閆鈞華，陳少華，艾淑芳，李大雷，段 賀

(1. 南京航空航天大學(xué) 航天學(xué)院，南京 210016；2. 光電控制技術(shù)重點(diǎn)實(shí)驗(yàn)室，洛陽(yáng) 471009；3. 中國(guó)電子科技集團(tuán)公司 第二十八研究所，南京 210007)

基于Kalman預(yù)測(cè)器的改進(jìn)的CAMShift目標(biāo)跟蹤

閆鈞華1,2，陳少華3，艾淑芳2，李大雷2，段 賀1

(1. 南京航空航天大學(xué) 航天學(xué)院，南京 210016；2. 光電控制技術(shù)重點(diǎn)實(shí)驗(yàn)室，洛陽(yáng) 471009；3. 中國(guó)電子科技集團(tuán)公司 第二十八研究所，南京 210007)

CAMShift目標(biāo)跟蹤算法遇到目標(biāo)被遮擋時(shí)容易陷入局部最大值，對(duì)快速運(yùn)動(dòng)目標(biāo)容易跟蹤失敗，且無(wú)法從失敗中復(fù)原。針對(duì)該問(wèn)題，利用Kalman預(yù)測(cè)器改進(jìn)CAMShift算法。首先利用Kalman預(yù)測(cè)器預(yù)測(cè)下幀圖像中目標(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；然后利用目標(biāo)匹配時(shí)的Bhattacharyya系數(shù)及目標(biāo)大小來(lái)判斷目標(biāo)是否被遮擋以及被遮擋的程度。如果沒有被遮擋，則用CAMShift算法得到的目標(biāo)位置更新Kalman預(yù)測(cè)器中參數(shù)；如果遮擋不嚴(yán)重，則用Kalman預(yù)測(cè)器的預(yù)測(cè)值作為目標(biāo)的位置和大小，且用該組值更新Kalman預(yù)測(cè)器中參數(shù)；如果遮擋非常嚴(yán)重，則用Kalman預(yù)測(cè)器的預(yù)測(cè)值作為目標(biāo)當(dāng)前位置，目標(biāo)大小為固定值，用該組值更新Kalman預(yù)測(cè)器中參數(shù)。實(shí)驗(yàn)結(jié)果表明，改進(jìn)算法能夠準(zhǔn)確地跟蹤被遮擋目標(biāo)和快速運(yùn)動(dòng)目標(biāo)。

目標(biāo)跟蹤；Kalman預(yù)測(cè)器；目標(biāo)跟蹤算法；遮擋；搜索區(qū)域

運(yùn)動(dòng)目標(biāo)跟蹤在軍事、工業(yè)生產(chǎn)、日常生活中都有著廣泛的應(yīng)用，如軍事目標(biāo)跟蹤[1]、交通路口監(jiān)控等等。Bradski[2]把MeanShift算法應(yīng)用在連續(xù)序列圖像的臉部跟蹤中，并稱其為CAMShift算法，其結(jié)果表明此算法對(duì)不規(guī)則目標(biāo)運(yùn)動(dòng)、圖像噪聲、虛假目標(biāo)、光線變化都有較好的適應(yīng)性，而且算法的實(shí)時(shí)性很好。CAMShift[3]是一種有效的統(tǒng)計(jì)迭代算法，它在目標(biāo)表示上比傳統(tǒng)的均值漂移算法更加簡(jiǎn)單，且便于進(jìn)行模型的組合。經(jīng)典的CAMShift算法以顏色直方圖為目標(biāo)表示模型，通過(guò)迭代求解加權(quán)圖的質(zhì)心來(lái)跟蹤目標(biāo)，在背景簡(jiǎn)單的情況下能夠取得較好的跟蹤效果，但是遇到噪聲干擾或目標(biāo)被遮擋等問(wèn)題時(shí)容易陷入局部最大值，同時(shí)對(duì)快速運(yùn)動(dòng)目標(biāo)往往跟蹤失敗，且無(wú)法從失敗中復(fù)原[4]。

本文基于Kalman預(yù)測(cè)器對(duì)CAMShift跟蹤算法做出改進(jìn)[5]，利用Kalman預(yù)測(cè)器預(yù)測(cè)下幀圖像中目標(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[6]。利用目標(biāo)匹配時(shí)的 Bhattacharyya系數(shù)及目標(biāo)大小來(lái)判斷目標(biāo)是否被遮擋，針對(duì)目標(biāo)被遮擋的程度采取相應(yīng)的處理方法。

1 Camshift跟蹤

Bradski在 MeanShift算法的基礎(chǔ)上提出了CAMShift算法，該算法自動(dòng)調(diào)節(jié)窗口大小以適應(yīng)被跟蹤目標(biāo)由于形變所造成的在圖像中大小的變化，從而可以有效的解決目標(biāo)形變問(wèn)題。CAMShift算法運(yùn)算步驟如下：

① 讀取一幀圖像（非HSV轉(zhuǎn)換成HSV的顏色空間），提取HSV三通道圖像的Hue通道。

② 選擇目標(biāo)搜索窗。

③ 計(jì)算這個(gè)搜索區(qū)域的顏色直方圖，歸一化得到概率分布圖I(x,y)，并將它作為查找表，將Hue通道圖像上每一個(gè)像素點(diǎn)用它的像素值所對(duì)應(yīng)的概率代替，得到概率投影圖。

④ 在概率投影圖上，根據(jù)搜索窗的大小，中心位置，計(jì)算搜索窗的質(zhì)心位置(xc,yc)

⑤ 移動(dòng)搜索窗的中心位置到質(zhì)心位置。

⑥ 判斷中心位置是否收斂，如果不收斂，則返回④，根據(jù)新的搜索窗繼續(xù)計(jì)算質(zhì)心位置，直到收斂。如果收斂則根據(jù)軸向得到目標(biāo)橢圓區(qū)域大小(w, l)，此時(shí)區(qū)域的中心位置和大小就是目標(biāo)在當(dāng)前幀中的位置和大小，返回①，重新得到一幀新圖像，并利用當(dāng)前所得到的中心位置和區(qū)域大小進(jìn)入③，在新的圖像幀進(jìn)行搜索。

經(jīng)典CAMShift算法單獨(dú)用于目標(biāo)跟蹤存在局限性，因此基于Kalman預(yù)測(cè)器改進(jìn)CAMShift算法，利用Kalman預(yù)測(cè)器預(yù)測(cè)目標(biāo)的位置，提高跟蹤運(yùn)動(dòng)目標(biāo)的速度。

2 Kalman預(yù)測(cè)器

Kalman預(yù)測(cè)器是一個(gè)在誤差協(xié)方差最小準(zhǔn)則下的最優(yōu)估計(jì)方法，計(jì)算量小，實(shí)時(shí)性高，能利用實(shí)際的運(yùn)動(dòng)參數(shù)不斷修正未來(lái)運(yùn)動(dòng)狀態(tài)的估計(jì)值，提高估計(jì)精度，兼顧實(shí)時(shí)性和穩(wěn)健性[7]。場(chǎng)景中的目標(biāo)在每一幀圖像中的位置構(gòu)成了目標(biāo)運(yùn)動(dòng)的軌跡，引入Kalman預(yù)測(cè)器的目的就是根據(jù)當(dāng)前幀中目標(biāo)位置點(diǎn)的信息預(yù)測(cè)下一幀中目標(biāo)的可能位置，且 CAMShift跟蹤算法需要設(shè)定目標(biāo)搜索區(qū)域的位置和大小，所以Kalman預(yù)測(cè)器中的狀態(tài)變量Xk和觀測(cè)值Zk分別為：

式中，xk、yk表示目標(biāo)的質(zhì)心坐標(biāo)，wik、hk表示目標(biāo)橢圓區(qū)域外切矩形的寬和高，vx,k、vy,k、vw,k、vh,k分別表示k時(shí)刻四者的變化速度，ax,k、ay,k、aw,k、ah,k分別表示k時(shí)刻四者的加速度。

Kalman預(yù)測(cè)器的狀態(tài)方程：

式中，Xk是一個(gè)12×1維向量，表示在離散時(shí)刻k的狀態(tài)向量，是不可觀測(cè)的；Ak,k-1描述從tk-1時(shí)刻到tk時(shí)刻的狀態(tài)轉(zhuǎn)移矩陣，12×12維。

式中，Δt表示連續(xù)兩幀圖像間的間隔，本文取1幀；Wk-1是tk-1時(shí)刻狀態(tài)的隨機(jī)干擾，12×1維向量，本文采用互不相關(guān)的零均值標(biāo)準(zhǔn)正態(tài)白噪聲序列。

Kalman預(yù)測(cè)器的觀測(cè)方程：

式中，Hk是tk時(shí)刻的觀測(cè)矩陣，4×12維；Vk是tk時(shí)刻的觀測(cè)噪聲向量4×1維，本文采用互不相關(guān)的零均值標(biāo)準(zhǔn)正態(tài)白噪聲序列。

Kalman預(yù)測(cè)器狀態(tài)更新方程為：

Kalman預(yù)測(cè)器狀態(tài)預(yù)測(cè)方程為：

Kk為Kalman預(yù)測(cè)器的增益矩陣：

Kalman預(yù)測(cè)器預(yù)測(cè)了目標(biāo)的位置，有效地克服了目標(biāo)運(yùn)動(dòng)速度快、少量相近背景干擾、目標(biāo)被部分遮擋所導(dǎo)致的跟蹤失敗。

3 基于Kalman預(yù)測(cè)器的改進(jìn)的CAMShift目標(biāo)跟蹤算法

CAMShift跟蹤算法的當(dāng)前搜索窗口是根據(jù)上一步得到的結(jié)果自適應(yīng)的進(jìn)行調(diào)整，故其可以自適應(yīng)的跟蹤動(dòng)態(tài)變形的目標(biāo)。當(dāng)目標(biāo)快速運(yùn)動(dòng)時(shí)，會(huì)導(dǎo)致目標(biāo)與當(dāng)前搜索窗口沒有連接，造成目標(biāo)丟失。當(dāng)目標(biāo)被較嚴(yán)重的遮擋或完全遮擋時(shí)，CAMShift跟蹤算法得到的目標(biāo)位置點(diǎn)是不準(zhǔn)確的，會(huì)造成跟蹤錯(cuò)誤目標(biāo)。因?yàn)楫?dāng)前搜索窗口中不含有再次出現(xiàn)的真實(shí)目標(biāo)，所以當(dāng)真實(shí)目標(biāo)再次出現(xiàn)時(shí)，使用CAMShift跟蹤算法跟蹤不到真實(shí)目標(biāo)。

針對(duì)于此，本文基于Kalman預(yù)測(cè)器改進(jìn)CAMShift目標(biāo)跟蹤算法，對(duì)每幀圖像得到的當(dāng)前搜索窗口的位置進(jìn)行預(yù)測(cè)和修正，從而能夠跟蹤快速運(yùn)動(dòng)的目標(biāo)，且當(dāng)目標(biāo)發(fā)生大面積的遮擋時(shí)能夠使用目標(biāo)的預(yù)測(cè)值代替 CAMShift跟蹤算法計(jì)算得到的目標(biāo)跟蹤位置，直至目標(biāo)再次完全出現(xiàn)?；贙alman預(yù)測(cè)器的改進(jìn)的CAMShift目標(biāo)跟蹤算法框圖如圖1所示。

圖1 基于Kalman預(yù)測(cè)器的改進(jìn)的CAMShift目標(biāo)跟蹤算法框圖Fig.1 Block diagram of the improved CAMShift target tracking algorithm based on Kalman predictor

3.1 目標(biāo)遮擋的判斷[8]

CAMShift目標(biāo)跟蹤算法是基于直方圖的跟蹤算法。直方圖作為一種統(tǒng)計(jì)特性，其本身對(duì)目標(biāo)的旋轉(zhuǎn)和形變不敏感，這使得CAMShift目標(biāo)跟蹤算法本身對(duì)目標(biāo)的背景變化以及部分遮擋有較好的魯棒性。當(dāng)目標(biāo)被遮擋的面積較大時(shí)，CAMShift目標(biāo)跟蹤算法就會(huì)失效。因?yàn)槟繕?biāo)點(diǎn)少了，CAMShift跟蹤算法根據(jù)目標(biāo)點(diǎn)計(jì)算“質(zhì)心”時(shí)，對(duì)質(zhì)心的作用變小了，所以得到的質(zhì)心值不再向目標(biāo)偏移。本文基于 Kalman預(yù)測(cè)器改進(jìn)CAMShift目標(biāo)跟蹤算法，需要對(duì)目標(biāo)的遮擋情況作出判斷，判斷目標(biāo)何時(shí)開始被遮擋以及被遮擋的程度如何。Bhattacharyya距離d(y)非常適合衡量?jī)蓚€(gè)直方圖之間的相似程度，其值越小表示兩個(gè)直方圖越匹配；CAMShift跟蹤算法計(jì)算得到的目標(biāo)面積是當(dāng)前目標(biāo)的大小。據(jù)此本文采用Bhattacharyya距離以及CAMShift跟蹤算法計(jì)算得到的目標(biāo)面積判斷目標(biāo)何時(shí)開始被遮擋以及被遮擋的程度。

① 判斷目標(biāo)何時(shí)開始被遮擋

Bhattacharyya系數(shù)ρ(y)：

式中，pu(y)為目標(biāo)模型的顏色直方圖，qu(y)為跟蹤圖像中當(dāng)前目標(biāo)子圖的顏色直方圖。

Bhattacharyya距離d(y)：

設(shè)定一個(gè)閾值Tb，如果滿足d(y)＜Tb，則說(shuō)明目標(biāo)沒有被遮擋。如果滿足d(y)≥Tb，則說(shuō)明目標(biāo)開始被遮擋。本文中Tb取0.4。

② 判斷目標(biāo)被遮擋的程度

CAMShift跟蹤算法計(jì)算得到的目標(biāo)橢圓區(qū)域大小(w, l)為目標(biāo)面積area，這是當(dāng)前跟蹤圖像中目標(biāo)的大小。如果area＞min area，則說(shuō)明遮擋不嚴(yán)重；如果滿足area＜min area，則說(shuō)明遮擋非常嚴(yán)重。本文中min area是這樣確定的：對(duì)目標(biāo)沒有被遮擋前的20幀圖像，利用CAMShift跟蹤算法計(jì)算得到目標(biāo)的面積 area，從中選取一個(gè)最小值，這個(gè)最小值的 40﹪即為 min area。如果目標(biāo)運(yùn)動(dòng)速度快，可以增大目標(biāo)沒有被遮擋前的圖像幀數(shù)以確定mina rea。

3.2 基于Kalman預(yù)測(cè)器的改進(jìn)的CAMShift目標(biāo)跟蹤算法流程圖

本文針對(duì)目標(biāo)快速運(yùn)動(dòng)，目標(biāo)被遮擋這兩類問(wèn)題對(duì)CAMShift算法進(jìn)行了相應(yīng)的改進(jìn)。對(duì)于目標(biāo)被遮擋問(wèn)題，采用Bhattacharyya距離以及CAMShift跟蹤算法計(jì)算得到的目標(biāo)面積判斷目標(biāo)何時(shí)開始被遮擋以及被遮擋的程度；基于Kalman預(yù)測(cè)器對(duì)目標(biāo)快速運(yùn)動(dòng)以及被遮擋過(guò)程中的目標(biāo)位置進(jìn)行預(yù)測(cè)[9-10]。具體的流程圖如圖2所示。

圖2 基于Kalman預(yù)測(cè)器的改進(jìn)的CAMShift目標(biāo)跟蹤算法流程圖Fig.2 Flowchart of the improved CAMShift target tracking algorithm based on Kalman predictor

基于Kalman預(yù)測(cè)器的改進(jìn)的CAMShift目標(biāo)跟蹤算法流程圖針對(duì)目標(biāo)的質(zhì)心位置和目標(biāo)被遮擋進(jìn)行預(yù)測(cè)和判斷。由CAMShift跟蹤算法根據(jù)相應(yīng)的目標(biāo)顏色模型計(jì)算得到目標(biāo)的質(zhì)心位置，根據(jù)跟蹤的結(jié)果判斷目標(biāo)是否被遮擋。首先根據(jù)目標(biāo)的質(zhì)心位置和目標(biāo)大小得到目標(biāo)橢圓區(qū)域，然后計(jì)算目標(biāo)模型的顏色直方圖與目標(biāo)橢圓區(qū)域的當(dāng)前目標(biāo)子圖的顏色直方圖兩者的Bhattacharyya距離。據(jù)此判斷目標(biāo)是否被遮擋，如果d(y)＜Tb，則說(shuō)明目標(biāo)沒有被遮擋。利用CAMShift算法得到的目標(biāo)位置更新Kalman預(yù)測(cè)器，同時(shí)預(yù)測(cè)下一幀的目標(biāo)位置和大小。如果d(y)≥Tb，則說(shuō)明目標(biāo)開始被遮擋，此時(shí)不利用CAMShift算法得到的目標(biāo)位置更新Kalman預(yù)測(cè)器，而將Kalman預(yù)測(cè)器根據(jù)上一幀圖像預(yù)測(cè)得到的目標(biāo)位置和大小作為當(dāng)前幀的目標(biāo)位置和大小，同時(shí)預(yù)測(cè)下一幀的目標(biāo)位置和大小。當(dāng)已經(jīng)判斷目標(biāo)被遮擋時(shí)，需進(jìn)一步判斷目標(biāo)被遮擋的程度。根據(jù) CAMShift跟蹤算法計(jì)算得到的當(dāng)前跟蹤圖像中目標(biāo)的大小area判斷目標(biāo)被遮擋的程度，如果area＞min area，則說(shuō)明遮擋不嚴(yán)重；此時(shí)將當(dāng)前跟蹤圖像中的目標(biāo)位置和大小記錄到lastrect（目標(biāo)橢圓區(qū)域外切矩形的寬和高分別為lastrect.width 和lastrect.height），同時(shí)將Kalman預(yù)測(cè)器根據(jù)上一幀圖像預(yù)測(cè)得到的目標(biāo)位置和大小作為觀測(cè)值 Zk，修正 Kalman預(yù)測(cè)器的參數(shù)，再預(yù)測(cè)下一幀目標(biāo)的位置和大小。如果area＜min area，則說(shuō)明遮擋非常嚴(yán)重，此時(shí)Kalman預(yù)測(cè)器中的觀測(cè)值Zk中wik=lastrect.width，hk=lastrect.height，目標(biāo)的質(zhì)心位置(xk, yk)為 Kalman預(yù)測(cè)器根據(jù)上一幀圖像預(yù)測(cè)得到的目標(biāo)位置，修正Kalman預(yù)測(cè)器的參數(shù)，再預(yù)測(cè)下一幀目標(biāo)的位置和大小。在此過(guò)程中需要判斷目標(biāo)連續(xù)被嚴(yán)重遮擋的幀數(shù)累加值 k是否已經(jīng)達(dá)到極限K0，如果k＜K0，則說(shuō)明雖然目標(biāo)被遮擋，但是仍然在可以接受的范圍內(nèi)，跟蹤繼續(xù)；如果k＞K0，則說(shuō)明目標(biāo)連續(xù)被嚴(yán)重遮擋的時(shí)間非常長(zhǎng)，可能已經(jīng)錯(cuò)誤跟蹤或者丟失目標(biāo)，則終止跟蹤。

4 實(shí)驗(yàn)結(jié)果

本文實(shí)驗(yàn)源程序在VC++6.0環(huán)境下開發(fā)，針對(duì)目標(biāo)被遮擋、目標(biāo)快速運(yùn)動(dòng)進(jìn)行實(shí)驗(yàn)。

4.1 目標(biāo)被遮擋實(shí)驗(yàn)

① 經(jīng)典的CAMShift跟蹤算法

實(shí)驗(yàn)結(jié)果如圖3所示。從實(shí)驗(yàn)中可以看到CAMShift跟蹤算法可以抗部分遮擋，當(dāng)目標(biāo)被完全遮擋時(shí)不能持續(xù)跟蹤目標(biāo)。當(dāng)目標(biāo)再次出現(xiàn)時(shí)，如果目標(biāo)在上次消失的地方出現(xiàn)，則能再次跟上目標(biāo)（如圖(a)所示）；如果目標(biāo)從其它地方再次出現(xiàn)，則不能再次跟蹤目標(biāo)(如圖(b)所示)。這主要是由于CAMShift跟蹤算法容易陷入局部極大值中，只能搜索到與搜索區(qū)有交集的目標(biāo)。由于經(jīng)典CAMShift算法的搜索區(qū)域在目標(biāo)消失之后會(huì)變得非常小，只能在小的搜索區(qū)中搜索是否有目標(biāo)出現(xiàn)，當(dāng)目標(biāo)從其它地方出現(xiàn)時(shí)，目標(biāo)不在該搜索區(qū)域中，故不能搜索到目標(biāo)。只有當(dāng)目標(biāo)再次出現(xiàn)在搜索區(qū)域中，才能再次跟上目標(biāo)。

圖3 目標(biāo)被遮擋時(shí)經(jīng)典CAMShift算法目標(biāo)跟蹤效果圖Fig.3 Effect diagram of the classic CAMShift target tracking algorithm with targets occluded

② 基于Kalman預(yù)測(cè)器的改進(jìn)的CAMShift目標(biāo)跟蹤算法

實(shí)驗(yàn)結(jié)果如圖4所示，其中圖4(a)所示實(shí)驗(yàn)針對(duì)目標(biāo)靜止時(shí)被遮擋，圖4(b)所示實(shí)驗(yàn)針對(duì)目標(biāo)運(yùn)動(dòng)時(shí)被遮擋。針對(duì)(a)的情況，Kalman預(yù)測(cè)器得到的參數(shù)中目標(biāo)的位置基本不變，而CAMShift算法根據(jù)當(dāng)前的位置得到的目標(biāo)大小如果變化較大或 Bhattacharyya距離 d(y)≥Tb，則說(shuō)明已經(jīng)發(fā)生了遮擋，此時(shí)更新Kalman預(yù)測(cè)器，同時(shí)將Kalman的預(yù)測(cè)值作為搜索窗口的位置。針對(duì)(b)的情況，當(dāng)目標(biāo)進(jìn)入的較多時(shí)，則其結(jié)果使用Kalman預(yù)測(cè)值替代。在目標(biāo)被完全遮擋的過(guò)程中，CAMShift算法一直在運(yùn)算，但是由于其 Bhattacharyya距離大于0.4及目標(biāo)面積非常小，此時(shí)使用Kalman的預(yù)測(cè)值作為結(jié)果值，直到目標(biāo)從右邊再次出現(xiàn)時(shí)。當(dāng)目標(biāo)出現(xiàn)到了一半時(shí)，Bhattacharyya距離小于0.4以及目標(biāo)的面積已經(jīng)大于閾值，則使用CAMShift的跟蹤結(jié)果作為目標(biāo)最終的位置。在目標(biāo)被遮擋時(shí)，如果連續(xù)幾幀出現(xiàn)CAMShift的目標(biāo)面積小于最小面積min area，則使用固定大小的搜索區(qū)域和固定的目標(biāo)大小。

從實(shí)驗(yàn)中可以看出，在目標(biāo)被遮擋時(shí)，經(jīng)典的CAMShift算法對(duì)于遮擋和非遮擋同樣處理，因此目標(biāo)被遮擋時(shí)的跟蹤效果不好；改進(jìn)的CAMShift算法結(jié)合了Kalman預(yù)測(cè)器，可以有效地判斷目標(biāo)何時(shí)開始被遮擋以及被遮擋的程度，適當(dāng)?shù)財(cái)U(kuò)大目標(biāo)的搜索窗口及用 Kalman的預(yù)測(cè)值來(lái)確定搜索窗口的位置等，保證目標(biāo)再次出現(xiàn)時(shí)能夠很快地被捕捉到。

圖4 目標(biāo)被遮擋時(shí)改進(jìn)的CAMShift算法目標(biāo)跟蹤效果圖Fig. 4 Effect diagram of target tracking with the improved CAMShift algorithm when the target is occluded

4.2 目標(biāo)快速運(yùn)動(dòng)時(shí)被遮擋實(shí)驗(yàn)

實(shí)驗(yàn)結(jié)果如圖 5所示：當(dāng)汽車快速運(yùn)動(dòng)并且被路燈遮擋時(shí)，基于Kalman預(yù)測(cè)器的改進(jìn)的CAMShift目標(biāo)跟蹤算法能夠準(zhǔn)確有效地跟蹤目標(biāo)。算法針對(duì)經(jīng)典CAMShift跟蹤算法的局部最大值的缺點(diǎn)，引入了Kalman預(yù)測(cè)器進(jìn)行改進(jìn)。Kalman預(yù)測(cè)器利用目標(biāo)運(yùn)動(dòng)的規(guī)律很好地預(yù)測(cè)出下一幀目標(biāo)的搜索區(qū)域，在目標(biāo)被遮擋時(shí)仍然能夠準(zhǔn)確地跟蹤目標(biāo)。

圖5 目標(biāo)快速運(yùn)動(dòng)時(shí)被遮擋改進(jìn)的CAMShift算法目標(biāo)跟蹤效果圖Fig.5 Effect diagram of target tracking with the improved CAMShift algorithm when the target is moving fast and occluded

5 結(jié) 論

本文針對(duì)目標(biāo)幀間位移過(guò)大時(shí)導(dǎo)致目標(biāo)在搜索區(qū)域內(nèi)消失的問(wèn)題，利用Kalman預(yù)測(cè)器預(yù)測(cè)下幀圖像中目標(biāo)的位置，以此位置為中心確定搜索區(qū)域，采用CAMShift算法進(jìn)行目標(biāo)跟蹤搜索。利用目標(biāo)匹配時(shí)的Bhattacharyya系數(shù)及目標(biāo)大小來(lái)判斷目標(biāo)是否被遮擋：如果沒有被遮擋，則將CAMShift算法得到的目標(biāo)位置作為測(cè)量值代入Kalman預(yù)測(cè)器中更新參數(shù)；如果遮擋不嚴(yán)重，則用Kalman預(yù)測(cè)器的預(yù)測(cè)值作為目標(biāo)的位置和大小，且將該組值作為測(cè)量值代入Kalman預(yù)測(cè)器中更新參數(shù)；如果遮擋非常嚴(yán)重，則用Kalman預(yù)測(cè)器的預(yù)測(cè)值作為目標(biāo)當(dāng)前位置，目標(biāo)大小為固定值，將該組值作為測(cè)量值代入Kalman預(yù)測(cè)器中更新參數(shù)。實(shí)驗(yàn)結(jié)果表明，基于Kalman預(yù)測(cè)器的改進(jìn)的CAMShift目標(biāo)跟蹤算法能夠準(zhǔn)確地跟蹤被遮擋目標(biāo)。

[1] 曾偉，朱桂斌，唐丁丁. 一種基于邊緣特征的地面軍事目標(biāo)相關(guān)跟蹤方法[J]. 通信對(duì)抗，2009(4)：14-17.

ZENG Wei, ZHU Gui-bin, TANG Ding-ding.A correlation tracking method based on edge feature of ground military target[J]. Communication Countermeasures, 2009(4): 14-17. [2] Bradski G R. Real-time face and object tracking as a component of a perceptual user interface[C]//Proceeding of IEEE Workshop on Applications of Computer Vision，Princeton,NJ,USA,Oct 19-21,1998.Washington D C,USA：IEEE Computer Society，1998：214-219.

[3] Bradski G R. Computer vision face tracking for use in a perceptual user interface[J]. Intel Technology Journal (51535-864X), 1998, 2(2): 1-15.

[4] 邸男，朱明. 一種復(fù)雜背景下的實(shí)時(shí)目標(biāo)跟蹤算法[J].中國(guó)圖象圖形學(xué)報(bào)，2009，13(9)：1758-1765.

DI Nan, ZHU Ming. An algorithm for real-time tracking target in complex environment[J]. Journal of Image and Graphics, 2009, 13(9): 1758-1765.

[5] Wang Zhaowen, Yang Xiaokang, Xu Yi, Yu Songyu. CamShift guided particle filter for visual tracking[J]. Pattern Recognition Letters, 2009, 30(4): 407-413.

[6] 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 Chun-feng, LIU Shi-ping, WANG Zhong-yuan.Approach of Kalman filtering estimation of guided projectile attitude[J].Journal of Chinese Inertial Technology, 2012, 20(5): 510-514.

[7] Ruiming Liu, Xuelong Li, Lei Han, Jiao Meng. Track infrared point targets based on projection coefficient templates and non-linear correlation combined with Kalman prediction[J]. Infrared Physics & Technology, 2013, 57(3): 68-75.

[8] 儲(chǔ)珺，杜立輝，汪凌峰，潘春洪. 基于局部背景感知的目標(biāo)跟蹤[J]. 自動(dòng)化學(xué)報(bào)，2012，38(6)：1985-1995.

CHU Jun, DU Li-hui, WANG Ling-feng, PAN Chunhong.Local background-aware target tracking[J].Acta Automatica Sinica, 2012, 38(6): 1985-1995.

[9] Karavasilis V, Nikou C, Likas A. Visual tracking using the Earth mover's distance between Gaussian mixtures and Kalman filtering[J]. Image and Vision Computing, 2011, 29(4): 295-305.

[10] Mazinan A H, Amir-Latifi A. Applying mean shift, motion information and Kalman filtering approaches to object tracking[J]. ISA Transactions, 2012, 51(5): 485- 497.

Target tracking with improved CAMShift based on Kalman predictor

YAN Jun-hua1,2, CHEN Shao-hua3, AI Shu-fang2, LI Da-lei2, DUAN He1

(1. College of Astronautics, Nanjing University of Aeronautics and Astronautics, Nanjing 210016, China; 2. Science and Technology on Electro-optic Control Laboratory, Luoyang 471009, China; 3. The 28th Research Institute of China Electronics Technology Group Corporation, Nanjing 210007, China )

CAMShift(Continuously Adaptive Mean Shift) target tracking algorithm is liable to fall into a local maxima when the target is occluded, and is prone to failure when the targets move fast, and can not be recovered from the failure.To solve this problem, the CAMShif algorithm is improved by using Kalman predictor.First, the position of the target in the next frame image is predicted by using the Kalman predictor and this position is used as the center to determine the searching area of CAMShift target tracking algorithm. Then the Bhattacharyya coefficient of target matching and the size of the target are utilized to determine whether the target is occluded and the degree of occlusion.If not occluded, the parameters of Kalman predictor are updated by the position of the target with CAMShift algorithm.If the occlusion is not serious, the current location and size of the target are determined by the predictive values of Kalman predictor, and this set of values are used to update the parameters of Kalman predictor.If the occlusion is very serious, the current location is determined by the predictive values of the Kalman predictor and the target size is a fixed value, then this set of values are used to update the parameters of Kalman predictor.The experimental results show that the improved algorithm is able to accurately track the occluded and/or fast moving targets.

target tracking; Kalman predictor; target tracking algorithm; occlusion; searching area

閆鈞華（1972—），女，副教授，光電控制技術(shù)重點(diǎn)實(shí)驗(yàn)室客座研究人員，從事多源信息融合、目標(biāo)檢測(cè)跟蹤與識(shí)別研究。E-mail：yjh9758@126.com

1005-6734(2014)04-0536-07

10.13695/j.cnki.12-1222/o3.2014.04.021

TP391. 4

A

2014-03-14；

2014-07-17

光電控制技術(shù)重點(diǎn)實(shí)驗(yàn)室和航空科學(xué)基金聯(lián)合資助（20135152049）；航天科技創(chuàng)新基金（CASC02）