張永梅，劉萌萌，郭 莎

(1.北方工業(yè)大學(xué) 計算機(jī)學(xué)院，北京 100144；2.北方工業(yè)大學(xué) 電子信息工程學(xué)院，北京 100144)

0 引 言

在視頻圖像中，輪船駛過的波浪、海面上的漂浮物、山峰等都可能造成感興趣目標(biāo)的遮擋，并且輪船經(jīng)常會受到同色系背景的干擾，這種情況下很容易導(dǎo)致跟蹤失敗。針對上述問題，越來越多的學(xué)者對現(xiàn)有的跟蹤算法進(jìn)行了更深入的研究和改進(jìn)[1-4]。閏鈞華等使用卡爾曼濾波對Camshift跟蹤到的結(jié)果進(jìn)行預(yù)測和修正，并且使用直方圖匹配來決斷初始遮擋的時刻，在此基礎(chǔ)上將最小面積作為度量判定程度[5]。然而，由于Camshift方法采用顏色直方圖為匹配模板，目標(biāo)與背景顏色相同時，導(dǎo)致搜索窗會變大;陳杏源等[6]將Camshift和SURF算法結(jié)合在一起，彌補(bǔ)了Camshift算法在應(yīng)用過程中受到干擾后發(fā)生誤跟蹤的缺陷，但是其在復(fù)雜場景下實時性差[7]；費(fèi)智婷等[8]基于粒子濾波跟蹤算法框架，通過局部背景加權(quán)直方圖對目標(biāo)進(jìn)行描述，然而在光強(qiáng)度很高的情況下，海浪和船舶顏色會很接近，跟蹤效果并不太理想[7]。

在本文中，圍繞以色調(diào)、邊緣以及運(yùn)動為特征的Camshift算法，無損卡爾曼濾波估計并校正跟蹤窗的質(zhì)心位置大小，Bhattacharyya距離描述跟蹤情況，以跟蹤干擾和部分遮擋情況下移動中的輪船。

1 傳統(tǒng)的Camshift算法

以往的Camshift算法基于原始窗中的顏色特征生成概率分布圖，遍歷搜索目標(biāo)的質(zhì)心坐標(biāo)，實現(xiàn)對目標(biāo)的跟蹤。傳統(tǒng)Camshift算法具體步驟參見如文獻(xiàn)[7]。

傳統(tǒng)的Camshift算法根據(jù)顏色特征中的色調(diào)分量進(jìn)行跟蹤，當(dāng)采集到的輪船圖像背景穩(wěn)定，并且目標(biāo)與背景差異較大時，Camshift對于此類圖像有較好的跟蹤效果，能根據(jù)目標(biāo)的大小改變跟蹤窗的大小。本文主要針對的是水上輪船，視頻圖像包含很多波浪，其顏色和船體的顏色比較相近，并且大波浪可能遮擋住船體，這種情況下傳統(tǒng)的Camshift無法有效地跟蹤輪船。

2 改進(jìn)的Camshift輪船目標(biāo)跟蹤算法

以往的Camshift算法以顏色為依據(jù)跟蹤，因此當(dāng)目標(biāo)和背景的顏色差異不大時，容易丟失。實際上，行人和車輛跟蹤也面臨這樣的問題，不過在這方面也有了一定的成果[9-13]。

林建華等[12]基于光照變化，采用色調(diào)、Sobel邊緣梯度、局部三值模式(local ternary patterns，LTP)紋理創(chuàng)建多特征模板，從而讓算法能夠在更廣泛的光照條件下應(yīng)用。

宋曉琳等[13]在其研究中指出，在監(jiān)控車輛時，如果車輛和路面顏色比較一致，跟蹤窗范圍超過目標(biāo)，同時還存在多余路面問題，要解決這一問題，首先提取原始圖像的LBP紋理特征，然后計算得包含線端、角、邊緣的紋理。

為了更好地跟蹤行人、車輛，學(xué)者們對Camshift算法進(jìn)行了優(yōu)化，以色調(diào)、紋理、邊緣等為特征。本文研究的是如何跟蹤移動中的輪船，輪船在海面移動時，會導(dǎo)致水面出現(xiàn)大量的波浪，由此造成干擾，其紋理特征十分明顯，因此選擇紋理為輪船的特征是不合理的。同時兼顧邊緣以及運(yùn)動特征，就能夠大幅削弱背景的干擾。

2.1 邊緣特征提取

輪船具有剛性的特點(diǎn)，它的特征在于穩(wěn)定，不會發(fā)生形變現(xiàn)象，因此能夠選擇邊緣信息為主要的特征。常見的邊緣檢測算子有Prewitt算子、Sobel算子、 Kirsch算子、羅盤算子、Laplacian等算子。本文是在視頻中跟蹤目標(biāo)，對實時性有較高的要求，因此在檢測邊緣特征時選擇了計算過程復(fù)雜性低、效率高的Sobel算子。計算并得到像素點(diǎn)(x，y)處的水平梯度dx和垂直梯度dy，此時就能夠確定目標(biāo)邊緣梯度方向θ，統(tǒng)計方向θ并獲取邊緣直方圖[7]

(1)

2.2 運(yùn)動特征提取

本文探討的是固定場景下的跟蹤，提取運(yùn)動前景，從而將抖動的背景剔除出去。當(dāng)前應(yīng)用最廣泛的前景檢測方法有背景減除法，幀差法，光留法等，前者的準(zhǔn)確性和背景選擇直接有關(guān)，后者在實時性方面的表現(xiàn)不太理想，而三幀差法最顯著的優(yōu)勢就在實時性方面[7]。并且選取連續(xù)的三幀視頻圖像進(jìn)行差分運(yùn)算，相比兩幀幀差，可以去除抖動背景和波浪的干擾。

如圖1所示，取連續(xù)的三幀圖像，其中i表示第i幀圖像，Di(x，y)表示第i幀與第i-1幀圖像的差分圖像，Di-1(x，y)是第i-1幀與第i-2幀圖像的差分圖像，將得到的兩個差分圖像進(jìn)行與運(yùn)算得到Bi(x，y)，再進(jìn)行形態(tài)學(xué)膨脹腐蝕操作，得到運(yùn)動特征Mi(x，y)。

圖1 三幀差分原理

2.3 多特征融合方法

Camshift算法基于概率分布圖對目標(biāo)進(jìn)行搜索，所以，本文根據(jù)色調(diào)、邊緣特征，繪制兩張概率分布圖，根據(jù)式(2)，同時結(jié)合運(yùn)動特征，獲取最后的概率分布圖。最終的概率分布圖中剔除了大量背景和波浪

(2)

式中：Hi(x，y)表示第i幀根據(jù)色調(diào)直方圖生成的概率分布圖中(x，y)點(diǎn)的灰度值，Si(x，y)表示第i幀根據(jù)邊緣特征生成的概率分布圖中(x，y)點(diǎn)的灰度值，Mi(x，y)表示第i幀中檢測到的運(yùn)動區(qū)域在(x，y)點(diǎn)的灰度值，Li(x，y)表示最終融合后的概率分布圖在(x，y)點(diǎn)的灰度值，如果Mi(x，y)所表示的像素是0，證明該點(diǎn)為背景；否則，證明該點(diǎn)處在運(yùn)動區(qū)域上，最終概率分布值是這一像素點(diǎn)的色調(diào)概率分布值與邊緣概率分布值結(jié)合在一起得到的，α、β依次代表融合系數(shù)[7]。

首先，對搜索窗進(jìn)行初始化處理，對同心且長寬均為初始窗兩倍的矩形窗進(jìn)行計算，得到兩個窗的色調(diào)以及邊緣直方圖，最后通過計算確定相同特征下直方圖的相似性。Dh代表在色調(diào)直方圖上兩窗的相似度，Ds代表在邊緣直方圖上兩窗的相似度，這里的相似度方法采用直方圖相交距離，α、β計算公式如下[7]

(3)

(4)

在視頻里面選擇一幀輪船出現(xiàn)的圖像，如圖2(a)所示，對該圖進(jìn)行分析可知，岸上的樹、水面中的波浪和輪船的顏色差異并不太大。在概率分布圖里面，灰度值是衡量像素和目標(biāo)模型相似性的指標(biāo)?；谏{(diào)獲取的概率分布如圖2(b)所示，輪船和背景的某些部位的灰度值是一致的，因此在跟蹤時，跟蹤窗會逐漸增大，最終囊括整個圖像。通過Sobel邊緣梯度方向獲取的概率分布如圖2(c)所示，該圖的灰度值比較小，并不包含船舶附近的波浪和樹枝。通過三幀差分方法獲取的運(yùn)動區(qū)域如圖2(d)所示，可以跟蹤移動中的船舶，并且剔除了大部分背景，不過輪船移動導(dǎo)致的波浪十分復(fù)雜，并未完全剔除出去。將圖2(b)、圖2(c)、圖2(d)結(jié)合在一起，由此獲取的概率分布如圖2(e)所示。對該圖進(jìn)行分析可知，船舶的灰度值處于較高水平，并且和背景之間存在容易分辨的間隔，波浪被完全剔除出去。

圖2 概率分布

2.4 無損卡爾曼濾波

在實際目標(biāo)跟蹤系統(tǒng)中，系統(tǒng)的狀態(tài)和測量模型都具有非線性的特點(diǎn)，而且含有噪聲，而標(biāo)準(zhǔn)卡爾曼濾波器無法準(zhǔn)確地對目標(biāo)位置進(jìn)行預(yù)測。常用的非線性濾波器有擴(kuò)展卡爾曼濾波(EKF)，無損卡爾曼濾波(unscented Kalman filter，UKF)，以及粒子濾波(PF)。其中，無損卡爾曼濾波在采樣方面的方法是確定的，因此從根本上避免了粒子濾波方法所面臨的粒子點(diǎn)退化問題。通過UT(unscented)變換，得到非線性的狀態(tài)方程，解決了擴(kuò)展卡爾曼濾波中的線性化錯誤，并且不用計算Jacobian矩陣，因此較擴(kuò)展卡爾曼濾波更為精確。

無損卡爾曼濾波[14,15]是卡爾曼濾波的改進(jìn)，在其基礎(chǔ)上，利用UT變換來解決均值和協(xié)方差的非線性轉(zhuǎn)移，實現(xiàn)在非線性系統(tǒng)下對目標(biāo)準(zhǔn)確估計。UT變換主要是利用某種采樣策略收集Sigma點(diǎn)，這些點(diǎn)可以反映輸入信息的分布狀態(tài)，然后將每個點(diǎn)進(jìn)行非線性變換，獲取變換后的特性。

本文主要研究輪船等水上運(yùn)動目標(biāo)，輪船快速移動，或目標(biāo)被其它物體所遮擋時，卡爾曼濾波器無法對其位置進(jìn)行準(zhǔn)確的預(yù)測。為此，選擇無損卡爾曼濾波預(yù)測目標(biāo)位置和搜索窗尺寸，即便目標(biāo)被遮擋或存在背景干擾，也能夠提供比Camshift更為準(zhǔn)確的質(zhì)心位置，然后基于Bhattacheryya距離判斷遮擋和干擾。Bhattacharyya距離的計算表達(dá)式是

(5)

其中

(6)

在式(5)和式(6)中，d(y)代表Bhattacharyya距離，p(y)代表Bhattacharyya系數(shù)，pu(y)代表目標(biāo)模型直方圖，qu(y)代表候選模型的直方圖。Bhattacharyya距離有助于分析原始模型和候選窗中直方圖分布的相似程度，從而評價遮擋或干擾程度，其值越小，證明二者越相似。若Bhattacharyya等于零，說明二者完全匹配，若等于1，說明二者完全不匹配。所以在這里要設(shè)定具體的判決門限值Tb，若Bhattacharyya距離小于該值，證明目標(biāo)并未被遮擋。Bhattacharyya距離在作為衡量遮擋或者背景干擾的程度，在大多數(shù)的論文研究中均采用固定閾值。本文進(jìn)行了一系列的實驗，在目標(biāo)并未被遮擋時，直方圖彼此間的Bhattaacharyya距離，其值在0.2-0.44范圍內(nèi)，因此把判決門限值Tb設(shè)置為0.45。

2.5 本文改進(jìn)的Camshift算法

通常而言，輪船和波浪、背景的顏色差異并不大，并且輪船容易被遮擋，此時采用經(jīng)典Camshift進(jìn)行跟蹤，由于該方法僅僅以顏色為依據(jù)，因此很有可能出現(xiàn)目標(biāo)丟失的情況。為此，對該方法進(jìn)行優(yōu)化，引入更多的特征，最終獲取符合目標(biāo)特征的概率分布圖。通過三幀差分法提取運(yùn)動特征，同時將大部分噪聲剔除出去。充分利用輪船的色調(diào)、邊緣以及運(yùn)動特征，從而剔除波浪、水面其它物體的干擾。經(jīng)典Camshift方法并未應(yīng)用預(yù)測機(jī)制，一旦目標(biāo)被遮擋，或相鄰兩幀目標(biāo)移動距離太遠(yuǎn)，就會出現(xiàn)目標(biāo)丟失的問題。為此，選擇無損卡爾曼濾波，調(diào)整目標(biāo)位置的預(yù)測值，同時基于Bhattacharyya距離表征輪船的跟蹤情況。

在跟蹤方面應(yīng)用以色調(diào)、邊緣以及運(yùn)動特征為依據(jù)的Camshift算法，同時利用無損卡爾曼濾波預(yù)測并校正目標(biāo)中心的位置，改進(jìn)后的Camshift算法的程序流程如圖3所示，具體步驟如下：

(1)初始化搜索窗，提取搜索窗內(nèi)的色調(diào)和邊緣特征，創(chuàng)建目標(biāo)特征模型，得到融合系統(tǒng)，對無損卡爾曼濾波進(jìn)行初始化處理；

(2)讀取下一幀圖像，提取色調(diào)和邊緣特征，基于前一步驟的模型繪制概率分布圖，通過三幀差分獲取運(yùn)動特征，由此得到最后的概率分布圖；

(3)通過Camshift算法，搜索位置并且計算Bhattacharyya距離；

(4)基于Bhattacharyya值確定輪船的位置。若d(y)小于等于Tb，當(dāng)前幀的目標(biāo)位置和大小為Camshift算法的結(jié)果。如若不然，證明Camshift目標(biāo)丟失，把無損卡爾曼濾波預(yù)測提供的結(jié)果當(dāng)做最終結(jié)果。

(5)基于上一步驟獲取的目標(biāo)坐標(biāo)，調(diào)整無損卡爾曼濾波中的參數(shù)；

(6)重復(fù)(2)，直到不存在下一幀圖像。

圖3 算法思路

3 實驗結(jié)果與分析

本文將改進(jìn)后的算法與傳統(tǒng)Camshift算法和文獻(xiàn)[5]Camshift與卡爾曼濾波結(jié)合的方法進(jìn)行了比較。實驗數(shù)據(jù)包括多組游艇、商船在內(nèi)的輪船視頻，了解在存在部分遮擋以及同色系干擾情況下能否成功跟蹤目標(biāo)。因篇幅有限，本文只給出了2組實驗數(shù)據(jù)，跟蹤結(jié)果如圖4～圖9所示。

圖4 傳統(tǒng)的Camshift算法跟蹤效果

圖5 Camshift與卡爾曼濾波結(jié)合的跟蹤效果

圖6 本文改進(jìn)方法的跟蹤結(jié)果

圖7 傳統(tǒng)的Camshift算法跟蹤結(jié)果

圖8 Camshift與卡爾曼濾波結(jié)合的跟蹤效果

圖9 本文改進(jìn)方法的跟蹤效果

圖4～圖6給出了跟蹤結(jié)果，跟蹤對象是單個游艇，圖像中右下角的數(shù)字表示視頻中第幾幀。該視頻中游艇激起的波浪較大，和游艇的顏色相近，只利用色調(diào)直方圖會導(dǎo)致跟蹤窗擴(kuò)大，而且在前30幀圖像里面，存在其它船舶的干擾。

圖4即為使用經(jīng)典Camshift算法提供的結(jié)果，圖中目標(biāo)為白色，圖里面還存在其它的船舶，也是白色，所以橢圓窗會不斷擴(kuò)大，并且還有波紋的存在。目標(biāo)船舶上人的救生衣、岸上的道路和背景里面的涼亭顏色差異不大，所以到了第40幀后，目標(biāo)丟失，跟蹤結(jié)果里面僅存在涼亭、道路等。

圖5采用Camshift算法與卡爾曼濾波相結(jié)合的方法，橢圓代表經(jīng)典Camshift算法提供的結(jié)果，矩形代表優(yōu)化后的跟蹤結(jié)果。第20幀受到非目標(biāo)船舶的影響，經(jīng)典Camshift跟蹤目標(biāo)丟失，而優(yōu)化后的算法依舊能夠準(zhǔn)確地跟蹤目標(biāo)。

圖6為優(yōu)化后的方法的跟蹤情況，由此可見，新的算法始終保持對目標(biāo)的跟蹤，跟蹤窗里面的背景信息很少，比傳統(tǒng)Camshift方法，以及Camshift與卡爾曼結(jié)合的方法魯棒性好。

圖7～圖9采用一組室外游艇、輪船視頻，跟蹤對象是由左到右行駛中的單個輪船目標(biāo)。該視頻中游艇與非目標(biāo)船舶重疊、遮擋，目標(biāo)的顏色和岸上的石頭、水面波浪的顏色差異很小。

圖7為經(jīng)典Camshift算法所得到的結(jié)果，對該圖進(jìn)行分析可知，目標(biāo)和非目標(biāo)船舶的顏色存在差異，如果后者遮擋前者，跟蹤效果不會受到明顯的影響，不過目標(biāo)船舶和背景、水面的波浪顏色基本相同，所以跟蹤窗逐漸擴(kuò)大，將岸邊也當(dāng)做目標(biāo)進(jìn)行跟蹤。

圖8即為采用Camshift算法與卡爾曼濾波相結(jié)合方法的跟蹤結(jié)果，Camshift得到的結(jié)果包含了岸上的石頭，到第40幀后，目標(biāo)和波浪、背景顏色差異不大，導(dǎo)致Camshift跟蹤錯誤，在這種情況下，卡爾曼濾波一直修正Camshift的跟蹤結(jié)果，第80幀矩形窗里面依舊存在大量的背景信息。

圖9即為本文方法的跟蹤效果，在整個過程中，跟蹤窗內(nèi)都能看到目標(biāo)，并未發(fā)生偏離現(xiàn)象，魯棒性較好。

表1給出了不同跟蹤算法性能的對比情況，該表里面平均每幀處理時間是視頻的總處理時間和總幀數(shù)的商。在本文中，將邊緣、運(yùn)動特征引入到經(jīng)典Camshift算法中來，同時應(yīng)用無損卡爾曼濾波，對該算法進(jìn)行改進(jìn)，從而提高了算法的跟蹤成功率，不過整個跟蹤過程卻變得更加復(fù)雜。對于經(jīng)典Camshift算法而言，其實時性和統(tǒng)計概率分布圖中目標(biāo)質(zhì)心位置時的迭代次數(shù)有關(guān)。對表1里面的數(shù)據(jù)進(jìn)行分析可知，本文方法跟蹤成功率更高，迭代次數(shù)更少，平均每幀處理時間比Camshift與卡爾曼濾波結(jié)合縮短了將近一倍，在運(yùn)行時間上和經(jīng)典Camshift算法差異非常小。

表1 不同跟蹤算法的性能比較結(jié)果

對表1里面的準(zhǔn)確率數(shù)據(jù)進(jìn)行分析可知，應(yīng)用經(jīng)典Camshift算法和 Camshift與卡爾曼濾波結(jié)合的方法，如果單純地以顏色特征為依據(jù)來跟蹤，若目標(biāo)和背景的顏色比較相似，在這種情況下容易出現(xiàn)目標(biāo)丟失的問題。因此，本文對經(jīng)典Camshift方法進(jìn)行改進(jìn)，引入其它方面的特征，解決顏色干擾問題，同時應(yīng)用優(yōu)化后的非線性無損卡爾曼濾波改進(jìn)，有效地提高了算法的跟蹤成功率。

對比無損卡爾曼濾波和經(jīng)典卡爾曼濾波的性能表現(xiàn)，詳見表2，通過均方根誤差評價其在預(yù)測目標(biāo)位置和速度方面的偏差。海面上的運(yùn)行軌跡必定隨機(jī)，非線性，并且環(huán)境嘈雜，在這種情況下卡爾曼濾波的誤差比較大，無損卡爾曼濾波性能表現(xiàn)更為突出。

表2 不同濾波器的性能比較結(jié)果

4 結(jié)束語

經(jīng)典Camshift以顏色直方圖為目標(biāo)模板，因此當(dāng)目標(biāo)顏色和背景比較相似時，容易出現(xiàn)目標(biāo)丟失的問題，為此，我們應(yīng)該引入新的邊緣和運(yùn)動特征，將二者和顏色特征融合在一起，從而解決顏色相似的問題。應(yīng)用無損卡爾曼濾波糾正目標(biāo)預(yù)測位置，和卡爾曼濾波相比，其結(jié)果更為準(zhǔn)確和穩(wěn)定。通過Bhattacharyya距離反映跟蹤情況。Camshift目標(biāo)丟失后，以無損卡爾曼濾波的結(jié)果為準(zhǔn)。

本文提出了改進(jìn)的Camshift輪船目標(biāo)跟蹤算法，將基于不同特征信息的Camshift算法和無損卡爾曼濾波方法綜合起來，即便輪船被部分遮擋，或受到背景顏色的干擾，也能夠保持良好的跟蹤效果，魯棒性和實時性較好。

[1]Jun Liua,Ye Liub,Guyue Zhanga,et al.Detecting and tracking people in real time with RGB-D camera[J].Pattern Recognition Letters,2015,53(11):16-23.

[2]Thanh-Hai Tran,Thi-Lan Le.Vision based boat detection for maritime surveillance[C]//International Conference on Electronics Information and Communications,2016,43(2):1-4.

[3]TENG Fei,LIU Qing,GUO Jianming,et al.Inland waterway ship tracking using a TLD framework[J].Journal of Applied Sciences-Electronics and Information Engineering,2014,32(1):105-110(in Chinese).[騰飛,劉清,郭建明,等.TLD框架下的內(nèi)河船舶跟蹤[J].應(yīng)用科學(xué)學(xué)報,2014,32(1):105-110.]

[4]FAN Ling.Research and simulation of ship tracking method based on visual search[J].Ship Science and Technology,2015,37(9):181-185(in Chinese).[樊凌.基于視覺搜索的艦船跟蹤方法研究與仿真[J].艦船科學(xué)技術(shù),2015,37(9):181-185.]

[5]RUN Junhua,CHEN Shaohua,AI Shufang,et al.Target tracking with improved Camshift based on Kalman predictor[J].Journal of Chinese Inertial Technology,2014,8(4):536-543(in Chinese).[閏鈞華,陳少華,艾淑芳,等.基于Kalman預(yù)測器的改進(jìn)的Camshift目標(biāo)跟蹤[J].中國慣性技術(shù)報,2014,8(4):536-543.]

[6]CHEN Xingyuan,ZHENG Liexin,PEI Hailong.Object trac-king system based on Camshift and SURF[J].Computer Engineering and Design,2016,37(4):902-905(in Chinese).[陳杏源,鄭烈心,裴海龍.基于Camshift和SURF的目標(biāo)跟蹤系統(tǒng)[J].計算機(jī)工程與設(shè)計,2016,37(4):902-905.]

[7]LIU Mengmeng.The research and design of moving target re-cognition and track[D].Beijing:North China University of Technology,2017,35-49(in Chinese).[劉萌萌.移動目標(biāo)識別與跟蹤方法研究與設(shè)計[D].北京:北方工業(yè)大學(xué),2017:35-49.]

[8]GU Xin,FEI Zhiting.Object tracking based on local background weighted histogram[J].Systems Engineering and Electronics,2016,38(1):200-204(in Chinese).[顧鑫,費(fèi)智婷.基于局部背景加權(quán)直方圖的目標(biāo)跟蹤[J].系統(tǒng)工程與電子技術(shù),2016,38(1):200-204.]

[9]Xiao wei An,Jaedo Kim,Youngjoon Han,et al.Optimal co-lour-based mean shift algorithm for tracking objects[J].IET Computer Vision,2014,8(3):235-244.

[10]Wang Qiu.Optimization of segmentation algorithms through mean-shift filtering preprocessing[J].IEEE Geoscience and Remote Sensing Letters,2014,11(3):622-626.

[11]XU Xiaohang,XIAO Gang,YUN Xiao,et al.Moving object tracking in complex background and occlusion conditions[J].Opto-Electronic Engineering,2013,40(1):23-30(in Chinese).[許曉航,肖剛,云霄,等.復(fù)雜背景及遮擋條件下的運(yùn)動目標(biāo)跟蹤[J].光電工程,2013,40(1):23-30.]

[12]LIN Jianhua,LIU Danghui,SHAO Xiankui.Multi-feature fusion Camshift algorithm and its further improvement[J].Journal of Computer Applications,2012,32(1):2814-2820(in Chinese).[林建華,劉黨輝,邵顯奎.多特征融合的Camshift算法及其進(jìn)一步改進(jìn)[J].計算機(jī)應(yīng)用,2012,32(10):2814-2820.]

[13]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):52-58(in Chinese).[宋曉琳,王文濤,張偉偉.基于LBP紋理和改進(jìn)Camshift算子的車輛檢測與跟蹤[J].湖南大學(xué)學(xué)報(自然科學(xué)版),2013,40(8):52-58.]

[14]LIU Houde,LIANG Bin,XU Wenfu,et al.Motion prediction and autonomous path planning for spinning target capturing[J].Journal of Jilin University(Engineering and Technology Edition),2014,44(3):757-764(in Chinese).[劉厚德,梁斌,徐文福,等.自旋目標(biāo)運(yùn)動預(yù)測及自主捕獲路徑規(guī)劃方法[J].吉林大學(xué)學(xué)報(工學(xué)版),2014,44(3):757-764.]

[15]YANG Lihua,GE Lei,LI Baolin,et al.Particle filter algorithm based on strong tracking UKF[J].Computer Enginee-ring and Design,2015,36(9):2432-2435(in Chinese).[楊麗華,葛磊,李保林,等.強(qiáng)跟蹤UKF粒子濾波算法[J].計算機(jī)工程與設(shè)計,2015,36(9):2432-2435.]