李子龍

摘要：針對(duì)連續(xù)自適應(yīng)均值漂移算法僅限于跟蹤人臉的缺點(diǎn)，對(duì)原算法進(jìn)行改進(jìn)使其能有效跟蹤其他目標(biāo)。在改進(jìn)的算法中，提出使用HSV三個(gè)通道的直方圖，并為每個(gè)通道直方圖分配靈活的級(jí)數(shù)。為了避免相同顏色的影響，分析和處理了直方圖反向投影所得的概率分布圖像。同時(shí)，使用卡爾曼濾波對(duì)視頻目標(biāo)位置進(jìn)行預(yù)測和調(diào)整，將過往運(yùn)動(dòng)信息加入到目標(biāo)跟蹤中，提高了跟蹤的準(zhǔn)確度。

關(guān)鍵詞： 目標(biāo)跟蹤； 自適應(yīng)均值漂移； 直方圖； 概率分布圖像； 卡爾曼濾波

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2016）27-0150-03

Abstract：An improved camshift algorithm is proposed. The three dimensional histogram is used to represent the features of the tracking objects. Taking the different influences of the hue channel， saturation channel， value channel into account， the distribution methods of the dimensions of three channels are assigned adaptively. In the tracking process， first， the object position in a frame is predicted by the Kalman filter， then the camshift algorithm is used on the predict position. The improved algorithm makes the searching convergence speed faster， and avoids the disadvantage of the old algorithm which is only fitted for face tracking.

Key words：visual object tracking； continuously adaptive mean shift； histogram； probability distribution image； kalman filter

1 引言

1975年，文獻(xiàn)[1]提出了均值漂移算法，該算法主要對(duì)掃描窗口中的點(diǎn)使用核函數(shù)不斷進(jìn)行加權(quán)平均，直到加權(quán)平均收斂，得到最終的目標(biāo)窗口。文獻(xiàn)[2]對(duì)均值漂移算法進(jìn)行了改進(jìn)，將其應(yīng)用到計(jì)算機(jī)視覺領(lǐng)域，得到了廣大學(xué)者們的關(guān)注。文獻(xiàn)[3]則在均值遷移基礎(chǔ)上提出了連續(xù)自適應(yīng)均值算法，并將其從人臉跟蹤擴(kuò)展至視頻目標(biāo)跟蹤領(lǐng)域中。文獻(xiàn)[4]對(duì)連續(xù)自適應(yīng)均值算法受視頻獲取條件的影響進(jìn)行了分析。文獻(xiàn)[5]融合卡爾曼濾波算法和連續(xù)自適應(yīng)均值漂移算法來對(duì)手勢(shì)進(jìn)行實(shí)時(shí)跟蹤。

連續(xù)自適應(yīng)均值漂移算法初衷是用于人臉的檢測和跟蹤，不適合跟蹤快速的其他目標(biāo)，且與目標(biāo)相似的背景顏色容易干擾跟蹤效果。為了解決連續(xù)自適應(yīng)均值漂移算法中的這些問題，本文提出了一種改進(jìn)的連續(xù)自適應(yīng)均值漂移算法。本文算法可以實(shí)現(xiàn)對(duì)其他目標(biāo)的準(zhǔn)確跟蹤，而且有效解決了算法的同色背景干擾問題。

2 連續(xù)自適應(yīng)均值漂移算法

2.1 算法原理

連續(xù)自適應(yīng)均值漂移算法是在時(shí)序圖像上顏色動(dòng)態(tài)變化概率分布基礎(chǔ)上進(jìn)行的一種有效的目標(biāo)跟蹤算法。根據(jù)視頻目標(biāo)的顏色特征確定目標(biāo)的位置和大小，并用其在下一幀圖像中初始化搜索窗口，不斷重復(fù)這個(gè)步驟最終實(shí)現(xiàn)連續(xù)地跟蹤目標(biāo)。該算法能夠根據(jù)圖像的顏色直方圖估算顏色的概率分布，當(dāng)視頻不斷移動(dòng)時(shí)，圖像的顏色概率分布也會(huì)改變，由此可以根據(jù)這種變化來進(jìn)行目標(biāo)跟蹤。

2.2 算法的步驟

連續(xù)自適應(yīng)均值漂移算法是用顏色作為特征，且顏色直方圖能容忍目標(biāo)適度的旋轉(zhuǎn)、變形，對(duì)于目標(biāo)中心的像素會(huì)根據(jù)核函數(shù)給予較大權(quán)重，而遠(yuǎn)離中心的像素則會(huì)給予較小權(quán)重。這能確保該算法在遮擋和背景動(dòng)態(tài)變化方面具有較強(qiáng)的適應(yīng)性。算法的流程如圖1所示。

3 連續(xù)自適應(yīng)均值漂移跟蹤算法的改進(jìn)

為了解決算法的不足之處，我們對(duì)算法進(jìn)行下面一些改進(jìn)：

1）提出了多種有效的直方圖級(jí)數(shù)分配方式；

2）使用卡爾曼濾波算法對(duì)視頻目標(biāo)位置進(jìn)行預(yù)測和調(diào)整，充分利用了前幀圖像中視頻目標(biāo)的運(yùn)動(dòng)信息，提升跟蹤效果；

3）在算法中加入對(duì)概率分布圖像的分析與處理，以減少背景中相同顏色的干擾。

3.1 三維直方圖及各通道級(jí)數(shù)的分配

傳統(tǒng)的連續(xù)自適應(yīng)均值漂移算法只使用H通道（色調(diào)）構(gòu)造直方圖，不考慮亮度和飽和度的作用，且主要用于人臉跟蹤方面。而連續(xù)自適應(yīng)均值漂移算法則能跟蹤任意目標(biāo)，這樣就需要將三個(gè)通道的信息都要考慮進(jìn)來。因此，需要采用HSV空間三維直方圖作為特征進(jìn)行運(yùn)動(dòng)目標(biāo)跟蹤?？紤]到H、S、V對(duì)目標(biāo)跟蹤效果的不同影響，我們可以定義浮動(dòng)的直方圖級(jí)數(shù)分配方式[6]。根據(jù)不同的視頻序列，可以比較直方圖的不同分配方式的跟蹤效果，選擇最優(yōu)的直方圖維數(shù)分配方式。

3.2 目標(biāo)位置的預(yù)測和調(diào)整

在原算法中，如果目標(biāo)運(yùn)動(dòng)速度較快，則會(huì)出現(xiàn)搜索窗口跟不上目標(biāo)運(yùn)動(dòng)變化的情況，難以保證跟蹤效果。這種情況往往是由于在一些幀中視頻目標(biāo)的起始位置確定的不夠好。而視頻目標(biāo)歷史的運(yùn)動(dòng)信息對(duì)當(dāng)前幀圖像中目標(biāo)的位置進(jìn)行預(yù)測，進(jìn)而可以確定目標(biāo)真正的位置，從而實(shí)現(xiàn)視頻目標(biāo)的快速跟蹤。

在實(shí)際中，實(shí)現(xiàn)目標(biāo)的預(yù)測有很多種方法?？柭鼮V波具有很少的計(jì)算量，實(shí)時(shí)性好，能很好地對(duì)目標(biāo)運(yùn)動(dòng)軌跡進(jìn)行估計(jì)和預(yù)測。它是使用最小均方誤差對(duì)系統(tǒng)狀態(tài)進(jìn)行估計(jì)，是一種在時(shí)域內(nèi)所使用的遞歸濾波的方法。利用每幀圖像中視頻目標(biāo)的位置可生成運(yùn)動(dòng)目標(biāo)的運(yùn)動(dòng)軌跡，進(jìn)而可以使用卡爾曼濾波算法根據(jù)歷史位置信息來預(yù)測當(dāng)前幀圖像中目標(biāo)的位置，最后就在這個(gè)可能的位置的周圍尋找真正的目標(biāo)。因此，本文在充分利用了視頻目標(biāo)歷史的運(yùn)動(dòng)信息，增強(qiáng)了跟蹤效果。

3.3 概率分布圖像的分析和處理

在本文算法中，為了避免背景中與視頻目標(biāo)相同顏色的影響，分析和處理了直方圖反向投影所得的概率分布圖像，以期達(dá)到好的跟蹤效果。

為了得到概率分布圖像，可以計(jì)算每幀圖像直方圖的反向投影。概率分布圖像中每個(gè)像素的灰度值代表著該點(diǎn)是目標(biāo)的可能性有多大。也就是說，像素灰度值越高，屬于目標(biāo)的概率就越高，否則就相反。當(dāng)存在背景顏色干擾，概率分布圖像中不僅包含視頻目標(biāo)區(qū)域，也包含了與視頻目標(biāo)相同顏色的背景區(qū)域，為此，本文提出了相應(yīng)的辦法來避免背景的影響。

1）使用上一幀中視頻目標(biāo)的位置來排除干擾

如果視頻目標(biāo)的位置不會(huì)變化太大，則可以利用上一幀圖像中目標(biāo)的位置來預(yù)測當(dāng)前幀圖像中視頻目標(biāo)的位置。可以預(yù)先設(shè)定目標(biāo)的最大位移，進(jìn)而可以確定目標(biāo)在當(dāng)前幀的可能位置。對(duì)于不在這個(gè)可能位置的區(qū)域可以將其所有像素的值置為0。

2）根據(jù)預(yù)測的位置來過濾

當(dāng)發(fā)生明顯遮擋時(shí)，能基本預(yù)測出正確的位置。可根據(jù)預(yù)先設(shè)定的最大誤差值，確定一個(gè)可能位置的附近區(qū)域，并認(rèn)為目標(biāo)可能在附近區(qū)域內(nèi)出現(xiàn)。對(duì)于不在這個(gè)附近區(qū)域的所有像素，在概率分布圖圖像上的像素值都置為0。

3）根據(jù)連通區(qū)域的面積來過濾

通過前面的兩個(gè)步驟，得到經(jīng)過處理的概率分布圖像。然后再通過預(yù)設(shè)的閾值，對(duì)概率分布圖像二值化。再對(duì)該二值化的圖像進(jìn)行形態(tài)學(xué)運(yùn)算、邊緣檢測等處理，去除空洞，獲得互不連通的獨(dú)立的區(qū)域。這些區(qū)域可能是目標(biāo)也可能使與目標(biāo)顏色相近的其他目標(biāo)。

為了消除那些不屬于目標(biāo)的連通區(qū)域，考慮在二值標(biāo)記圖像上目標(biāo)所在的連通區(qū)域的面積，其中i表示幀序號(hào)。在通常的情況下，第i幀和第i-1幀的目標(biāo)連通區(qū)域的面積和之間，在著一定的變化關(guān)系。根據(jù)視頻目標(biāo)序列的不同特性，可以對(duì)其變化作出不同的約束。

其中，是絕對(duì)變化的閾值，和是相對(duì)變化的閾值。

根據(jù)式（1）或者（2），可以過濾掉二值標(biāo)記圖像中不滿足上述變化約束的連通區(qū)域，得到處理后的二值標(biāo)記圖像。對(duì)于二值標(biāo)記圖像中像素值為0的點(diǎn)，在概率分布圖像中的相應(yīng)點(diǎn)也置為0。

根據(jù)以上多種方法，可以實(shí)現(xiàn)對(duì)概率分布圖像的預(yù)處理，減少了同顏色背景對(duì)均值漂移搜索的干擾。

4 實(shí)驗(yàn)結(jié)果及分析

4.1算法的處理過程

圖2以對(duì)一個(gè)小球的視頻的跟蹤為例，說明算法的處理過程。其中藍(lán)色矩形代表預(yù)測的目標(biāo)位置，紅色矩形代表世紀(jì)的搜索結(jié)果。在場景中，有一個(gè)凳子，它的顏色與小球類似。在跟蹤過程中，小球會(huì)滾動(dòng)到凳子的附近。在概率分布圖像上，凳子的區(qū)域和小球所在區(qū)域都是高亮的，本章算法會(huì)對(duì)凳子產(chǎn)生的顏色干擾進(jìn)行處理和過濾。

在圖2中，（a）- （c）分別為只使用H、S、V通道圖像直方圖反向投影后產(chǎn)生的概率分布圖像；（d）是使用H、S、V三通道圖像直方圖反向投影后產(chǎn)生的概率分布圖像； （e）是處理后的概率分布圖像，可以看出，同顏色背景（凳子）的干擾已經(jīng)消除了；（f）是根據(jù)（e）進(jìn)行自適應(yīng)均值漂移搜索后得到的結(jié)果，可以看出，盡管離同色的凳子很近。算法仍準(zhǔn)確定位目標(biāo)。

4.2與原算法的跟蹤效果對(duì)比

圖3顯示了分別用原算法和本章算法對(duì)小球的跟蹤效果的對(duì)比。圖3 （a）是采用原連續(xù)自適應(yīng)均值漂移算法的跟蹤結(jié)果，（b）是采用本章算法的跟蹤結(jié)果。可以看出，在小球和凳子距離較遠(yuǎn)時(shí)（第70、80幀），兩種算法的效果差不多。但當(dāng)小球靠近凳子時(shí)（第125、137幀），原算法中凳子的位置會(huì)影響小球的位置的搜索，導(dǎo)致搜索結(jié)果中，小球所在區(qū)域變大，并且向凳子方向偏移，而應(yīng)用本章算法則能得到較好的效果。

5 結(jié)論

本文對(duì)傳統(tǒng)的連續(xù)自適應(yīng)均值漂移跟蹤算法進(jìn)行了改進(jìn)，引入卡爾曼濾波器來預(yù)測目標(biāo)位置，采用級(jí)數(shù)靈活分配的HSV三維直方圖來計(jì)算概率分布圖像，然后根據(jù)目標(biāo)在前一幀的位置，預(yù)測位置以及連通區(qū)域標(biāo)記等對(duì)概率分布圖像進(jìn)行分析和處理，然后進(jìn)行自適應(yīng)均值漂移搜索。實(shí)驗(yàn)結(jié)果表明，在出現(xiàn)背景同色干擾時(shí)，本章算法比傳統(tǒng)的連續(xù)自適應(yīng)均值漂移跟蹤算法效果更好，而且即使目標(biāo)發(fā)生較大形變時(shí)，仍然能實(shí)現(xiàn)對(duì)目標(biāo)的準(zhǔn)確跟蹤。

參考文獻(xiàn)：

[1] Fukunaga K，Hostetler L D.The estimation of the gradient of a density function，with application in pattern recognition [J].IEEE Transactions on Information Theory，1975（21）：32-40.

[2]Cheng Y.Mean shift，mode seeking and clustering [J].IEEE Transactions on Pattern Analysis and Machine Intelligence，1995，17（8）：790?799.

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

[4]Boyle M.The effects of capture conditions on the CAMSHIFT face tracker [D].Canada：University of Calgary，2001.

[5]Liu N J，Brian C.MMX-Accelerated real-time hand tracking system [C] // Proceedings of Image and Vision Computing New Zealand.Dunedin，New Zealand，2001：381-385.

[6]Kwolek B.Object tracking using discriminative feature selection [C] // Proceedings of Advanced Concepts for Intelligent Vision Systems.Antwerp，Belgium，2006：287-298.