物體或者檢測不完全運動目標(biāo)的結(jié)果。光流法計算復(fù)雜，并且抗噪能力較差，并不常用?；趯嶋H加工環(huán)境，將幀間差分法和背景差分法同時應(yīng)用于剖竹機數(shù)控系統(tǒng)中，結(jié)合二者光適應(yīng)性強和穩(wěn)定的優(yōu)點，規(guī)避二者缺點，提出適合竹材檢測的新算法。

靜態(tài)背景下常用的目標(biāo)跟蹤方法有基于目標(biāo)特征匹配的跟蹤算法、核跟蹤、基于對比度分析的跟蹤算法?；谀繕?biāo)特征匹配的目標(biāo)檢測算法，常提取的目標(biāo)特征有紋理特征、顏色分布特征等。最常用的Camshift算法[3-5]是在Meanshift算法的基礎(chǔ)上延伸而來的，是一種基于目標(biāo)顏色直方圖為特征的跟蹤算法，該算法可有效避免部分遮擋問題，并且運算效率高。由于竹材運動中顏色分布特征不會發(fā)生較大變動，且在工廠實際生產(chǎn)中易發(fā)生部分遮擋問題，采用Camshift算法實現(xiàn)竹材跟蹤，同時引入Kalman濾波預(yù)測算法，用于修正Camshift跟蹤結(jié)果，從而實現(xiàn)準(zhǔn)確高效跟蹤。

1 基于背景差分法和幀間差分法相結(jié)合的目標(biāo)檢測算法

在竹材加工生產(chǎn)系統(tǒng)中，系統(tǒng)需要實時監(jiān)控，做到對竹材加工目標(biāo)及時、準(zhǔn)確跟蹤，在光照不穩(wěn)定情況下，依然要求具有較高穩(wěn)定性，僅僅采用幀間差分法，無法滿足對準(zhǔn)確性的需求，只采用背景差分法則無法克服光照因素，達不到對穩(wěn)定性的較高要求。綜合背景差分法與幀間差分法的優(yōu)點及缺點，采用背景差分法與幀間差分法相結(jié)合的目標(biāo)檢測算法，可最大程度地繼承二者優(yōu)點，克服缺點，實現(xiàn)可靠、高效檢測。

基于背景差分法和幀間差分法相結(jié)合的目標(biāo)檢測算法：在現(xiàn)有方法的基礎(chǔ)上，將連續(xù)兩幀的幀間差分圖像與高斯混合模型建立的背景圖像相與，再對得到的圖像進行二值化處理，就可以將前景目標(biāo)與背景相分離，最終準(zhǔn)確檢測出運動目標(biāo)。

幀間差分法是通過二值化的幀間差分圖像來確定運動目標(biāo)，由于該方法是基于實時的兩幀間像素點灰度差，固有較高實時性，且當(dāng)光線等因素發(fā)生變化時，可以較快實現(xiàn)自適應(yīng)。幀間差分法則簡單易行，復(fù)雜度低，對光照等不敏感，具有較高穩(wěn)定性。但幀間間隔的選擇可能會造成前后幀重疊或者檢測不到運動目標(biāo)。背景差分要將獲取的背景圖像與當(dāng)前幀做差分。背景差分法具有檢測速度快、檢測結(jié)果精確、實現(xiàn)較為簡單等優(yōu)點，該方法的關(guān)鍵步驟就是對于背景的獲取及更新。

背景差分后的差分圖像表示為：

Kalman濾波主要包括Kalman預(yù)測過程與Kalman更新過程[6]。在預(yù)測估計部分，Kalman充分利用上一狀態(tài)估計值并在此基礎(chǔ)上，實現(xiàn)對當(dāng)前系統(tǒng)的預(yù)測。在Kalman更新部分，Kalman通過預(yù)測值被當(dāng)前觀測值優(yōu)化的方法，提高對當(dāng)前狀態(tài)預(yù)測的準(zhǔn)確度。

42卷24期任洪娥等基于改進Camshift的竹材加工目標(biāo)檢測跟蹤算法研究Camshift與Kalman濾波相結(jié)合的目標(biāo)跟蹤算法可提高Camshift算法目標(biāo)跟蹤準(zhǔn)確度和實時性。由于Camshift算法是基于顏色直方圖模型、利用區(qū)域顏色信息進行目標(biāo)跟蹤的算法，且有較高運算效率以及較好魯棒性，適合應(yīng)用于目標(biāo)顏色分布不變且可能會發(fā)生部分遮擋等情況的情境中，因此可以很好地應(yīng)用于竹材目標(biāo)檢測。Camshift與Kalman濾波相結(jié)合的竹材跟蹤算法的流程如圖1所示。

圖1 Camshift與Kalman濾波相結(jié)合的竹材跟蹤算法的流程跟蹤過程中，參照剖竹機數(shù)控系統(tǒng)對穩(wěn)定性的需求以及工廠在實際生產(chǎn)中的情況，陰影和光照問題應(yīng)得到進一步處理。

（1）陰影：在檢測運動目標(biāo)時會出現(xiàn)一定陰影。當(dāng)像素點被陰影所覆蓋時，該像素點的色度不會有變化，但亮度會有很大變化[7]。因此，用圖像的色度值來代替背景圖像的亮度值，從而減少陰影干擾。

（2）光照：一方面選取的幀間差分法憑借較好的光適應(yīng)性，已經(jīng)從很大程度上降低了光照影響，另一方面可以利用H分量均值更新的辦法進一步克服光照影響。H分量均值判斷補光法的步驟如下：①H分量的平均初始值的計算，即求出初始化搜索窗口的H分量均值；②實時對每一幀搜索窗口的H分量均值進行計算；③每一幀搜索窗口的H分量均值與初始化的H分量均值進行做差：

H-H>Th，受到光照影響并超過誤差范圍，補光

H-H>Th，受到光照影響但可以忽略，不用補光

3 改進的目標(biāo)跟蹤算法在剖竹機數(shù)控系統(tǒng)中的應(yīng)用

基于計算機視覺的目標(biāo)跟蹤算法在剖竹機數(shù)控中應(yīng)用可以分成以下幾個步驟：①讀入一幀圖像；②將連續(xù)兩幀的幀間差分圖像和高斯混合模型建立的背景圖像相與[8]，然后生成的圖像進行二值化處理，從而將前景對象和背景可以分離，準(zhǔn)確檢測出運動目標(biāo)；③分別采用Camshift進行跟蹤和Kalman進行預(yù)測，并且對Camshift的跟蹤結(jié)果與Kalman預(yù)測結(jié)果進行做差；④若誤差在規(guī)定閾值內(nèi)，則認(rèn)為Camshift實現(xiàn)了較為可靠的準(zhǔn)確跟蹤，可以作為跟蹤結(jié)果輸出，Camshift結(jié)果作為跟蹤結(jié)果輸出，并跳至步驟①，否則進入⑤；⑤若誤差超過規(guī)定閾值，則認(rèn)為Camshift的跟蹤結(jié)果誤差過大，應(yīng)該使用Kalman預(yù)測結(jié)果進行校正，用Kalman的預(yù)測值代替誤差較大的Camshift跟蹤結(jié)果值，作為跟蹤結(jié)果輸出，并跳入步驟①。具體檢測跟蹤、流程如圖2所示?；谝陨涎h(huán)，從而實現(xiàn)對竹材的穩(wěn)定、可靠、高效跟蹤。

圖2竹材檢測、跟蹤算法的流程4 竹材檢測跟蹤試驗結(jié)果

試驗環(huán)境：Windows 7系統(tǒng)下，利用Matlab 2012a編寫程序完成算法編寫。利用DV采集一段竹材運動視頻，選取部分幀，采集速率為15 f/s。

將含有一段竹材運動的圖像序列作為讀入的視頻序列，

圖3竹材目標(biāo)檢測結(jié)果注：（a）、（b）、（c）中綠色方框分別代表傳統(tǒng)Camshift算法在第8幀、第56幀、第88幀時的跟蹤結(jié)果，（d）、（e）、（f）紅色方框分別代表該研究提出的基于Kalman修正的Camshift跟蹤算法結(jié)果。

圖4該研究算法與傳統(tǒng)Camshift算法跟蹤結(jié)果對比圖按照該研究提出的檢測算法對竹材進行實時檢測。運行結(jié)果如圖3所示，其中（a）、（b）分別為第8幀、第24幀背景圖像，（c）、（d）分別為在采用幀間差分和背景差分算法對運動竹材的檢測時第8幀、第24幀的檢測結(jié)果。從試驗結(jié)果可以看出，該算法可以可靠地實現(xiàn)對竹材位置的實時檢測。

圖4為傳統(tǒng)Camshift算法和該研究提出的算法跟蹤竹材試驗結(jié)果。從竹材跟蹤部分試驗結(jié)果對比可以看出，利用Camshift算法來實現(xiàn)對竹材位置的實時監(jiān)測，經(jīng)Kalman濾波修正后的Camshift跟蹤結(jié)果更加準(zhǔn)確，可以很好地適應(yīng)竹材自身特點，是切實可行的。

5 結(jié)論

基于背景差分和幀間差分相結(jié)合的竹材檢測算法很好地實現(xiàn)了在竹材加工生產(chǎn)系統(tǒng)中，對竹材的實時檢測，并且?guī)g差分法使算法具有較高準(zhǔn)確性，背景差分使算法很好地克服了光照因素帶來的干擾。二者的結(jié)合，結(jié)合優(yōu)點，規(guī)避缺點，實現(xiàn)了可靠、高效檢測。基于Kalman修正的Camshift竹材跟蹤算法中，Camshift實現(xiàn)了對竹材的位置進行實時定位，Kalman實現(xiàn)了基于上一幀對當(dāng)前幀的可靠預(yù)測，且Kalman在Camshift基礎(chǔ)上對試驗結(jié)果進行修正，進一步提高了竹材跟蹤結(jié)果的準(zhǔn)確性。在跟蹤過程中，對陰影、目標(biāo)與背景相似等問題的處理，增加了跟蹤的穩(wěn)定性。該研究提出的算法可以很好地應(yīng)用于竹材加工系統(tǒng)，實現(xiàn)竹材的實時監(jiān)測、竹材加工智能流水線，達到高效、智能的工作水平，具有較高實用性。

參考文獻

[1] 李大勝.整竹去青技術(shù)及裝備的研究[D].南京：南京林業(yè)大學(xué)，2004.

[2] 甄景蕾.基于全景視覺的運動目標(biāo)檢測與跟蹤方法研究[D].哈爾濱：哈爾濱工程大學(xué)，2008.

[3] 錢永青，謝勤嵐.結(jié)合Camshift和Kalman預(yù)測的運動目標(biāo)跟蹤[J].計算機工程與科學(xué)，2010，32（8）：81-83，137.

[4] YIN M H，ZHANG J，SUN H G，et al.Multicuebased CamShift guided particle filter tracking[J].Expert Systems with Application，2011，38（5）：6313-6318.

[5] LI Y B，SHEN X L，BEI S S，et al.Realtime tracking method for moving target based on an improved Camshift algorithm[C].2011 International Conference on Mechatronic Science， Electric Engineering and Computer，2011：978-981.

[6] 闞言東.Kalman濾波新算法及其在數(shù)據(jù)融合中的應(yīng)用[D].南京：南京工業(yè)大學(xué)，2008.

[7] 王瑋，李紅波，吳渝，等.一種運動目標(biāo)陰影輪廓的兩步檢測算法[J].廣西師范大學(xué)學(xué)報：自然科學(xué)版，2010，28（3）：165-169.

[8] 朱明旱，羅大庸，曹倩霞，等.幀間差分與背景差分相融合的運動目標(biāo)檢測算法[J].計算機測量與控制，2005，13（3）：215-217.