王玲玲，裴 東，王全州

(西北師范大學(xué)，甘肅蘭州730070)

1 引言

運(yùn)動(dòng)目標(biāo)跟蹤技術(shù)被廣泛用于智能視頻監(jiān)控、智能交通控制系統(tǒng)、企業(yè)監(jiān)控等領(lǐng)域［1－2］。然而，用什么樣的特征來描述運(yùn)動(dòng)目標(biāo)是實(shí)現(xiàn)目標(biāo)跟蹤精度的一個(gè)關(guān)鍵問題。

Meanshift算法是一種采用無參估計(jì)的方法，操作簡單，由Comaniciu等學(xué)者引入到了目標(biāo)跟蹤領(lǐng)域［3］中，但和具有模板自適應(yīng)調(diào)整能力的Camshift算法相比，后者應(yīng)用較為廣泛，其在復(fù)雜場(chǎng)景中仍存在不足。文獻(xiàn)［4］和文獻(xiàn)［5］是一種基于邊界的邊緣匹配方法，該方法的計(jì)算量大而繁雜;文獻(xiàn)［6］是聯(lián)合顏色和紋理信息的目標(biāo)跟蹤算法，受光照影響較小，但不能處理目標(biāo)被遮擋的問題;文獻(xiàn)［7］提出了結(jié)合LBP紋理特征的運(yùn)動(dòng)車輛檢測(cè)方法，有效克服了外界因素的影響，但存在算法復(fù)雜度高的缺點(diǎn)。

傳統(tǒng)Camshift算法是一種基于顏色核的目標(biāo)特征模型，易受周圍環(huán)境的影響，在目標(biāo)和背景顏色相近、光照強(qiáng)度變化較大、目標(biāo)部分或全部瞬間遮擋的情況下，傳統(tǒng)Camshift算法不能有效地抵抗各種外界干擾，導(dǎo)致運(yùn)動(dòng)目標(biāo)跟蹤效果不理想［8］。然而，不同目標(biāo)和背景之間的空間結(jié)構(gòu)信息和紋理信息具有較大的差異，且對(duì)光線變化不太敏感，因此，充分發(fā)揮不同特征之間的互補(bǔ)性，利用梯度方向特征［9］和紋理特征的不同來區(qū)分目標(biāo)和背景。本文在傳統(tǒng)Camshift算法的基礎(chǔ)上，先將色度直方圖、梯度方向直方圖和LBP紋理特征進(jìn)行融合，利用特征聯(lián)合直方圖的方法構(gòu)建目標(biāo)的外觀特征模型，再結(jié)合最大類間方差法［10］進(jìn)一步改進(jìn)算法，確定目標(biāo)和背景的最佳分割閾值，加強(qiáng)目標(biāo)和背景的區(qū)分度。實(shí)驗(yàn)表明，改進(jìn)的Camshift算法具有更高的跟蹤準(zhǔn)確度和魯棒性。

2 經(jīng)典Meanshift目標(biāo)跟蹤模型

Meanshift作為Camshift算法的核心，是一種基于顏色信息的跟蹤方法，在目標(biāo)所在的跟蹤區(qū)域中，計(jì)算所有像素點(diǎn) {xi}i=1，2，…，n的顏色概率分布作為目標(biāo)特征模型:

假設(shè)上一幀目標(biāo)的中心用yj表示，將上一幀的中心位置yj作為當(dāng)前幀的中心，核函數(shù)k(x)的帶寬不變，計(jì)算候選目標(biāo)內(nèi)像素點(diǎn) {xi}i=1，2，…，n'的顏色概率分布:

在跟蹤過程中，核函數(shù)中心從當(dāng)前位置yj移動(dòng)到下一個(gè)可能的中心位置yj+1的迭代公式為:

其中，wi為加權(quán)系數(shù)，g(x)=－k'(x)。

3 基于聯(lián)合直方圖的目標(biāo)外觀特征模型

3.1 色度直方圖

鑒于RGB顏色空間對(duì)光線變化較敏感，先通過顏色空間轉(zhuǎn)化后，再提取色度直方圖，具體步驟如下:

1)將顏色空間轉(zhuǎn)化到HSV格式，提取H分量;

2)計(jì)算H通道直方圖。假設(shè)n個(gè)像素點(diǎn)

{xi}i=1，2，…，n的m級(jí)直方圖為{}u=1，2，…，m，定義b(xi)為像素點(diǎn) xi的直方圖索引，則直方圖為

3)直方圖尺度轉(zhuǎn)換。像素從［0，max(q)］轉(zhuǎn)換為［0，255］的函數(shù)表達(dá)式為:

原圖像通過轉(zhuǎn)換后，像素值由u變化成pu。

3.2 梯度方向直方圖

梯度方向反映了目標(biāo)鄰域內(nèi)的灰度增加趨勢(shì)，而梯度差異［11］通常在物體重疊的邊緣處較大，計(jì)算如下:

其中，f(h，w)為像素點(diǎn)的位置;d(h，w)表示梯度;θ( h，w)表示方向;dx為水平方向的梯度;dy為垂直方向的梯度。

以α度為單位將梯度方向劃分為［360/α］級(jí)，為了減小目標(biāo)區(qū)域圖像邊界噪聲的影響，用帶寬為h1的剖面函數(shù)k()·:[0，+!]→R進(jìn)行平滑處理，得到梯度直方圖的公式為:

3.3 簡化的LBP紋理算子

局部二元模式(LBP)算法計(jì)算簡單，是描述目標(biāo)局部紋理特征的較好方法。以 c為中心點(diǎn)，( P ，R)為鄰域的LBP算子定義如下:

其中，gc為中心像素點(diǎn)(xc，yc)的灰度值;gi表示等間隔落在以點(diǎn)(xc，yc)為圓心、半徑為R的圓周上的P個(gè)點(diǎn)對(duì)應(yīng)的像素值，把P位二進(jìn)制編碼進(jìn)行首尾相連，統(tǒng)計(jì)P位二進(jìn)制編碼從1到0和0到1的次數(shù)為:

當(dāng)P=8，R=1時(shí)，LBP算子共產(chǎn)生256種二進(jìn)制編碼，其中，U＞2的為198種，U=0或2的為58種。

為了提高后續(xù)的處理速度，利用Ojala提出的“統(tǒng)一模式”來降低LBP紋理特征的維數(shù)，把U＞2的二進(jìn)制編碼劃分為一類，將U=0或2的LBP編碼中1的數(shù)量相同的編碼劃分為一類。因此，256種LBP紋理被壓縮為(P+2)種，文獻(xiàn)［12］給出了LBP統(tǒng)一模式的定義:

3.4 聯(lián)合直方圖的目標(biāo)外觀特征模型

則式(3)中候選目標(biāo)區(qū)域內(nèi)像素點(diǎn){xi}i=1，2，…，n'的聯(lián)合特征概率分布為:

4 Camshift算法的進(jìn)一步改進(jìn)

最大類間方差法可用來確定目標(biāo)和背景的分割閾值，若目標(biāo)或背景的部分被錯(cuò)分時(shí)，都會(huì)導(dǎo)致目標(biāo)和背景的區(qū)分度下降，因此，在Camshift算法中嵌入最大類間方差法確定跟蹤目標(biāo)和背景的最佳閾值，達(dá)到增強(qiáng)目標(biāo)和背景區(qū)分度的效果。

針對(duì)圖像f(x，y)，假設(shè)圖像的大小為M ×N，T為前景(即目標(biāo))和背景的閾值，w0是目標(biāo)區(qū)域像素點(diǎn)數(shù)占圖像的比例，u0是灰度平均值，w1是背景像素點(diǎn)數(shù)占圖像的比例，u1是灰度平均值，則目標(biāo)和背景占整幅圖像的比例為:

假設(shè)N0和N1分別表示灰度值小于和大于閾值T的像素個(gè)數(shù)，則有:

計(jì)算總平均灰度u和類間方差g的公式為:

根據(jù)式(18)和式(19)對(duì)式(20)進(jìn)行簡化后的等價(jià)公式為:

根據(jù)遍歷法，當(dāng)方差g最大時(shí)，可以認(rèn)為目標(biāo)和背景之間的區(qū)分度最大，此時(shí)，T為最佳閾值。

運(yùn)動(dòng)目標(biāo)跟蹤的步驟如下:

1)初始化目標(biāo)模型:計(jì)算選定目標(biāo)區(qū)域的聯(lián)合直方圖，用式(13)計(jì)算目標(biāo)的候選概率模型{}u=1，2，…，m'，為目標(biāo)的初始位置。

2)讀入下一幀圖像，計(jì)算特征的聯(lián)合直方圖，根據(jù)式(14)得到目標(biāo)候選模型()。

3)計(jì)算零階矩、一階矩和搜索窗的質(zhì)心(xc，yc):

4)重新調(diào)整搜索窗的大小S:

5)將窗口中心移到質(zhì)心位置，若移動(dòng)距離小于某一閾值，停止當(dāng)前幀的迭代，轉(zhuǎn)到2);否則，重新調(diào)整目標(biāo)位置，轉(zhuǎn)到3)，繼續(xù)當(dāng)前幀迭代。

5 實(shí)驗(yàn)仿真結(jié)果與分析

本文算法的硬件測(cè)試平臺(tái)為2.8GHz CPU，4G RAM，Windows 32位操作系統(tǒng)的PC機(jī)，軟件實(shí)現(xiàn)平臺(tái)為 Visual Studio 2010 和 Opencv2.3.1。

圖1是對(duì)文獻(xiàn)［13］中的DATASET2標(biāo)準(zhǔn)視頻利用傳統(tǒng)Camshift算法、文獻(xiàn)［14］算法、本文算法進(jìn)行目標(biāo)跟蹤處理的結(jié)果。其中，圖1(a)、1(b)、1(c)和1(d)中的三幀圖像依次為第324、366和417幀，跟蹤目標(biāo)為運(yùn)動(dòng)小車，圖1(a)是未進(jìn)行目標(biāo)跟蹤時(shí)的圖像。

在圖1所示的跟蹤過程中，當(dāng)運(yùn)動(dòng)目標(biāo)未遮擋時(shí)，三種算法都能完成運(yùn)動(dòng)小車的跟蹤，其中本文算法的跟蹤精度最高;當(dāng)運(yùn)動(dòng)小車靠近相近顏色的樹木時(shí)，圖1(b)中的傳統(tǒng)Camshift算法跟蹤偏移量較大，目標(biāo)定位不準(zhǔn)確，圖1(c)中的文獻(xiàn)［14］算法雖然能夠繼續(xù)進(jìn)行目標(biāo)跟蹤，但跟蹤框變大，跟蹤精度明顯降低;當(dāng)運(yùn)動(dòng)目標(biāo)被樹全部遮擋后，傳統(tǒng)Camshift算法和文獻(xiàn)［14］算法都出現(xiàn)了目標(biāo)跟蹤丟失現(xiàn)象，和前兩種算法相比，圖1(d)中的本文算法，不僅能夠準(zhǔn)確地跟蹤目標(biāo)，而且克服了相似顏色的干擾和目標(biāo)的遮擋，未出現(xiàn)目標(biāo)跟蹤丟失，仍準(zhǔn)確跟蹤。

圖1 三種算法在PEST2001視頻上的比較Fig.1 Comparison of three algorithms in PEST2001 video

在視頻跟蹤過程中，第314、318、324、372 和412幀的目標(biāo)軌跡如圖2所示。

圖2 目標(biāo)軌跡圖Fig.2 The tracks of targets

曲線1是目標(biāo)的實(shí)際運(yùn)動(dòng)軌跡，曲線2、3、4分別為本文算法、文獻(xiàn)［14］算法、傳統(tǒng)Camshift算法對(duì)應(yīng)的目標(biāo)跟蹤軌跡，從圖2中的曲線3和曲線4可看出，目標(biāo)未遮擋時(shí)，兩種算法的跟蹤誤差較小，目標(biāo)被遮擋后，曲線4出現(xiàn)明顯的目標(biāo)跟蹤丟失現(xiàn)象，曲線3雖然跟蹤目標(biāo)未丟失，但跟蹤偏差較大，從圖2中的曲線2可看出，本文算法的跟蹤軌跡和目標(biāo)的實(shí)際運(yùn)行軌跡基本一致，可以準(zhǔn)確地進(jìn)行目標(biāo)跟蹤。

在上述跟蹤過程中，三種算法的性能比較如表1所示，其中準(zhǔn)確率是指跟蹤目標(biāo)的準(zhǔn)確度，用公式描述如下:

其中，DM為跟蹤到的運(yùn)動(dòng)目標(biāo)的像素點(diǎn)數(shù);NM為未跟蹤到的運(yùn)動(dòng)目標(biāo)像素點(diǎn)數(shù)。

表1 三種算法的性能比較Tab.1 Performance comparison of three algorithms

為了進(jìn)一步體現(xiàn)本文算法的優(yōu)勢(shì)，現(xiàn)分別采集具有顏色干擾、光照變化和瞬間遮擋時(shí)的連續(xù)1200幀視頻圖像為樣本，分別用三種算法測(cè)試目標(biāo)跟蹤的準(zhǔn)確率，其中準(zhǔn)確率是指跟蹤目標(biāo)的準(zhǔn)確度，結(jié)果見表2。

表2 三種算法在外界干擾情況下的性能比較Tab.2 Performance comparison of three algorithms under environmental disturbanct

從表2可以看出，在相似顏色干擾情況下，本文算法的準(zhǔn)確率為98.7%，傳統(tǒng)Camshift算法的準(zhǔn)確率為57.0%，文獻(xiàn)［14］算法的準(zhǔn)確率為 92.3%;在光照發(fā)生變化的情況下，本文算法的準(zhǔn)確率為98.9%，傳統(tǒng) Camshift算法的準(zhǔn)確率為75.0%，文獻(xiàn)［14］算法的準(zhǔn)確率為87.2%;在目標(biāo)存在瞬間遮擋的情況下，本文算法的準(zhǔn)確率為96.5%，傳統(tǒng)Camshift算法的準(zhǔn)確率為55.9%，文獻(xiàn)［14］算法的準(zhǔn)確率為69.1%。

6 結(jié)論

本文提出的基于多特征聯(lián)合直方圖和最大類間方差法的目標(biāo)跟蹤算法，有效地解決了算法應(yīng)對(duì)光照變化、同色干擾和目標(biāo)遮擋的問題。雖然增加了算法的復(fù)雜度，但處理速度較快，跟蹤準(zhǔn)確度也有了明顯提高。

［1］ S Saravanakumar，A Vadivel Saneem，C G Ahmed.Multiple human object tracking using background subtraction and shadow removal techniques［C］.The International Conference on Signal and Image Processing(ICSIP)，2010.

［2］ SUN Shaoyuan，GU Xiaojing，GE Man，et al.Pedestrian detection and tracking of vehicle infrared images［J］.Laser＆ Infrared，2012，42(8):949－953.(in Chinese)孫韶媛，谷小婧，戈曼，等.車載紅外圖像的行人檢測(cè)與跟蹤技術(shù)［J］.激光與紅外，2012，42(8):949－953.

［3］ LIU Qing，TANG Linbo，ZHAO Baojun.Algorithm of target tracking based on Mean Shift with adaptive tracking window［J］.Journal of Systems Engineering and Electronics，2012，34(2):409－412.(in Chinese)劉晴，唐林波，趙保軍.跟蹤窗自適應(yīng)的 Mean Shift目標(biāo)跟蹤算法［J］.系統(tǒng)工程與電子技術(shù)，2012，34(2):409－412.

［4］ Rucklidge W J.Efficiently locating objects using hausdorff distance［J］.International Journal of Computer Vision，1997，24(3):251－270.

［5］ HUANG Fuzhen，SU Jianbo.Abstracting and tracking of outline of face based on level set method［J］.Computer transaction，2003，26(4):491－496.

［6］ WANG Baoyun，F(xiàn)AN Baojie.Adoptive meanshift tracking algorithm based on the combined feature histogram of color and teature［J］.Journal of Nanjing University of Posts and Telecommunications，2013，33(3):18－25.(in Chinese)王保云，范保杰.基于顏色紋理聯(lián)合直方圖的自適應(yīng)Meanshift跟蹤算法［J］.南京郵電大學(xué)學(xué)報(bào):自然科學(xué)版，2013，33(3):18－25.

［7］ SONG Xiaolin，WANG Wentao，ZHANG Weiwei.Vehicle detection and tracking based on the Local Binary Pattern texture and improved camshift operator［J］.Journal of Hunan University:Natural Sciences，2013，40(8):52－57.(in Chinese)宋曉林，王文濤，張偉偉.基于LBP紋理和改進(jìn)Camshift算子的車輛檢測(cè)與跟蹤［J］.湖南大學(xué)學(xué)報(bào):自然科學(xué)版，2013，40(8):52－57.

［8］ Exner D.Fast and robust camshift tracking［C］//2010 IEEE Computer Society Conference on Computer Vision and Pattern Recognition.Washington，DC:IEEE Computer Society，2010:9－16.

［9］ FENG Jun，LIANG Xiaoxia，MU Zhichun.Ear recognition with histogram of oriented gradient feature［J］.Journal of Nanjing University:Natural Sciences，2012，48(4):452－458.(in Chinese)封筠，梁曉霞，穆志純.梯度方向直方圖特征的人耳身份識(shí)別方法［J］.南京大學(xué)學(xué)報(bào):自然科學(xué)版，2012，48(4):452－458.

［10］ WANG Yingying，HE Ping，LI Yongbin，et al.Fast IR target－detecting method using Otsu algorithm based on bound histogram［J］.Laser ＆ Infrared，2014，44(5):577－581.(in Chinese)王瑩瑩，何蘋，李永賓，等.基于屬性直方圖的快速Otsu紅外目標(biāo)檢測(cè)算法［J］.激光與紅外，2014，44(5):577－581.

［11］ WANG Qin，JIANG Shuhong，ZHANG Jianqiu，et al.An approach to improve the performance of Mean－shift tracking algorithm［J］.Journal of Fudan University:Natural Science，2007，46(1):85－90.(in Chinese)汪沁，江淑紅，張建球，等.提高M(jìn)ean－shift跟蹤算法性能的方法［J］.復(fù)旦學(xué)報(bào):自然科學(xué)版，2007，46(1):85－90.

［12］ Ojala T，Valkealahti K，OJA E，et al.Texture discrimination with multi－dimensional distributions of signed gray level differences［J］.Pattern Recognition，2011，34(3):727－739.

［13］ Performance evaluation of tracking and surveillance 2001(PETS2001)［EB/OL］.http://ftp.pets.rdg.ac.uk/pub/PETS2001/.

［14］ LU Xuan，LEI Hang，HAO Zongbo.Automatic Camshift tracking algorithm based on multi－feature［J］.Computer Applications，2010，30(3):650－652.(in Chinese)盧璇，雷航，郝宗波.聯(lián)合多特征的自動(dòng)Camshift跟蹤算法［J］.計(jì)算機(jī)應(yīng)用，2010，30(3):650－652.