摘  要： 針對傳統(tǒng)的Camshift算法在跟蹤時需要手動定位目標(biāo)，在顏色干擾、遮擋等復(fù)雜背景中容易跟丟目標(biāo)的問題，提出了一種基于Camshift和Kalman濾波的自動跟蹤算法。首先利用幀間差分法和Canny邊緣檢測法分割出運動目標(biāo)的完整區(qū)域，然后用提取出的目標(biāo)區(qū)域初始化Camshift算法的初始搜索窗口，從而實現(xiàn)了目標(biāo)的自動跟蹤。當(dāng)背景中存在相似顏色干擾或者目標(biāo)被嚴(yán)重遮擋時，采用Kalman濾波與Camshift算法相結(jié)合的改進算法進行跟蹤。實驗結(jié)果表明，本文改進算法在目標(biāo)被嚴(yán)重遮擋、顏色干擾等情況下仍能有效、穩(wěn)健地跟蹤。
關(guān)鍵詞： 目標(biāo)跟蹤； Camshift算法； Kalman濾波； 幀間差分法； Canny邊緣檢測

    視頻序列中運動目標(biāo)的跟蹤是計算機視覺領(lǐng)域的一個重要的研究課題，它已廣泛應(yīng)用于電子監(jiān)控系統(tǒng)、智能交通管理、醫(yī)學(xué)、軍事等多個領(lǐng)域。近年來，國內(nèi)外許多學(xué)者對該領(lǐng)域進行了大量的研究，并且提出了許多不同的跟蹤方法，如基于模型的跟蹤方法[1]、基于特征的跟蹤方法[2]、基于區(qū)域的跟蹤方法[3]和基于輪廓的跟蹤方法[4]等。Camshift(Continuously Adaptive Mean Shift)算法是一種基于顏色特征匹配的跟蹤方法，該算法原理簡單，具有實時性、穩(wěn)定性和較強的魯棒性，在簡單背景中有較好的跟蹤效果。但傳統(tǒng)的Camshift算法是一種半自動的跟蹤算法，目標(biāo)的初始大小和位置需要手動選擇，而且在背景中存在相似顏色干擾、遮擋等情況下容易跟蹤失敗。
    本文針對Camshift 算法的這些不足，提出了一種基于Camshift和Kalman濾波的自動跟蹤算法，采用幀間差分法和Canny邊緣檢測算法自動定位運動目標(biāo)，當(dāng)遇到遮擋和顏色干擾時，引入Kalman濾波器對運動目標(biāo)的位置進行預(yù)測。實驗驗證了該改進算法對遮擋和顏色干擾的魯棒性和有效性。
1 運動目標(biāo)檢測
    視頻序列中的運動目標(biāo)檢測是目標(biāo)跟蹤和目標(biāo)識別等高級處理的基礎(chǔ)。本文結(jié)合區(qū)域檢測和邊緣檢測的方法準(zhǔn)確地分割和定位出運動目標(biāo)。首先，利用幀間差分法得到目標(biāo)的差分圖像，對差分圖像進行高斯濾波、二值化處理后采用Canny邊緣檢測算法得到目標(biāo)的邊緣輪廓信息，再進一步提取出目標(biāo)的運動對象面，實現(xiàn)目標(biāo)標(biāo)定。在跟蹤過程中，用提取出的運動目標(biāo)初始化Camshift跟蹤算法的初始搜索窗口的大小，從而實現(xiàn)自動跟蹤。
1.1 幀間差分法
　  幀間差分法是最簡單的背景估計方法，它取上一幀視頻圖像作為當(dāng)前幀的背景模型，在相鄰兩幀間根據(jù)基于像素的差分并且閾值化來提取出圖像中的運動區(qū)域。該算法原理簡單、實時性強，常常用于跟蹤的前期處理過程。該算法首先通過計算第k幀圖像和第k-1幀圖像的像素差得到差分后的圖像Dk；然后設(shè)置合適的二值化閾值T對Dk進行二值化處理，得到二值化后的差分圖像Rk(x,y)；最后對Rk(x,y)進行形態(tài)學(xué)濾波及連通性分析,得到目標(biāo)運動區(qū)域。其中：

1.2 Canny邊緣檢測算法
    Canny邊緣檢測算子是Canny于1986年提出的一種基于最優(yōu)化算法的邊緣檢測算子，該算子具有高精度定位的特點。Canny提出三個嚴(yán)格的檢測標(biāo)準(zhǔn)評價邊緣檢測的質(zhì)量，分別是：高信噪比準(zhǔn)則、高定位精度準(zhǔn)則和單一邊緣響應(yīng)準(zhǔn)則。該算法的實現(xiàn)過程如下：
    (1)用高斯濾波器平滑圖像;
    (2)用一階偏導(dǎo)的有限差分計算梯度的幅值和方向;
    (3)對梯度幅值進行非極大值抑制;
    (4)用雙閾值算法檢測和連接邊緣。
2 運動目標(biāo)跟蹤
    近年來，Camshift跟蹤算法憑借其實時性和魯棒性的特點被大量關(guān)注。該算法利用目標(biāo)的顏色特征模型實現(xiàn)跟蹤，由于顏色的相對穩(wěn)定性，該算法可以解決部分遮擋及目標(biāo)形變問題。在簡單背景下，該算法有較好的跟蹤效果,然而，在目標(biāo)被嚴(yán)重遮擋及存在大面積相似顏色干擾等復(fù)雜背景下，該算法會導(dǎo)致跟蹤失敗。本文提出了一種基于Camshift和Kalman濾波的改進的跟蹤算法來解決這些問題。
2.1 Camshift算法
    Camshift算法即連續(xù)自適應(yīng)均值漂移算法，它是Meanshift算法的擴展。該算法根據(jù)目標(biāo)的顏色概率分布信息實現(xiàn)運動目標(biāo)跟蹤。Camshift算法的處理過程由反向投影、Meanshift算法和Camshift算法三部分組成。
2.1.1反向投影
    首先將圖像從RGB空間轉(zhuǎn)換到HSV空間。HSV空間能精確地反映一些灰度信息和色彩信息，可以提高算法的穩(wěn)定性。由于HSV顏色空間中的H分量能直觀地反映物體顏色信息，且與亮度獨立，因此選擇圖像的H分量統(tǒng)計目標(biāo)的顏色直方圖,得到顏色概率查找表。最后將圖像中每個像素值用其顏色出現(xiàn)的概率替換，并將其得到的結(jié)果歸一化到[0,255]之間，從而得到顏色概率分布圖。色彩投影的流程如圖1所示。原圖圖像、H分量的顏色直方圖及對應(yīng)的概率分布圖如圖2 所示。

2.1.2 Meanshift算法

    Meanshift算法[5]是一種非參數(shù)密度梯度估計算法，其實質(zhì)是通過反復(fù)迭代搜索特征空間中樣本點最密集的區(qū)域，搜索點沿著樣本點密度增加的方向“漂移”到局部密度極大點，從而達到跟蹤的目的。該算法因其原理簡單、計算量小、實時性強被廣泛應(yīng)用于圖像分割和跟蹤等領(lǐng)域。該算法的實現(xiàn)過程如下：
    (1)設(shè)置搜索窗的初始大小和位置；
    (2)計算搜索窗的質(zhì)心；
    (3)將該搜索窗的中心移至質(zhì)心處；
    (4)重復(fù)步驟(2)和步驟(3)，直至收斂或者搜索窗質(zhì)心移動的距離小于事先設(shè)定的閾值。
    設(shè)I(x,y)是概率分布圖中位于(x,y)處的像素值，x、y在整個搜索窗范圍內(nèi)取值。則有：

2.1.3  Camshift算法
    Camshift算法[6-7]是對視頻序列中的所有幀作Meanshift運算，并且將得到的搜索窗的大小和中心作為下一幀meanshift算法搜索窗的初始值。如此迭代下去，實現(xiàn)對目標(biāo)的跟蹤。算法的具體流程如圖3所示。

2.2 改進的Camshift算法
　  傳統(tǒng)的Camshift算法原理簡單、計算量小、實時性強，能夠有效地解決目標(biāo)形變及部分遮擋等問題。然而,該算法在跟蹤時需要手動選擇初始搜索窗口的大小，是一種半自動的跟蹤算法；同時,由于該算法在跟蹤過程中沒有利用目標(biāo)的方向、速度等運動信息，當(dāng)背景中存在大面積相似顏色干擾或者目標(biāo)被嚴(yán)重遮擋時，該算法不能準(zhǔn)確地跟蹤目標(biāo)，甚至導(dǎo)致跟蹤失敗。本文提出一種改進算法克服以上問題。首先,結(jié)合幀間差分法和Canny邊緣檢測算法，準(zhǔn)確地提取出運動目標(biāo)，根據(jù)提取出的運動目標(biāo)初始化Camshift跟蹤算法的初始搜索窗口，從而實現(xiàn)了自動跟蹤。為了解決顏色干擾和嚴(yán)重遮擋的問題，本文引入Kalman濾波器，用Kalman濾波器預(yù)測Camshift算法中第K（K>2）幀搜索窗口的中心位置。具體的步驟為：先初始化Kalman濾波器,當(dāng)幀數(shù)K>2時,用Kalman濾波器預(yù)測Camshift算法的搜索窗口位置；用Camshift算法計算目標(biāo)的最優(yōu)位置和大??；判斷背景中是否存在顏色干擾或者目標(biāo)被嚴(yán)重遮擋,若無,則直接用Camshift算法計算出的目標(biāo)位置作為觀測值去更新Kalman濾波器;若有，則搜索窗口的大小會自動變大或變小，此時用Camshift算法計算出的最優(yōu)位置是不準(zhǔn)確的，如果用該值作為觀測值去更新Kalman濾波器，Kalman濾波器將不能有效準(zhǔn)確地估計下一幀的目標(biāo)位置，最終會導(dǎo)致跟蹤丟失。此時，用Kalman濾波器的預(yù)測值代替Camshift算法計算出的目標(biāo)位置作為觀測值去更新Kalman濾波器。本文中，用?琢判斷是否出現(xiàn)顏色干擾,用濾波器殘差r(k)和遮擋率β判斷目標(biāo)是否被嚴(yán)重遮擋。α、r(k)、β的計算公式如下：

其中,Rect_currenct為Camshift算法計算得到的目標(biāo)區(qū)域的大小，Rect_last為上一幀圖像目標(biāo)區(qū)域的大小， Rect_origin為初始搜索窗口的大小，x(k)、y(k)表示目標(biāo)位置的觀測值，x′(k)、y′(k)表示目標(biāo)位置的預(yù)測值。在本文中，當(dāng)?琢>2時，認(rèn)為背景中存在大面積相似顏色干擾；當(dāng)r(k)>10且?茁<0.3時，則認(rèn)為目標(biāo)被嚴(yán)重遮擋。該改進算法流程圖如圖4所示。

3 實驗結(jié)果及分析
    為了驗證算法的有效性，本文在Pentium(R) 4, 3.00 GHz CPU,1  GB內(nèi)存,Windows XP操作系統(tǒng)的計算機上使用VS2005結(jié)合OPENCV函數(shù)庫來編寫程序。每幀圖像的大小為320×240。
3.1 運動目標(biāo)檢測與定位實驗結(jié)果
    圖5顯示了運動目標(biāo)的提取結(jié)果，其中,圖5(a)是原始圖像序列中的一幀；圖5(b)是經(jīng)過幀間差分法、高斯濾波、二值化處理后結(jié)合Canny邊緣檢測算法得到的運動目標(biāo)的邊緣圖像；圖5(c)是提取出目標(biāo)的運動對象面；圖5(d)是運動目標(biāo)的標(biāo)定結(jié)果。從實驗結(jié)果可以看出，幀間差分法結(jié)合Canny邊緣檢測的方法可以準(zhǔn)確地提取出運動目標(biāo)。

3.2 改進的Camshift算法實驗結(jié)果
    為了驗證改進的Camshift算法的有效性，本文將傳統(tǒng)Camshift算法的跟蹤效果與改進的Camshift算法跟蹤效果進行比較，比較結(jié)果如圖6和圖7所示。

'

     圖6為相似顏色干擾實驗，視頻序列的背景中有一個紅色袋子與運動目標(biāo)的顏色很相似。其中，圖6(a)為傳統(tǒng)Camshift算法的實驗結(jié)果。從第110幀~第127幀，目標(biāo)越來越靠近紅色袋子，目標(biāo)區(qū)域也逐漸擴大，將袋子誤認(rèn)為是目標(biāo)導(dǎo)致目標(biāo)定位不準(zhǔn)確。第172幀目標(biāo)離開袋子時，跟蹤框仍停留在袋子上，最終導(dǎo)致跟蹤失敗。圖6(b)為改進Camshift算法的實驗結(jié)果。實驗結(jié)果表明，改進的Camshift算法在背景中存在相似顏色干擾時仍能有效地跟蹤目標(biāo)。
　　圖7為遮擋實驗，其中圖7(a)為傳統(tǒng)Camshift算法實驗結(jié)果,圖7(b)為改進的Camshift算法的實驗結(jié)果。在圖7(a)中的第161幀時，目標(biāo)被部分遮擋，Camshift算法通過縮小目標(biāo)區(qū)域的大小以消除目標(biāo)被遮擋部分的影響，實現(xiàn)對目標(biāo)的跟蹤。在第190幀時，目標(biāo)被完全遮擋，顏色信息完全消失，搜索窗口收縮到最小值并停留在一個局部小區(qū)域內(nèi)。第280幀當(dāng)目標(biāo)再次出現(xiàn)時跟蹤丟失。在圖6(b)中的第190幀時，目標(biāo)被嚴(yán)重遮擋，此時用本文改進算法進行跟蹤并設(shè)置搜索窗口的大小為初始搜索窗的大小。第280幀時，目標(biāo)重新出現(xiàn)，搜索窗口與目標(biāo)聯(lián)接，開始新的跟蹤。實驗結(jié)果表明，改進的Camshift算法對遮擋有較好的魯棒性。
    本文提出了一種基于Kalman濾波與Camshift算法的改進的自動跟蹤算法。實驗表明，本文所提出的改進算法可以實時、準(zhǔn)確、自動地跟蹤目標(biāo)，并且對干擾和遮擋有較好的魯棒性。然而，本文是在背景靜止、目標(biāo)勻速運動的假設(shè)下完成的，如何提高算法在動態(tài)復(fù)雜背景及目標(biāo)速度變化較大的情況下跟蹤的穩(wěn)定性，是需要進一步研究的內(nèi)容。
參考文獻
[1] KIM H K， KIM J D. Region-based shape descriptor  invariant to rotation, scale and translation[J]. Signal Processing: Image Communication, 2000,16(1-2):87-93.
[2] SCHOLKOPF B. Statistical learning and kernel methods[M].  Technology Report MSR_TR, 2002.
[3] BADENAS J, BOBER M, PLA F. Motion and intensitybased segmentation and its application to traffic monitoring[C].  Proceedings of ICIAP 1310,1997:502-509.
[4] LIN Y T, CHANG Y L. Tracking deformable objects with   the Active Contour Model[C]. Proceedings IEEE (ICMCS’ 1997), 1997:608-609.
[5] 周尚波, 胡鵬, 柳玉炯. 基于改進Mean-Shift與自適應(yīng)Kalman濾波的視頻目標(biāo)跟蹤[J]. 計算機應(yīng)用, 2010,30
(6):1573-1576.
[6] 鄔大鵬, 程衛(wèi)平,于盛林. 基于幀間差分和運動估計的Camshift目標(biāo)跟蹤算法[J].光電工程, 2010,37(1):55-60. [7] 王江濤, 楊靜宇. 遮擋情況下基于Kalman均值偏移的目標(biāo)跟蹤[J]. 系統(tǒng)仿真學(xué)報, 2007,19(18):4216-4220.