張穎 李孟歆 英宇

摘 要： 智能視頻監(jiān)控系統(tǒng)中的目標(biāo)跟蹤問題存在許多干擾因素，其中運(yùn)動(dòng)目標(biāo)運(yùn)動(dòng)時(shí)的動(dòng)態(tài)干擾及大面積遮擋問題是影響跟蹤失敗的最主要的原因。此外，光照和顏色近似干擾問題也是影響跟蹤準(zhǔn)確度的主要因素。為了達(dá)到運(yùn)動(dòng)目標(biāo)的抗干擾及準(zhǔn)確跟蹤，在Meanshift算法完成目標(biāo)準(zhǔn)確跟蹤的基礎(chǔ)上，提出一種基于雙重判別的自適應(yīng)跟蹤算法，將Meanshift算法與Kalman濾波算法相結(jié)合，在出現(xiàn)長(zhǎng)時(shí)間大面積遮擋及動(dòng)態(tài)背景干擾、光照，顏色近似干擾的情況下，完成目標(biāo)的準(zhǔn)確跟蹤。實(shí)驗(yàn)結(jié)果表明，提出的方法有較好的穩(wěn)定性和準(zhǔn)確性。

關(guān)鍵詞： 目標(biāo)跟蹤； Meanshift算法； Bhattacharrya系數(shù)； Kalman濾波； 雙重判別； 抗遮擋

中圖分類號(hào)： TN911.73?34； TP391 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2018）17?0059?03

Abstract： The target tracking of intelligent video surveillance system is influenced by multiple interference factors， in which the dynamic interference and large area occlusion act as the main reasons influencing the tracking failure while the target is moving. In addition， the approximate interference of illumination and color is also the main factor affecting the tracking accuracy. An adaptive tracking algorithm based on double?discrimination is proposed to achieve the purposes of anti?interference and accurate tracking of moving target， in which the Meanshift algorithm and Kalman filtering algorithm are combined to accomplish the accurate target tracking under the conditions of longtime large area occlusion， dynamic background interference， and approximate interference of illumination and color. The experimental results show that the proposed method has high stability and accuracy.

Keywords： target tracking； Meanshift algorithm； Bhattacharrya coefficient； Kalman filtering； double?discrimination； anti?occlusion

運(yùn)動(dòng)目標(biāo)跟蹤在智能監(jiān)控、智能交通、安防以及軍事和工業(yè)生產(chǎn)上都有著廣泛的應(yīng)用。跟蹤過程中經(jīng)常受到多種因素的影響，如背景顏色相近、光照變化、目標(biāo)尺度變化、復(fù)雜的環(huán)境等造成的干擾，導(dǎo)致跟蹤目標(biāo)丟失[1?2]。常用的跟蹤方法有幀間差分法、背景差分法、邊緣檢測(cè)、光流法、TLD法以及Camshift算法等。但這些方法大都基于單一視覺線索，要么不考慮遮擋，要么以部分遮擋下的實(shí)驗(yàn)結(jié)果驗(yàn)證算法的魯棒性[3?7]。在非剛體的運(yùn)動(dòng)目標(biāo)跟蹤過程中，常采用均值偏移算法，其運(yùn)動(dòng)區(qū)域采用核密度估計(jì)函數(shù)描述，然后對(duì)均值偏移矢量進(jìn)行循環(huán)迭代，最后采用巴氏系數(shù)判斷相似度，尋找與模板區(qū)域相似度最高的區(qū)域，從而完成運(yùn)動(dòng)目標(biāo)的跟蹤。然而，Meanshift算法是基于視頻圖像顏色特征進(jìn)行目標(biāo)跟蹤的，當(dāng)目標(biāo)顏色與背景顏色相近或出現(xiàn)遮擋時(shí)，算法將嚴(yán)重失效。Kalman濾波算法在運(yùn)動(dòng)目標(biāo)的預(yù)測(cè)和跟蹤中具有優(yōu)勢(shì)。因此，采用Meanshift算法和Kalman濾波相結(jié)合進(jìn)行目標(biāo)跟蹤得到了廣泛的應(yīng)用。在跟蹤過程中，用Kalman濾波進(jìn)行預(yù)測(cè)，采用Meanshift算法根據(jù)預(yù)測(cè)的結(jié)果找到進(jìn)行迭代的初始點(diǎn)，以有效解決遮擋問題[8]。本文在此基礎(chǔ)上，對(duì)跟蹤過程中的Meanshift和Kalman濾波相結(jié)合的跟蹤策略進(jìn)行改進(jìn)，根據(jù)Meanshift算法中Bhattacharrya系數(shù)的變化情況，采用雙重判別方法，自適應(yīng)地調(diào)整跟蹤算法，實(shí)現(xiàn)自適應(yīng)抗遮擋跟蹤。

1 Meanshift算法

1.1 目標(biāo)模型描述

顏色直方圖作為一種目標(biāo)特征，能夠?qū)δ繕?biāo)的顏色信息進(jìn)行有效提取。在彩色視頻圖像序列中，圖像像素的值域是RGB空間，把RGB顏色空間的每個(gè)子空間R，G，B根據(jù)直方圖的方式分別分成[m]個(gè)子區(qū)間，每個(gè)區(qū)間稱為一個(gè)bin，構(gòu)成相應(yīng)的特征空間，相應(yīng)的特征個(gè)數(shù)為[k3]。在目標(biāo)區(qū)域內(nèi)，不同位置的像素對(duì)顏色直方圖的貢獻(xiàn)不同，距離區(qū)域中心較遠(yuǎn)的像素被賦予較小的權(quán)值，距離區(qū)域中心較近的像素被賦予較大的權(quán)值，因此距離中心較遠(yuǎn)的像素對(duì)顏色直方圖的建立幾乎不起作用，這樣避免了邊界像素易受遮擋等的影響。

式中[u]是區(qū)間索引。如果[y1-y0≤ε]，算法將停止均值局部?jī)?yōu)化迭代過程，將當(dāng)前候選補(bǔ)丁作為當(dāng)前幀的輸出位置。

Meanshift算法原理簡(jiǎn)單、計(jì)算量較小，但是，當(dāng)背景顏色存在干擾時(shí)，目標(biāo)模型及候選模型會(huì)產(chǎn)生一定的誤差，無法準(zhǔn)確跟蹤目標(biāo)。此外，如果目標(biāo)運(yùn)動(dòng)速度超出算法向量計(jì)算范圍或者遇到遮擋，Meanshift算法很難自適應(yīng)地重新構(gòu)建目標(biāo)模型及候選模型，導(dǎo)致跟蹤失敗。運(yùn)動(dòng)目標(biāo)在運(yùn)動(dòng)的過程中，在無障礙物遮擋的情況下，運(yùn)用此方法能夠很好地完成整個(gè)跟蹤過程。如圖1所示，運(yùn)動(dòng)目標(biāo)在遇到遮擋前的20幀，Meanshift算法跟蹤克服了光照和顏色相近造成的干擾，較好地完成了運(yùn)動(dòng)目標(biāo)的跟蹤，而從第21幀開始，遇到了全部遮擋的情況，跟蹤矩形框不能跟蹤目標(biāo)，跟蹤失敗。圖2為整個(gè)跟蹤過程中Bhattacharrya系數(shù)的變化情況。

3 采用雙重Bhattacharrya系數(shù)判別的改進(jìn)Meanshift算法

由圖2所示的采用Meanshift算法進(jìn)行目標(biāo)跟蹤過程中Bhattacharrya系數(shù)的變化情況，對(duì)照?qǐng)D1實(shí)際跟蹤結(jié)果發(fā)現(xiàn)，當(dāng)出現(xiàn)遮擋時(shí)，運(yùn)動(dòng)目標(biāo)丟失，Bhattacharrya系數(shù)變大；當(dāng)遮擋結(jié)束，Bhattacharrya系數(shù)再次變小。采用雙重Bhattacharrya系數(shù)的方法進(jìn)行自適應(yīng)目標(biāo)跟蹤。設(shè)初始目標(biāo)模板顏色直方圖[qu]與候選模板顏色直方圖[pu]間的Bhattacharrya系數(shù)為：

改進(jìn)算法步驟為：

Step1：輸入視頻，采用矩形框選取目標(biāo)模板，用RGB顏色直方圖進(jìn)行模板描述；

Step2：根據(jù)Meanshift算法，計(jì)算質(zhì)心偏移，求出下一幀目標(biāo)質(zhì)心坐標(biāo)，算法迭代，同時(shí)計(jì)算[ρ1]，實(shí)現(xiàn)目標(biāo)跟蹤；

Step3：設(shè)定閾值[T1]，當(dāng)出現(xiàn)目標(biāo)遮擋時(shí)，[ρ1>T1]，將當(dāng)前目標(biāo)質(zhì)心坐標(biāo)作為Kalman濾波的初始值，預(yù)測(cè)遮擋時(shí)目標(biāo)質(zhì)心初始位置，更新目標(biāo)模板，開始計(jì)算系數(shù)[ρ2]，同時(shí)繼續(xù)按原方法計(jì)算[ρ1]；

Step4：當(dāng)[ρ2>ρ1]時(shí)，更新目標(biāo)模板，采用Meanshift算法進(jìn)行運(yùn)動(dòng)目標(biāo)跟蹤。

圖3為采用本文所提方法進(jìn)行的運(yùn)動(dòng)目標(biāo)完全遮擋時(shí)的運(yùn)動(dòng)目標(biāo)跟蹤實(shí)驗(yàn)。由圖3可見，當(dāng)無障礙物遮擋時(shí)，采用Meanshift算法可以克服背景顏色和光照的影響，實(shí)現(xiàn)目標(biāo)的準(zhǔn)確跟蹤，當(dāng)出現(xiàn)遮擋時(shí)的第25幀圖像中算法自動(dòng)切換到Kalman濾波運(yùn)動(dòng)目標(biāo)質(zhì)心預(yù)測(cè)模式，并標(biāo)注出質(zhì)心的位置變化，第31幀出現(xiàn)部分遮擋時(shí)，仍然采用Kalman濾波繼續(xù)運(yùn)動(dòng)目標(biāo)質(zhì)心的預(yù)測(cè)，第36幀，遮擋完全去除，之后重新切換到Meanshift算法繼續(xù)跟蹤。圖4為多運(yùn)動(dòng)目標(biāo)出現(xiàn)遮擋時(shí)的運(yùn)動(dòng)目標(biāo)跟蹤實(shí)驗(yàn)。由圖4可見，所提方法仍然可以自適應(yīng)調(diào)整跟蹤算法及預(yù)測(cè)算法，并根據(jù)預(yù)測(cè)到的運(yùn)動(dòng)目標(biāo)質(zhì)心，按照初始模板中計(jì)算的矩形框的大小，重新找到運(yùn)動(dòng)目標(biāo)模板，并完成更新，重新采用Meanshift算法實(shí)現(xiàn)跟蹤。

4 結(jié) 語

本文針對(duì)運(yùn)動(dòng)目標(biāo)出現(xiàn)大面積長(zhǎng)時(shí)間遮擋時(shí)，跟蹤效果差的問題，提出一種基于雙重Bhattacharrya系數(shù)的改進(jìn)Meanshift算法，采用雙重判別的方式完成運(yùn)動(dòng)目標(biāo)的自適應(yīng)跟蹤，根據(jù)跟蹤遮擋前后目標(biāo)模板與候選模板的Bhattacharrya系數(shù)變化，自適應(yīng)調(diào)整跟蹤和預(yù)測(cè)過程，并通過仿真實(shí)驗(yàn)驗(yàn)證算法在單一運(yùn)動(dòng)目標(biāo)及多運(yùn)動(dòng)目標(biāo)時(shí)的跟蹤可靠性，提高了跟蹤算法的抗干擾能力及抗遮擋能力。

參考文獻(xiàn)

[1] WALIA G S， KAPOOR R. Robust object tracking based upon adaptive multi?cue integration for video surveillance [J]. Multimedia tools & applications， 2016， 75（23）： 1?27.

[2] ALI A， JALIL A， AHMED J， et al. Correlation， Kalman filter and adaptive fast mean shift based heuristic approach for robust visual tracking [J]. Signal image and video processing， 2015， 9（7）： 1567?1585.

[3] ASGARIZADEH M， POURGHASSEM H. A robust object tra?cking synthetic structure using regional mutual information and edge correlation?based tracking algorithm in aerial surveillance application [J]. Signal image and video processing， 2015， 9（1）： 175?189.

[4] PREVITALI F， BLOISI D D， IOCCHI L. A distributed approach for real?time multi?camera multiple object tracking [J]. Machine vision and applications， 2017， 28（1）： 1?10.

[5] DUBUISSON S， GONZALES C. A survey of database for visual tracking [J]. Machine vision and applications， 2016（27）： 23?52.

[6] BADENAS J， SANCHIZ J M， PLA F. Motion?based segmentation and region tracking in image sequences [J]. Pattern recognition， 2001， 34（3）： 661?670.

[7] ROWGHANIAN V， ASL K A. Non iterated mean shift and particle filtering [C]// 2014 Iranian Conference on Electrical Engineering. Piscataway： IEEE， 2014： 226?231.

[8] HWANG J P， BAEK J， CHOI B， et al. A novel part?based approach to mean?shift algorithm for visual tracking [J]. International journal of control， automation and systems， 2015， 13（2）： 443?453.

[9] 朱鉀，李化.一種基于Meanshift算法的目標(biāo)跟蹤改進(jìn)[J].中北大學(xué)學(xué)報(bào)，2016，37（6）：633?637.

ZHU J， LI H. An improved Meanshift algorithm for target tracking [J]. Journal of North University of China， 2016， 37（6）： 633?637.

[10] ROWGHANIAN V， ANSARI?ASL K. Object tracking by mean shift and radial basis function neural networks [J]. Journal of real?time image processing， 2015（8）： 1?18.