摘 要：Mean Shift目標(biāo)跟蹤算法具有簡單穩(wěn)定的特性，因此被廣泛地應(yīng)用于目標(biāo)跟蹤實際行動中，但同時也存在一定的局限性，在被跟蹤目標(biāo)和目標(biāo)所在背景的顏色比較接近、目標(biāo)正在快速運動或者存在較大比例遮蔽物遮擋目標(biāo)時，Mean Shift目標(biāo)跟蹤算法由于缺少相應(yīng)的空間信息，經(jīng)常導(dǎo)致無法識別相似度量函數(shù)，使跟蹤任務(wù)失敗。為了避免這些情況的發(fā)生，提高目標(biāo)跟蹤效率，文章根據(jù)Mean Shift算法在空間顏色以及相似度量方面的缺陷，提出了Kalman濾波和Mean Shift算法融合的優(yōu)化目標(biāo)跟蹤方法，即使用Kalman濾波根據(jù)目標(biāo)運動狀態(tài)確定Mean shift目標(biāo)跟蹤算法的初始跟蹤位置，然后搜索鄰近區(qū)域內(nèi)的目標(biāo)位置并建立目標(biāo)模型，最后根據(jù)相似系數(shù)匹配確定最終位置，如此迭代，以達(dá)到準(zhǔn)確跟蹤運動目標(biāo)的目的。

關(guān)鍵詞：Kalman 濾波；Mean Shift算法；融合優(yōu)化；目標(biāo)跟蹤；目標(biāo)運動狀態(tài)突變

引言

為了提升目標(biāo)跟蹤效果，文章結(jié)合這兩種目標(biāo)跟蹤算法的優(yōu)缺點進行實驗分析，提出了Kalman濾波融合優(yōu)化Mean Shift的目標(biāo)跟蹤算法，解決了目標(biāo)跟蹤中目標(biāo)遮擋、速度過快、背景變化等情況造成的無法跟蹤問題。

1 Mean Shift 目標(biāo)跟蹤算法

Mean Shift 目標(biāo)跟蹤算法是一個利用均值漂移向量對目標(biāo)進行迭代跟蹤，通過核函數(shù)顏色直方圖建模描述目標(biāo)特征，同時使用相似性函數(shù)度量被跟蹤運動目標(biāo)模型和當(dāng)前幀候選模型相似性，比對相似性函數(shù)大小確定目標(biāo)的Mean shift向量，進而通過不斷迭代計算確定目標(biāo)實際位置，以達(dá)到跟蹤目的的過程。整個過程可以分為四大階段：

1.1 目標(biāo)模型的描述

首先，確立目標(biāo)模型需要建立一個目標(biāo)模型的坐標(biāo)系。假設(shè)x0為目標(biāo)模型的中心坐標(biāo)，并規(guī)定{xi}，i=1，2，…，n為其各像素坐標(biāo)位置集合，m為核函數(shù)顏色直方圖特征個數(shù)，概率特征為u，則可建立目標(biāo)模型表達(dá)式。當(dāng)用一個單調(diào)遞減的各向同性凸核函數(shù)k（x）對目標(biāo)模型各點進行加權(quán)時，由于靠近邊界的像素值非常容易被背景干擾或者被遮蔽物遮擋等原因，離目標(biāo)模板中心距離越近的位置的像素點權(quán)重越大，而目標(biāo)像素位置與模型中心距離越遠(yuǎn)所受的影響越小。

1.2 候選目標(biāo)模型的描述

Mean Shift算法是通過迭代的方式進行目標(biāo)跟蹤的，迭代起始于候選區(qū)域，即當(dāng)前幀的后一幀圖像中原來目標(biāo)所在區(qū)域，而候選目標(biāo)模型即為在候選區(qū)域所得的目標(biāo)核直方圖特征。我們可以采用與建立目標(biāo)模型表達(dá)式同樣的方式建立候選目標(biāo)模型計算表達(dá)式，然后進行相應(yīng)的計算分析。

1.3 相似性函數(shù)

相似形函數(shù)是用來將前后兩幀目標(biāo)模型圖像與候選目標(biāo)模型圖像進行比較重要關(guān)鍵數(shù)據(jù)。通常使用Bhattacharyya系數(shù)來進行相似度描述，該系數(shù)范圍在0～1之間，數(shù)值越大表明目標(biāo)圖像與候選目標(biāo)圖像越相似，證明兩個圖像離散分布間的距離越小。

1.4 目標(biāo)定位

Mean shift算法是通過反復(fù)迭代定位的，為了使相似性函數(shù)達(dá)到最大值，必須在前一幀的y0起始基礎(chǔ)上尋找后一幀y1位置，并以此類推，只有當(dāng)‖yb-y0‖<ε時，y=y1，才能確定后一幀的最終位置，進行下一幀候選核直方圖計算，重復(fù)計算得到均值便宜向量，如此迭代以得到最終目標(biāo)位置。

2 Kalman濾波融合Mean Shift目標(biāo)跟蹤仿真

將Kalman濾波與Mean Shift算法融合進行仿真目標(biāo)跟蹤，主要包括三個步驟，即初始化分割運動目標(biāo)、提取運動目標(biāo)的特征、使用優(yōu)化的Mean Shift算法融合Kalman濾波器實現(xiàn)目標(biāo)跟蹤，通過此系列步驟形成一個完整快速準(zhǔn)確的目標(biāo)跟蹤系統(tǒng)。

2.1 初始的運動目標(biāo)分割

運動目標(biāo)分割是為了將需要被跟蹤的運動目標(biāo)分離出來并提取其能夠用于跟蹤的特征，我們經(jīng)常使用傳統(tǒng)簡單的幀差法與區(qū)域生長算法對感興趣的運動目標(biāo)進行有效分割。

2.2 提取運動目標(biāo)特征

在指定運動目標(biāo)后，假設(shè)目標(biāo)處于背景靜止的初始狀態(tài)，通過將檢測到的連續(xù)幀模板圖像轉(zhuǎn)化為灰度直方圖，根據(jù)概率分布圖像的反向投影結(jié)果分析其差分信息，提取運動目標(biāo)的特征結(jié)果。

2.3 使用優(yōu)化的Mean Shift算法融合Kalman濾波器實現(xiàn)目標(biāo)跟蹤

使用優(yōu)化的Mean Shift算法融合Kalman濾波器實現(xiàn)目標(biāo)跟蹤，首先需要對Mean Shift算法進行優(yōu)化，根本目的是使搜索框的重心通過不斷地計算調(diào)整達(dá)到匯聚的效果，這可以通過區(qū)域內(nèi)的概率分布圖像與模板反向投影特征的符合度來進行評判。其次，需要結(jié)合Kalman濾波器，因為在運動目標(biāo)速度過快或光線變化較大的情況下，Mean Shift算法已經(jīng)不能滿足要求，需要Kalman濾波器對目標(biāo)運動的動態(tài)系統(tǒng)進行一個狀態(tài)序列的線性計算。通常，采用可以以任一點為起點并且計算量小、可實時計算的遞歸濾波方法。最后，確定目標(biāo)的狀態(tài)模型并據(jù)此進行計算分析，得到Kalman濾波的跟蹤過程，預(yù)測跟蹤目標(biāo)在當(dāng)前幀的可能所在位置，進而結(jié)合Mean Shift算法找到最佳匹配位置，實現(xiàn)運動目標(biāo)檢測和實時跟蹤。

3 結(jié)果與性能分析

本次實驗平臺為 Matlab 7.0，2G內(nèi)存，硬件配置是Pentium，雙核2.6GHz中央處理器，操作系統(tǒng)為Windows XP，取灰度級m=16。

實驗結(jié)果表明，在運動目標(biāo)被遮擋之前，文章算法與對比算法都能有效跟蹤目標(biāo)，當(dāng)目標(biāo)被遮擋后，文章算法表現(xiàn)出了良好的穩(wěn)定性，且隨著遮擋的范圍增加，對比算法根本無法追蹤目標(biāo)，而文章算法由于及時更新，提高了對遮擋的不敏感性，具有較高的追蹤精度；目標(biāo)旋轉(zhuǎn)跟蹤時，對比算法會出現(xiàn)明顯的漂移現(xiàn)象，甚至完全失敗，而Kalman濾波融合優(yōu)化Mean Shift目標(biāo)跟蹤算法采用灰度相似性匹配方式，及時更新模板，適應(yīng)了旋轉(zhuǎn)目標(biāo)，能夠有效跟蹤。

從實驗結(jié)果分析可以得出，Kalman濾波融合優(yōu)化Mean Shift目標(biāo)跟蹤算法在目標(biāo)被部分遮擋時，不會出現(xiàn)跟蹤區(qū)域偏離的情況，跟蹤穩(wěn)定，并且迭代時間縮短，距離誤差減??；目標(biāo)被嚴(yán)重遮擋時，依然可以保持良好的狀態(tài)跟蹤目標(biāo)，不會出現(xiàn)跟丟的情況，跟蹤誤差距離及迭代次數(shù)也相對降低；而對于目標(biāo)的旋轉(zhuǎn)和變形，Kalman濾波融合優(yōu)化Mean Shift目標(biāo)跟蹤算法隨著跟蹤模板的不斷更新表現(xiàn)出了極高的不敏感性及跟蹤穩(wěn)定性，沒有如對比算法一樣出現(xiàn)跟蹤窗口偏離的情況。同時，跟蹤失敗次數(shù)、跟蹤誤差距離和算法迭代時間也都有所減少。

根據(jù)以上結(jié)論分析可得出，Kalman濾波融合優(yōu)化Mean Shift目標(biāo)跟蹤算法與其他跟蹤算法相比，跟蹤失敗次數(shù)明顯減少，并且跟蹤精度高，迭代次數(shù)和時間少，具有良好的實時性和魯棒性，具有非常高的實用價值。

參考文獻(xiàn)

[1]楊海燕，李春光，劉國棟.基于Kalman 濾波和改進的 Mean Shift 算法的目標(biāo)跟蹤[J].江南大學(xué)學(xué)報（自然科學(xué)版），2013，12（6）：693-697.

[2]姜濤，蔣元友，廖敏江.基于Mean Shift和Kalman濾波相結(jié)合的運動目標(biāo)跟蹤方法[J].廣東通信技術(shù)，2015，1：42-46.

[3]韓濤，吳衡，張虎龍.Kalman濾波融合優(yōu)化Mean Shift的目標(biāo)跟蹤算法[J].光電工程，2014，41（6）：56-62.