楊繼蘭

摘 ?要：針對(duì)目標(biāo)容易受背景干擾或局部的、不完全遮擋時(shí)Camshift算法易產(chǎn)生局部最大值導(dǎo)致丟失目標(biāo)的問(wèn)題。通過(guò)人體姿態(tài)估計(jì)算法檢測(cè)到行人邊界框和關(guān)節(jié)點(diǎn)位置，依據(jù)的關(guān)節(jié)點(diǎn)位置提取行人的身體部分，進(jìn)而得到局部顏色直方圖;通過(guò)行人邊界框，計(jì)算全局直方圖均衡化;利用行人間局部直方圖的相似性得分，預(yù)測(cè)下一幀中目標(biāo)行人可能的位置，并以此確定Camshift算法的搜索區(qū)域。通過(guò)實(shí)驗(yàn)證明，改進(jìn)后的算法可以更好地跟蹤行人。

關(guān)鍵詞：人體姿態(tài)估計(jì) ?顏色直方圖 ?Camshift ?直方圖均衡

中圖分類號(hào)：TP391 ? 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-3791（2019）10（c）-0011-02

行人跟蹤是計(jì)算機(jī)視覺(jué)領(lǐng)域重要的研究方向，尤其是在視頻監(jiān)控領(lǐng)域愈發(fā)發(fā)達(dá)的今天，行人跟蹤算法的提出可以大大地減少人工成本，應(yīng)用到生活中的許多方面。

目前，國(guó)內(nèi)外許多學(xué)者對(duì)行人跟蹤算法開(kāi)展廣泛研究。其中，Camshift算法因計(jì)算量小，易于實(shí)現(xiàn)而被廣泛使用，文獻(xiàn)[1]提出了一種多特征融合的Camshift算法，提取行人的多個(gè)特征，然后把各個(gè)特征的相似度作為權(quán)值系數(shù)，通過(guò)加權(quán)融合方法得到最優(yōu)中心位置。文獻(xiàn)[2]把kalman與Camshift相結(jié)合，通過(guò)kalman濾波器預(yù)測(cè)目標(biāo)行人可能的位置，但當(dāng)行人被遮擋時(shí)預(yù)測(cè)值會(huì)不準(zhǔn)確。

1 ?顏色特征

1.1 局部顏色直方圖

該文通過(guò)AlphaPose[3]算法得到行人的關(guān)節(jié)點(diǎn)位置，通過(guò)關(guān)節(jié)點(diǎn)框出人體的各個(gè)部分[4]。包括上臂、下臂、上腿、下腿、頭肩、上軀干和下軀干等肢體區(qū)域。人體的顏色信息主要表現(xiàn)在上軀干和下軀干，并且這兩部分很少收到背景的干擾，可以充分地代表這個(gè)人的顏色特征。局部顏色直方圖針對(duì)的是這兩部分。

為了減少光照對(duì)圖片造成的影響，顏色直方圖在HSV坐標(biāo)系下提取。

1.2 全局顏色直方圖

全局顏色直方圖是對(duì)由AlphaPose算法檢測(cè)到的行人框圖像的顏色直方圖，所提取的圖像不僅包括行人的信息還包括大量的背景信息，全局顏色直方圖的做法與局部提取顏色特征的方法相同。但當(dāng)行人的顏色信息與背景的顏色信息相似時(shí)，提取的局部顏色信息與全局顏色信息差別不是很大，容易導(dǎo)致跟蹤的過(guò)程中目標(biāo)丟失。該文使用直方圖均衡化來(lái)處理[5]，更加突出行人顏色信息。

上面的過(guò)程是灰度圖像的直方圖均衡化，若對(duì)該文中所采用的圖片進(jìn)行直方圖均衡化，需要將彩色圖像的每路通道進(jìn)行量化，在依次采用上述的方法，最后可以得到均衡化后的彩色圖像的顏色直方圖。

2 ?預(yù)測(cè)目標(biāo)位置

該文通過(guò)AlphaPose算法檢測(cè)出下一幀圖像中所有行人的邊界框和關(guān)節(jié)點(diǎn)，計(jì)算出現(xiàn)的行人與目標(biāo)行人的局部顏色直方圖的相似性得分，采用巴氏系數(shù)來(lái)計(jì)算：

3 ?改進(jìn)的Camshift算法

Camshift算法是對(duì)Mean-Shift算法的改進(jìn)，Camshift算法的基本思路是利用運(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，并能不斷地調(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。

實(shí)現(xiàn)過(guò)程如下。

（1）讀取一張包含目標(biāo)人物的行人圖像，并把RGB顏色模型變?yōu)镠SV顏色模型，并提取其中的H分量。

（2）利用AlphaPose算法得到目標(biāo)人物的邊界框和關(guān)節(jié)點(diǎn)，把這個(gè)邊界框作為跟蹤窗口。

（3）計(jì)算行人邊界框的H、S、V分量的均衡化顏色直方圖和由通過(guò)關(guān)節(jié)點(diǎn)得到的上軀干和下軀干的局部顏色直方圖，得到顏色概率分布圖I（x，y）。

（4）計(jì)算目標(biāo)人物邊界框的質(zhì)心位置，并把跟蹤窗口中心點(diǎn)移動(dòng)至質(zhì)心位置，判斷跟蹤窗口的移動(dòng)距離是否滿足大于設(shè)定的閾值的條件，若不滿足條件，需要重新計(jì)算質(zhì)心位置，直到滿足條件為止。

（5）通過(guò)計(jì)算局部顏色直方圖的相似度來(lái)預(yù)測(cè)下一幀中目標(biāo)人物的質(zhì)心位置。

（6）重復(fù)上述的步驟（3）-步驟（5），直到完成檢測(cè)完所有的圖像。

4 ?實(shí)驗(yàn)結(jié)果與分析

該文的程序是Python3.7及OpenCV3.0函數(shù)庫(kù)編寫(xiě)。該文選擇了大小為12801080的PRW數(shù)據(jù)集，圖1為從PRW數(shù)據(jù)集選取的一部分連續(xù)幀，該文選取方框中的男人作為跟蹤對(duì)象，跟蹤結(jié)果如圖1（a）（b）所示。

由圖1（a）可知，當(dāng)目標(biāo)人物沒(méi)有遮擋，沒(méi)有大的場(chǎng)景變化時(shí)，可以很好地跟蹤目標(biāo)，即使出現(xiàn)（b）的情況，也可以很好地跟蹤目標(biāo)。

5 ?結(jié)語(yǔ)

該文提出了一種改進(jìn)的Camshift算法。該算法通過(guò)AlphaPose算法得到的行人邊界框和關(guān)節(jié)點(diǎn)位置，通過(guò)得到的關(guān)節(jié)點(diǎn)位置提取行人上軀干和下軀干，得到局部顏色直方圖，根據(jù)局部顏色直方圖的相似性得分預(yù)測(cè)下一幀中行人目標(biāo)的位置;通過(guò)對(duì)行人邊界框進(jìn)行全局顏色直方圖均衡化，增強(qiáng)行人與背景間的對(duì)比度。實(shí)驗(yàn)表明，該算法有很好的跟蹤效果。

參考文獻(xiàn)

[1] 吳瑋，鄭娟毅，杜樂(lè).多特征融合的Camshift運(yùn)動(dòng)目標(biāo)跟蹤算法[J].計(jì)算機(jī)科學(xué)，2018，45（7）：252-258.

[2] 楊軍，湯全武，張昊楠.基于Kalman算法改進(jìn)的Camshift運(yùn)動(dòng)目標(biāo)跟蹤算法[J].信息通信，2018（12）：78-81.

[3] Fang Haoshu，Xie Shuqin，Tai Yuwing，et al.RMPE： Regional Multi-Person Pose Estimation[A].IEEE International Conference on Computer Vision （ICCV）[C].2016.

[4] Xu Jing，Zhao Rui，Zhu Feng，et al.Attention-Aware Compositional Network for Person Re-identification[J]. CVPR，2018（5）：2119-2128.

[5] 付麗梅.使用彩色直方圖均衡法改進(jìn)的Mean Shift行人跟蹤算法[J].軟件工程，2019，22（2）：17-19.