盧道華 汪建秘 王佳

摘 ?要： 根據(jù)水面監(jiān)控圖像的特點(diǎn)，對(duì)運(yùn)動(dòng)載體采集到的水面視頻圖像進(jìn)行處理，從而實(shí)現(xiàn)對(duì)運(yùn)動(dòng)目標(biāo)的跟蹤。首先，利用Haar分類器檢測(cè)出水面的運(yùn)動(dòng)目標(biāo)，并用檢測(cè)結(jié)果初始化Camshift跟蹤器的搜索窗口;然后，運(yùn)用Kalman濾波器與Camshift組合算法實(shí)現(xiàn)對(duì)運(yùn)動(dòng)目標(biāo)的跟蹤。其中，利用Kalman濾波算法預(yù)測(cè)目標(biāo)在下一幀中出現(xiàn)的位置，Camshift算法用來跟蹤目標(biāo)，以此減小搜索范圍，提高跟蹤效率。實(shí)驗(yàn)結(jié)果表明，該算法能夠?qū)崿F(xiàn)對(duì)水面運(yùn)動(dòng)艦船的檢測(cè)并進(jìn)行有效跟蹤。

關(guān)鍵詞： 水面目標(biāo); 檢測(cè); 跟蹤; Kalman濾波器; Camshift算法; 狀態(tài)向量

中圖分類號(hào)： TN850.6?34; TP391 ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼： A ? ? ? ? ? ? ? ? ? ?文章編號(hào)： 1004?373X（2019）11?0068?04

Abstract： According to the characteristics of the water surface monitoring image， the water surface video images collected by the motion carrier are processed to realize the tracking of the moving target. The Haar classifier is used to detect the moving target on the water surface， and the detection results are used to initialize the search window of Camshift tracker. The Kalman filter and Camshift combination algorithm is used to track the moving targets， in which the Kalman filtering algorithm is used to predict the location of the target appeared in the next frame， and the Camshift algorithm is used to track the targets to reduce the search range and improve the tracking efficiency. The experimental result shows that the algorithm can effectively detect and track the ships on the water surface.

Keywords： water surface target; detection; tracking; Kalman filter; Camshift algorithm; state vector

0 ?引 ?言

運(yùn)動(dòng)目標(biāo)跟蹤技術(shù)一直以來都是計(jì)算機(jī)視覺的核心課題，也是智能監(jiān)控系統(tǒng)的關(guān)鍵技術(shù)之一。水面運(yùn)動(dòng)載體采集到的視頻流包含豐富的圖像信息，但容易受到大霧、風(fēng)浪及光照強(qiáng)度等因素的影響。因此，對(duì)水面目標(biāo)進(jìn)行跟蹤具有一定的挑戰(zhàn)性。

近年來，國(guó)內(nèi)外許多文獻(xiàn)對(duì)海面目標(biāo)檢測(cè)跟蹤技術(shù)進(jìn)行了研究。文獻(xiàn)[1]提出將Kalman濾波器和Mean?Shift跟蹤器相結(jié)合的跟蹤方法，充分發(fā)揮Kalman濾波器的預(yù)測(cè)功能和Mean?Shift跟蹤器的搜索功能，在一定程度上減少了計(jì)算量，提高了跟蹤的精度與實(shí)時(shí)性。文獻(xiàn)[2]先提取視頻圖像內(nèi)的海天線區(qū)域，在海天線區(qū)域內(nèi)先檢測(cè)目標(biāo)再進(jìn)行跟蹤。文獻(xiàn)[3]提出基于紅外成像技術(shù)的目標(biāo)跟蹤方法。文獻(xiàn)[4]提出基于水平集的目標(biāo)跟蹤，分別研究了運(yùn)動(dòng)軌跡的生成、空間平滑與輪廓提取等。

本文采用Camshift跟蹤算法融合Kalman濾波器對(duì)水面目標(biāo)進(jìn)行跟蹤，利用Kalman濾波器預(yù)測(cè)下一幀視頻圖像中運(yùn)動(dòng)目標(biāo)的位置，以此位置為中心確定Camshift算法進(jìn)行目標(biāo)跟蹤的搜索區(qū)域[5]。

1 ?Camshift算法

Camshift算法是Bradski在Mean?Shift算法的基礎(chǔ)上提出來的[6]。該算法的基本思想是在視頻圖像中利用運(yùn)動(dòng)目標(biāo)的顏色特征對(duì)其跟蹤窗口的尺寸及位置進(jìn)行確定，并能自適應(yīng)地調(diào)整跟蹤窗口的尺寸以適應(yīng)運(yùn)動(dòng)目標(biāo)大小的變化。

Camshift算法的實(shí)現(xiàn)過程如下：

1） 獲取一幀視頻圖像，將其RGB顏色模型轉(zhuǎn)換成HSV顏色模型，并提取其H分量。

2） 初始化跟蹤窗口，使運(yùn)動(dòng)目標(biāo)包含其中。

3） 計(jì)算跟蹤窗口的H分量的顏色直方圖，并對(duì)其進(jìn)行歸一化處理，得到顏色概率分布圖。

4） 計(jì)算跟蹤窗口的零階矩、一階矩。

6） 根據(jù)式（5）求出質(zhì)心點(diǎn)坐標(biāo)（[xc，yc]），移動(dòng)跟蹤窗口，將其中心位置移動(dòng)到質(zhì)心位置。

7） 判斷跟蹤窗口的移動(dòng)距離是否大于設(shè)定的閾值。若是，則返回步驟4）～步驟6）重新計(jì)算移動(dòng)后的窗口質(zhì)心點(diǎn)，對(duì)跟蹤窗口進(jìn)行再次移動(dòng)，直到跟蹤窗口移動(dòng)的距離小于設(shè)定的閾值，或者達(dá)到最大的循環(huán)運(yùn)算次數(shù)，則認(rèn)為滿足收斂條件;若否，則進(jìn)入下一幀視頻圖像進(jìn)行新一輪的目標(biāo)跟蹤。在新的視頻圖像中，將利用當(dāng)前幀的窗口質(zhì)心點(diǎn)與零階矩，重新設(shè)置跟蹤窗口的尺寸及位置。如此循環(huán)迭代，就能完成對(duì)運(yùn)動(dòng)目標(biāo)的跟蹤。

Camshift跟蹤算法在單獨(dú)使用時(shí)容易受到外界因素的干擾，如視頻圖像中出現(xiàn)大面積與運(yùn)動(dòng)目標(biāo)相近的顏色或者運(yùn)動(dòng)目標(biāo)被遮擋等情況。利用Kalman濾波器對(duì)運(yùn)動(dòng)目標(biāo)的位置進(jìn)行預(yù)估[7]，可以在一定程度上解決這個(gè)問題。

2 ?Kalman濾波器

Kalman濾波器于20世紀(jì)60年代末被提出，在目標(biāo)跟蹤領(lǐng)域具有良好的應(yīng)用前景。該算法的實(shí)質(zhì)是根據(jù)系統(tǒng)的觀測(cè)值更新狀態(tài)向量，是一種對(duì)隨機(jī)信號(hào)進(jìn)行最優(yōu)估計(jì)的實(shí)時(shí)遞推算法，濾波器通過輸入的系統(tǒng)觀測(cè)量對(duì)隨機(jī)信號(hào)進(jìn)行估計(jì)，估計(jì)后得到的信號(hào)作為濾波器的輸出[8]。圖1為Kalman濾波器的原理簡(jiǎn)圖。

Kalman濾波預(yù)測(cè)算法的兩個(gè)重要方程如下：

式中：[Xk]與[Xk-1]分別表示[k]與[k-1]時(shí)刻的狀態(tài)向量;[Zk]表示[k]時(shí)刻的系統(tǒng)狀態(tài)觀測(cè)向量;[A]表示系統(tǒng)狀態(tài)轉(zhuǎn)移矩陣;[H]表示系統(tǒng)觀測(cè)矩陣;[W（k）]與[V（k）]分別表示服從正態(tài)分布的狀態(tài)噪聲與觀測(cè)噪聲，二者的協(xié)方差矩陣分別為[Q]與[R]。

圖1 ?Kalman濾波器的原理簡(jiǎn)圖

Kalman濾波算法包括預(yù)測(cè)與更新兩個(gè)階段。

1） 系統(tǒng)預(yù)測(cè)階段

狀態(tài)預(yù)測(cè)方程：

Kalman濾波器的引入能夠有效地預(yù)測(cè)出運(yùn)動(dòng)目標(biāo)在下一幀視頻圖像中可能出現(xiàn)的位置，在很大程度上解決了目標(biāo)運(yùn)動(dòng)速度過快，少量相似背景顏色干擾，目標(biāo)被部分遮擋等問題而引起的跟蹤失敗。

3 ?Camshift算法融合Kalman濾波器的目標(biāo)跟蹤

基于Kalman濾波器的Camshift跟蹤算法同Camshift算法一樣，都是基于目標(biāo)顏色概率模型的跟蹤原理[9]。

本文對(duì)跟蹤算法進(jìn)行改進(jìn)，通過事先訓(xùn)練好的Haar分類器實(shí)現(xiàn)對(duì)水面運(yùn)動(dòng)艦船的檢測(cè)與定位，并將檢測(cè)結(jié)果初始化為Camshift跟蹤算法的搜索窗口，以此來取代人工選擇目標(biāo)的過程，進(jìn)而提高對(duì)目標(biāo)的跟蹤效率。跟蹤過程中當(dāng)目標(biāo)消失時(shí)，Haar分類器重新對(duì)目標(biāo)進(jìn)行檢測(cè)，初始化搜索窗口，直到跟蹤結(jié)束。

圖2 ?Camshift與Kalman結(jié)合算法流程圖

Camshift算法融合Kalman濾波器的目標(biāo)跟蹤過程如下：

1） 對(duì)視頻圖像中的艦船進(jìn)行檢測(cè)。

2） 初始化Kalman濾波器。

3） 把目標(biāo)檢測(cè)結(jié)果初始化為Camshift算法的搜索窗口。

4） 計(jì)算搜索窗口內(nèi)目標(biāo)的顏色概率分布圖。

5） 計(jì)算搜索窗口的質(zhì)心點(diǎn)，并把窗口中心點(diǎn)移動(dòng)至質(zhì)心點(diǎn)位置，判斷是否收斂。如果不收斂，則返回重新計(jì)算質(zhì)心點(diǎn)，直至滿足收斂條件;如果收斂，則輸出質(zhì)心點(diǎn)。

6） Kalman濾波器預(yù)測(cè)下一幀視頻圖像中目標(biāo)的質(zhì)心位置。

7） 重復(fù)步驟4）～步驟6），直到跟蹤結(jié)束。

4 ?實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證該算法的可行性，使用Visual Studio 2010結(jié)合OpenCV 2410開源視覺庫對(duì)其進(jìn)行驗(yàn)證。視頻跟蹤結(jié)果如圖3所示。

圖3 ?跟蹤結(jié)果圖

根據(jù)圖3可以看出，該算法能夠?qū)λ孢\(yùn)動(dòng)的船只進(jìn)行有效跟蹤。圖3a）為Haar分類器在第一幀視頻圖像中檢測(cè)出的目標(biāo)結(jié)果。在把檢測(cè)結(jié)果初始化給Camshift跟蹤器的搜索窗口時(shí)，可以以矩形對(duì)角線的交點(diǎn)為中心，適當(dāng)縮小矩形的尺寸，這樣可以使初始化后的跟蹤窗口內(nèi)包含目標(biāo)信息的比率更高，有利于提高Camshift算法的跟蹤精度，且在下一幀圖像中跟蹤窗口的尺寸可以自適應(yīng)地根據(jù)目標(biāo)的大小進(jìn)行調(diào)整。對(duì)比圖3b）～圖3d）可以看出，當(dāng)船只以各種角度出現(xiàn)時(shí)都能夠?qū)ζ溥M(jìn)行跟蹤。對(duì)比圖3e）、圖3f）可以看出，在一定距離范圍內(nèi)，該算法也能實(shí)現(xiàn)對(duì)目標(biāo)的跟蹤。

在對(duì)視頻圖像進(jìn)行目標(biāo)檢測(cè)時(shí)，需提前訓(xùn)練好Haar分類器，這是至關(guān)重要的一步，Haar分類器的檢測(cè)結(jié)果將直接影響目標(biāo)跟蹤的成敗。

5 ?結(jié) ?語

根據(jù)水面監(jiān)控系統(tǒng)采集的視頻圖像，本文提出的Camshift算法融合Kalman濾波器能夠?qū)崿F(xiàn)對(duì)水面目標(biāo)的跟蹤功能，取得了較好的跟蹤效果。但當(dāng)目標(biāo)距離較遠(yuǎn)時(shí)，本文算法無法做到穩(wěn)定跟蹤，需做進(jìn)一步研究。

參考文獻(xiàn)

[1] 曾文靜.基于光視覺無人艇水面目標(biāo)檢測(cè)與跟蹤研究[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2013.

ZENG Wenjing. Research on detection and tracking of water surface target based on optical vision [D]. Harbin： Harbin Institute of Technology， 2013.

[2] 畢文.海上目標(biāo)監(jiān)測(cè)跟蹤算法研究及其在DSP硬件平臺(tái)的實(shí)現(xiàn)[D].煙臺(tái)：煙臺(tái)大學(xué)，2009.

BI Wen. Research on the tracking algorithm of marine target monitoring and its implementation in DSP hardware platform [D]. Yantai： Yantai University， 2009.

[3] 劉松濤.艦船紅外成像目標(biāo)實(shí)時(shí)識(shí)別與跟蹤系統(tǒng)研究[J].系統(tǒng)工程與電子技術(shù)，2005，27（8）：1405?1408.

LIU Songtao. Research on real?time recognition and tracking system of ship infrared imaging target [J]. System engineering and electronic technology， 2005， 27（8）： 1405?1408.

[4] SZPAK Z L， TAPAMO J R. Maritime surveillance： tracking ships inside a dynamic background using a fast level?set [J]. Expert systems with applications， 2011（38）： 6669?6680.

[5] 牛春峰，劉世平，王中原.制導(dǎo)炮彈飛行姿態(tài)的卡爾曼濾波估計(jì)方法[J].中國(guó)慣性技術(shù)學(xué)報(bào)，2012，20（5）：510?514.

NIU Chunfeng， LIU Shiping， WANG Zhongyuan. Approach of Kalman filtering estimation of guided projectile attitude [J]. Journal of Chinese inertial technology， 2012， 20（5）： 510?514.

[6] BRADSKI G R. Computer vision face tracking for use in aperceptual user interface [J]. Intel technology journal， 1998， 2（2）： 1?15.

[7] 王江濤.基于視頻的目標(biāo)檢測(cè)跟蹤及其行為識(shí)別研究[D].南京：南京理工大學(xué)，2008.

WANG Jiangtao. Research on video based target detection tracking and its behavior recognition [D]. Nanjing： Nanjing University of Science and Technology， 2008.

[8] 張江山，朱光喜.一種基于Kalman濾波的視頻對(duì)象跟蹤方法[J].中國(guó)圖象圖形學(xué)報(bào)，2002，7（6）：606?608.

ZHANG Jiangshan， ZHU Guangxi. A video object tracking method based on Kalman filtering [J]. Journal of image and graphics， 2002， 7（6）： 606?608.

[9] 錢永青，謝勤嵐.結(jié)合Camshift和Kalman預(yù)測(cè)的運(yùn)動(dòng)目標(biāo)跟蹤[J].計(jì)算機(jī)工程與科學(xué)，2010，32（8）：81?83.

QIAN Yongqing， XIE Qinlan. Moving target tracking combined with Camshift and Kalman prediction [J]. Computer engineering and science， 2010， 32（8）： 81?83.