摘 要： 研究了一種基于差分法原理的MS跟蹤算法。當(dāng)MS跟蹤目標(biāo)位置發(fā)生較大偏移時，通過使用差分法提取的目標(biāo)形心位置對其進行修正。實驗結(jié)果表明，該方法應(yīng)用于運動目標(biāo)的跟蹤具有良好的跟蹤效果。
關(guān)鍵詞： 幀差法；目標(biāo)提取；目標(biāo)跟蹤；均值漂移
近年來，目標(biāo)跟蹤是機器視覺領(lǐng)域比較活躍的研究課題，在車輛跟蹤、智能機器人、人機交互、智能家居以及生物醫(yī)學(xué)圖像分析等行業(yè)有著潛在的應(yīng)用[1-2]。學(xué)者們提出了大量的運動目標(biāo)跟蹤算法，在這些算法中，基于統(tǒng)計迭代思想的均值漂移MS（Mean Shift）算法，經(jīng)常被應(yīng)用于聚類、圖像平滑、圖像分割和跟蹤等各種不同場合。該方法計算量不大，能夠進行視頻圖像的目標(biāo)跟蹤[3]。
目前，MS方法在計算機視覺領(lǐng)域的應(yīng)用飛速發(fā)展。COMAIVICIU D成功地將MS方法應(yīng)用到圖像分割和目標(biāo)跟蹤中[4]。應(yīng)用Lindeberg理論解決了MS方法在跟蹤色塊時特征空間尺度h的選取問題[5]。彭寧嵩等證明了在核函數(shù)窗寬固定的條件下，目標(biāo)在其窗寬范圍內(nèi)進行縮放、平移運動并不影響Mean Shift跟蹤算法空間定位的準(zhǔn)確性[6]。賈靜平等引入目標(biāo)傾角的方法來跟蹤旋轉(zhuǎn)的目標(biāo)[7]，但是該方法是采用試探的方法通過多次分別計算水平、垂直和旋轉(zhuǎn)的自由度，然后分別取最優(yōu)值。這種方法比較復(fù)雜，而且采用固定的變化大小，對目標(biāo)變化的適應(yīng)性不強。以上這些方法雖然在某些場合下跟蹤效果比較滿意，然而算法比較復(fù)雜、計算量大。
基于MS的目標(biāo)跟蹤算法要求相鄰兩幀間目標(biāo)位置必須有重合，因此，當(dāng)目標(biāo)的運動速度較小時，能夠獲得比較理想的跟蹤結(jié)果。當(dāng)目標(biāo)運動速度較快且目標(biāo)較小導(dǎo)致相鄰兩幀間的目標(biāo)位置無重合時，該方法往往失效。差分法是常用的目標(biāo)提取算法，可以快速有效地提取出目標(biāo)的輪廓。利用差分法提取出目標(biāo)的輪廓，進而計算出目標(biāo)的形心位置，從而為MS跟蹤算法提供準(zhǔn)確、可靠的目標(biāo)位置。本文主要研究動態(tài)復(fù)雜背景下圖像序列中運動目標(biāo)的跟蹤技術(shù)。利用MS理論和差分法目標(biāo)提取算法相結(jié)合，實現(xiàn)了運動目標(biāo)的跟蹤。通過對行駛中的小汽車的跟蹤，驗證了本文算法的有效性。
1 差分法目標(biāo)分割及特征提取
差分法也叫幀差法，是用當(dāng)前幀圖像減去前一幀圖像，提取出運動目標(biāo)，屬于圖像分割技術(shù)范疇，其原理比較簡單，易于實現(xiàn)。
1.1 差分法原理
基于像素灰度信息的差分算法速度快、提取準(zhǔn)確，是運動目標(biāo)提取首選算法。假定函數(shù)fk（x，y）、fk+1（x，y）分別表示第k幀、第k+1幀圖像（x，y）處的像素值，則差分操作定義為：
一般來說，MS算法迭代若干次（一般在10次以內(nèi)）后就可以逼近準(zhǔn)確值。關(guān)于MS算法的收斂性，可參閱參考文獻[10]。改進算法中的C為一個極小正數(shù)，通常取0.5，即半個像素。
3 實驗結(jié)果與分析
3.1 跟蹤算法仿真實驗
為了驗證本文所提出的目標(biāo)跟蹤算法的性能，采用兩組視頻圖像進行測試，并比較MS跟蹤算法與本文跟蹤算法的跟蹤效果。所有算法均在Intel Pentium 4 3.0 GHz CPU、2 GB內(nèi)存計算機，Windows XP系統(tǒng)下用MATLAB 7.9編程實現(xiàn)。圖像中方框表示估計的目標(biāo)位置，在圖像序列中待跟蹤目標(biāo)的初始位置手動給定。
圖3是對一段長為70幀，幀速率為15 f/s的視頻圖像中沿著斜坡滾動下落小球的跟蹤實驗結(jié)果。其中,圖3（a）是利用MS算法對第8、15、27、36、50和60幀圖像中運動小球的跟蹤結(jié)果，圖3（b）是利用改進算法對相對應(yīng)的幀圖像中運動小球的跟蹤結(jié)果。
3.2 跟蹤算法評價
跟蹤方法的性能主要從精確度和實時性上進行評定。精確度主要是測試應(yīng)用該算法在各種環(huán)境中能否比較準(zhǔn)確地跟蹤初始化的目標(biāo)。為此需要計算跟蹤偏差。
定義第i幀圖像中目標(biāo)位置的偏差ei為：
ei=|Ti-Ci| ?。?3）
其中，Ti表示在第i幀圖像中跟蹤目標(biāo)中心的位置；Ci表示在第i幀圖像中目標(biāo)中心的準(zhǔn)確位置，Ci的值可以通過人工的方式獲得。
定義目標(biāo)跟蹤的平均偏差為：
本文提出了一種基于差分法的改進Mean Shift目標(biāo)跟蹤算法。通過差分法進行目標(biāo)提取并計算目標(biāo)的重心坐標(biāo)，對Mean Shift算法進行自動修正。在目標(biāo)丟失時，通過差分法修正跟蹤位置，重新進行目標(biāo)定位來獲得穩(wěn)定的跟蹤。這種方法在跟蹤偏移的情況下能夠調(diào)整算法的目標(biāo)模型分布，從而修正Mean Shift的跟蹤過程。實驗結(jié)果表明，本文所提出的方案實現(xiàn)了對運動目標(biāo)的提取與跟蹤。本文算法不足之處是沒有考慮目標(biāo)在運動時大小的變化，因此下一步的工作是研究跟蹤窗口隨著目標(biāo)大小變化的自適應(yīng)窗口跟蹤。
參考文獻
[1] 蔡榮太.非線性自適應(yīng)濾波器在電視跟蹤中的應(yīng)用[D].北京：中國科學(xué)院，2008.
[2] 王亮，胡衛(wèi)明，譚鐵牛.人運動的視覺分析綜述[J].計算機學(xué)報，2002，25（3）：225-237.
[3] COMANIEIU D， RAMESH V. Mean Shift and optimal Prediction for efficient object tracking[C]. Proceedings of the IEEE Conference on Image， 2000（3）：70-73.
[4] COMANICIU D， MEER P. Robust analysis of feature spaces： color image segmentation[M]. Los Alamitos， USA， 1997： 750-755.
[5] COLLINS， ROBERT T. Mean-shift blob tracking through scale space[D]. United States： Institute of Electrical and Electronics Engineers Computer Society， 2003.
[6] 彭寧嵩，楊杰，劉志，等.Mean Shift跟蹤算法中核函數(shù)窗寬的自動選取[J].軟件學(xué)報，2005：1542-1550.
[7] 賈靜平，張艷寧，柴艷妹，等.目標(biāo)多自由度Mean Shift序列圖像跟蹤算法[J].西北工業(yè)大學(xué)學(xué)報，2005，23（5）：618-622.
[8] FUKUNAGA K， HOSTETLER L D. The estimation of the gradient of a density function with applications in pattern recognition[J]. IEEE Transactions on Information Theory， 1975，21（1）：32-40.
[9] COMANICIU D， MEER P. Mean Shift： a robust approach toward feature space analysis[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2002，24（5）：564-577.
[10] 李鄉(xiāng)儒，吳福朝，胡占義.均值漂移算法的收斂性[J].軟件學(xué)報，2005，16（3）：365-374.