盧道華 汪建秘 王佳

摘 ?要： 根據(jù)水面監(jiān)控圖像的特點，對運動載體采集到的水面視頻圖像進行處理，從而實現(xiàn)對運動目標的跟蹤。首先，利用Haar分類器檢測出水面的運動目標，并用檢測結(jié)果初始化Camshift跟蹤器的搜索窗口;然后，運用Kalman濾波器與Camshift組合算法實現(xiàn)對運動目標的跟蹤。其中，利用Kalman濾波算法預測目標在下一幀中出現(xiàn)的位置，Camshift算法用來跟蹤目標，以此減小搜索范圍，提高跟蹤效率。實驗結(jié)果表明，該算法能夠?qū)崿F(xiàn)對水面運動艦船的檢測并進行有效跟蹤。

關鍵詞： 水面目標; 檢測; 跟蹤; Kalman濾波器; Camshift算法; 狀態(tài)向量

中圖分類號： TN850.6?34; TP391 ? ? ? ? ? ? ? ? ? 文獻標識碼： A ? ? ? ? ? ? ? ? ? ?文章編號： 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

運動目標跟蹤技術一直以來都是計算機視覺的核心課題，也是智能監(jiān)控系統(tǒng)的關鍵技術之一。水面運動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、風浪及光照強度等因素的影響。因此，對水面目標進行跟蹤具有一定的挑戰(zhàn)性。

近年來，國內(nèi)外許多文獻對海面目標檢測跟蹤技術進行了研究。文獻[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濾波器的預測功能和Mean?Shift跟蹤器的搜索功能，在一定程度上減少了計算量，提高了跟蹤的精度與實時性。文獻[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)先檢測目標再進行跟蹤。文獻[3]提出基于紅外成像技術的目標跟蹤方法。文獻[4]提出基于水平集的目標跟蹤，分別研究了運動軌跡的生成、空間平滑與輪廓提取等。

本文采用Camshift跟蹤算法融合Kalman濾波器對水面目標進行跟蹤，利用Kalman濾波器預測下一幀視頻圖像中運動目標的位置，以此位置為中心確定Camshift算法進行目標跟蹤的搜索區(qū)域[5]。

1 ?Camshift算法

Camshift算法是Bradski在Mean?Shift算法的基礎上提出來的[6]。該算法的基本思想是在視頻圖像中利用運動目標的顏色特征對其跟蹤窗口的尺寸及位置進行確定，并能自適應地調(diào)整跟蹤窗口的尺寸以適應運動目標大小的變化。

Camshift算法的實現(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，使運動目標包含其中。

3） 計算跟蹤窗口的H分量的顏色直方圖，并對其進行歸一化處理，得到顏色概率分布圖。

4） 計算跟蹤窗口的零階矩、一階矩。

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

7） 判斷跟蹤窗口的移動距離是否大于設定的閾值。若是，則返回步驟4）～步驟6）重新計算移動后的窗口質(zhì)心點，對跟蹤窗口進行再次移動，直到跟蹤窗口移動的距離小于設定的閾值，或者達到最大的循環(huán)運算次數(shù)，則認為滿足收斂條件;若否，則進入下一幀視頻圖像進行新一輪的目標跟蹤。在新的視頻圖像中，將利用當前幀的窗口質(zhì)心點與零階矩，重新設置跟蹤窗口的尺寸及位置。如此循環(huán)迭代，就能完成對運動目標的跟蹤。

Camshift跟蹤算法在單獨使用時容易受到外界因素的干擾，如視頻圖像中出現(xiàn)大面積與運動目標相近的顏色或者運動目標被遮擋等情況。利用Kalman濾波器對運動目標的位置進行預估[7]，可以在一定程度上解決這個問題。

2 ?Kalman濾波器

Kalman濾波器于20世紀60年代末被提出，在目標跟蹤領域具有良好的應用前景。該算法的實質(zhì)是根據(jù)系統(tǒng)的觀測值更新狀態(tài)向量，是一種對隨機信號進行最優(yōu)估計的實時遞推算法，濾波器通過輸入的系統(tǒng)觀測量對隨機信號進行估計，估計后得到的信號作為濾波器的輸出[8]。圖1為Kalman濾波器的原理簡圖。

Kalman濾波預測算法的兩個重要方程如下：

式中：[Xk]與[Xk-1]分別表示[k]與[k-1]時刻的狀態(tài)向量;[Zk]表示[k]時刻的系統(tǒng)狀態(tài)觀測向量;[A]表示系統(tǒng)狀態(tài)轉(zhuǎn)移矩陣;[H]表示系統(tǒng)觀測矩陣;[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濾波器的原理簡圖

Kalman濾波算法包括預測與更新兩個階段。

1） 系統(tǒng)預測階段

狀態(tài)預測方程：

Kalman濾波器的引入能夠有效地預測出運動目標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運動速度過快，少量相似背景顏色干擾，目標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，都是基于目標顏色概率模型的跟蹤原理[9]。

本文對跟蹤算法進行改進，通過事先訓練好的Haar分類器實現(xiàn)對水面運動艦船的檢測與定位，并將檢測結(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的過程，進而提高對目標的跟蹤效率。跟蹤過程中當目標消失時，Haar分類器重新對目標進行檢測，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濾波器的目標跟蹤過程如下：

1） 對視頻圖像中的艦船進行檢測。

2） 初始化Kalman濾波器。

3） 把目標檢測結(jié)果初始化為Camshift算法的搜索窗口。

4） 計算搜索窗口內(nèi)目標的顏色概率分布圖。

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

6） Kalman濾波器預測下一幀視頻圖像中目標的質(zhì)心位置。

7） 重復步驟4）～步驟6），直到跟蹤結(jié)束。

4 ?實驗結(jié)果與分析

為了驗證該算法的可行性，使用Visual Studio 2010結(jié)合OpenCV 2410開源視覺庫對其進行驗證。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\動的船只進行有效跟蹤。圖3a）為Haar分類器在第一幀視頻圖像中檢測出的目標結(jié)果。在把檢測結(jié)果初始化給Camshift跟蹤器的搜索窗口時，可以以矩形對角線的交點為中心，適當縮小矩形的尺寸，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地根據(jù)目標的大小進行調(diào)整。對比圖3b）～圖3d）可以看出，當船只以各種角度出現(xiàn)時都能夠?qū)ζ溥M行跟蹤。對比圖3e）、圖3f）可以看出，在一定距離范圍內(nèi)，該算法也能實現(xiàn)對目標的跟蹤。

在對視頻圖像進行目標檢測時，需提前訓練好Haar分類器，這是至關重要的一步，Haar分類器的檢測結(jié)果將直接影響目標跟蹤的成敗。

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)對水面目標的跟蹤功能，取得了較好的跟蹤效果。但當目標距離較遠時，本文算法無法做到穩(wěn)定跟蹤，需做進一步研究。

參考文獻

[1] 曾文靜.基于光視覺無人艇水面目標檢測與跟蹤研究[D].哈爾濱：哈爾濱工業(yè)大學，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.海上目標監(jiān)測跟蹤算法研究及其在DSP硬件平臺的實現(xiàn)[D].煙臺：煙臺大學，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.艦船紅外成像目標實時識別與跟蹤系統(tǒng)研究[J].系統(tǒng)工程與電子技術，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.制導炮彈飛行姿態(tài)的卡爾曼濾波估計方法[J].中國慣性技術學報，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.基于視頻的目標檢測跟蹤及其行為識別研究[D].南京：南京理工大學，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濾波的視頻對象跟蹤方法[J].中國圖象圖形學報，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預測的運動目標跟蹤[J].計算機工程與科學，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.