魯凱翔，田鵬輝，隋立春

(1. 長安大學 地質工程與測繪學院，陜西 西安 710054； 2. 西安工業(yè)大學 計算機學院，陜西 西安 710032)

一、引 言

近年來，目標跟蹤是機器視覺領域比較活躍的研究課題，在車輛跟蹤、智能機器人、人機交互、智能家居及生物醫(yī)學圖像分析等行業(yè)有著潛在的應用[1-2]。學者們提出了大量的運動目標跟蹤算法，在這些算法中，基于統(tǒng)計迭代思想的均值漂移(mean shift，MS)算法經常被應用于聚類、圖像平滑、圖像分割和跟蹤方面等各種不同場合[3-4]。該方法計算量不大，能夠進行實時目標跟蹤。

紅外熱成像跟蹤技術是一種被動式目標跟蹤技術。與可見光圖像相比，紅外成像系統(tǒng)在黑暗和煙霧等環(huán)境中仍具有較強的視覺能力，能夠全天候工作。近年來，隨著紅外成像系統(tǒng)價格的降低，紅外運動目標檢測與跟蹤問題得到了越來越多的關注。然而，由于紅外圖像信噪比較低、對比度低、目標邊緣模糊、信息單一且缺乏紋理特征等，因此使得紅外運動目標跟蹤難度增加[5-6]。

本文主要研究動態(tài)復雜背景下紅外圖像序列中運動目標的檢測與跟蹤技術，利用MS理論，實現(xiàn)了紅外成像運動目標的跟蹤；通過在不同紅外視頻監(jiān)控場景下對緩慢移動的熱水壺、騎自行車的行人等目標的跟蹤，驗證了本文算法的有效性。

二、二維直方圖MS紅外目標跟蹤

相對于一維灰度直方圖，二維灰度直方圖是一種有效的灰度分布描述方法[7]，它既能反映像素點的灰度分布，又能體現(xiàn)像素與其相鄰像素的灰度相關性信息，更清晰地反映圖像的灰度聚類分布信息。因此，許多學者研究了二維灰度直方圖上的目標模型的建立方法[8]。本文擬采用二維直方圖建立目標模型，并通過MS算法實現(xiàn)對紅外運動目標的跟蹤。

1. 二維直方圖目標模型

根據特征選擇方法，將紅外圖像的灰度分為L級。設像素x的灰度對應的灰度特征區(qū)域為f(x)，其鄰域像素的平均灰度對應的灰度特征區(qū)域為g(x)，則f(x)和g(x)構成一個灰度二元組(f,g)，其出現(xiàn)的概率可表示為

(1)

以f,g為自變量的Pf,g就是圖像關于像素灰度-區(qū)域均值灰度的二維直方圖，如圖1所示。

圖1 二維灰度直方圖

圖1中，f為像素點灰度，g為鄰域平均灰度，一般以T點作為閾值點，將灰度區(qū)域分為A、B、C、D4個部分。根據同態(tài)性，A代表背景區(qū)域，B代表目標，C和D區(qū)域代表可能的邊緣及噪聲。

2. MS跟蹤算法

MS算法是一個不斷進行迭代運算的過程，即首先算出當前點的偏移均值，移動該點到其偏移均值，然后以此為新的起始點，繼續(xù)移動，直到滿足一定的條件結束。MS算法以其優(yōu)良的性能在目標跟蹤中得到了很好的應用，它是一種無參數(shù)的密度估計算法，最早由文獻[9]提出，并應用于模式識別問題。文獻[10]將MS方法用于解決目標跟蹤問題。

假設運動目標中心位于x0，利用灰度或顏色分布來描述這個運動對象，則該運動目標可以表示為

(2)

由此可知，候選的位于y的目標可以描述為

(3)

(4)

(5)

把式(3)代入式(5)，整理可得

(6)

式中，有

(7)

選擇k(x)為Epanechnikov核函數(shù)的輪廓函數(shù)，則有

(8)

三、跟蹤算法實現(xiàn)

基于MS目標跟蹤算法的流程為：

1) 算法的輸入，在第一幀目標圖像上手動選定跟蹤目標的大小(即跟蹤窗口)。

3) 依據式(7)計算權重wi。

4) 依據式(8)計算新的位置y1。

6) 如果|y1-y0|

四、試驗結果與分析

為了驗證本文所提出的紅外目標跟蹤算法的性能，采用兩組紅外視頻圖像進行測試，并比較MS 跟蹤算法和本文跟蹤算法的跟蹤效果(如圖2、圖3所示)。所有算法均在 Intel Pentium 4 3.0 GHz CPU、2 GB內存計算機，Windows XP 系統(tǒng)下用Matlab 7.9編程實現(xiàn)。圖像中方框表示估計的目標位置，在圖像序列中待跟蹤目標的初始位置由手動方式給定。試驗視頻數(shù)據來自愛爾蘭都柏林城市大學數(shù)字視頻處理中心。

圖2是對一段長為150幀的640像素×480像素的紅外視頻中緩慢移動的熱水壺的跟蹤試驗結果。前65幀中MS算法和本文算法跟蹤結果基本一致；到第90幀時，由于目標前后縱向移動，MS跟蹤位置開始偏離運動目標，如圖2(a)中第90幀跟蹤結果所示。

圖3是對一段長為120幀的640像素×480像素的都柏林城市大學校園紅外監(jiān)控視頻中騎自行車的行人的跟蹤試驗結果。

圖2 緩慢移動的熱水壺跟蹤結果

本次試驗中，由于運動目標(騎自行車的行人)較小，在圖3(a)中，MS跟蹤算法在第95幀時，受到跟蹤目標旁邊復雜背景中的行人的干擾，丟失跟蹤目標，跟蹤算法失效；而在圖3(b)中，本文算法仍然能夠有效跟蹤運動目標。

五、結束語

對于低信噪比的紅外圖像，由于一維直方圖難以可靠、穩(wěn)定地描述運動目標，因而在區(qū)分目標與背景區(qū)域時，經常難以達到預期要求。而二維灰度直方圖的突出優(yōu)點是抗噪性能好，已在圖像分割中表現(xiàn)出良好的性能，其原因在于這種圖像灰度的描述方法能夠有效地區(qū)分目標和背景區(qū)域，這種特性也正是目標跟蹤算法所需要的。本文提出了一種基于改進的MS算法的紅外目標跟蹤方案。試驗結果表明，本文所提出的方案實現(xiàn)了對紅外目標的實時自動檢測跟蹤，同時對于目標遮擋、丟失的情況是穩(wěn)健的。

參考文獻：

[1] 譚熊，余旭初，劉景正，等. 基于無人機視頻的運動目標快速跟蹤[J]. 測繪通報，2011(9):32-34.

[2] 張?zhí)煨?成像自動目標識別[M].武漢:湖北科學技術出版社，2005: 22-38.

[3] 李鄉(xiāng)儒，吳福朝，胡占義.均值漂移算法的收斂性[J].軟件學報,2005,16(3): 365-374.

[4] CHENG Jian, YANG Jie. Novel Infrared Object Tracking Method Based on Mean Shift [J]. Journal of Infrared and Millimeter Waves，2005, 24 (3): 231-235.

[5] CAI Xiaochun,HU Yihua,HU Guilan,et al. Morphology Based Adaptive Preprocessing Method of Infrared Image Sequence[C]∥Proceedings of SPIE 2007.Xi'an:[s.n.]，2007.

[6] 楊萃元，趙忠凱，蒲書縉. 基于多結構元素灰度形態(tài)學的紅外背景估計算法[[J].哈爾濱工程大學學報，2005,26(6):796-799.

[7] XIA Xutang, WU Haibin,CHEN Xinbing, et al. Application Research of the Segmentation of Near-infrared Images Based on OTSU [J]. Journal of Atmospheric and Environmental Optics， 2011,6(6):470-475.

[8] 李立源, 龔堅, 陳維南. 基于二維灰度直方圖最佳一維投影的圖像分割方法[J]. 自動化學報,1996，22(3)：315-322.

[9] FUKUNAGA K, HOSTETLER L D. The Estimation of the Gradient of a Density Function, with Applications in Pattern Recognition [J]. IEEE Transactions on Information Theory，1975, 21 (1): 32-40.

[10] COMANICIU D, MEER P. Mean Shift: a Robust Approach Toward Feature Space Analysis [J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2002, 24 (5): 603-619.