薛 桐，任世卿

(沈陽理工大學(xué) 信息科學(xué)與工程學(xué)院，遼寧 沈陽 110159)

一種改進的CamShift運動目標(biāo)跟蹤算法

薛 桐，任世卿

(沈陽理工大學(xué) 信息科學(xué)與工程學(xué)院，遼寧 沈陽 110159)

CamShift算法具有復(fù)雜度低，實時性和魯棒性好等優(yōu)點，被廣泛地應(yīng)用于目標(biāo)跟蹤領(lǐng)域。但是CamShift算法在運動目標(biāo)接近與其顏色相近的固定遮擋物時，跟蹤會出現(xiàn)明顯的偏移。針對這一問題，提出了一種解決與運動目標(biāo)顏色相近的固定遮擋物對目標(biāo)跟蹤的干擾的方法。首先，運用單高斯背景模型對運動目標(biāo)進行背景建模；其次，通過背景模型與當(dāng)前幀的運算，確定與運動目標(biāo)顏色相近的固定遮擋物所在的位置；最后，利用H分量灰度圖計算運動目標(biāo)所在位置。實驗結(jié)果顯示，該方法在運動目標(biāo)接近相似顏色固定遮擋物時，能很好地跟蹤運動目標(biāo)。

目標(biāo)跟蹤；CamShift算法；單高斯背景模型；HSV顏色空間模型

計算機視覺中的一個重要研究方向是視頻監(jiān)控，它不但有廣闊的應(yīng)用前景，而且在理論研究上也有很高的價值[1]。其中視頻監(jiān)控涉及的運動目標(biāo)跟蹤一直是一項非?；钴S的研究領(lǐng)域，它是計算機視覺技術(shù)的核心，同時結(jié)合了模式識別、自動控制、圖像處理、人工智能等高技術(shù)課題。常用的運動目標(biāo)跟蹤算法有Kalman濾波、MeanShift算法、CamShift算法等[2]。范五東等提出了一種基于HSV色彩空間特征與Kalman濾波融合的目標(biāo)跟蹤算法，克服了運動目標(biāo)表面特征變化帶來的目標(biāo)跟丟現(xiàn)象[3]。趙文倩等將背景差分法與CamShift算法結(jié)合，在一定程度上滿足了實時性與穩(wěn)定性的要求[4]。本文針對運動目標(biāo)在運動過程中接近與其顏色相近的固定遮擋物時跟蹤出現(xiàn)偏移這一問題，基于CamShift算法原理，運用單高斯背景模型建立背景[5]，經(jīng)過運算得到相近顏色的遮擋物的位置，進而更準(zhǔn)確地計算出運動目標(biāo)的位置。

1 CamShift算法和單高斯背景模型

1.1 CamShift算法

Bradski針對MeanShift算法的不足，在1998年提出了CamShift算法(Continuously Adaptive Mean-Shift)[6]。算法的主要思想是，首先手動選取運動目標(biāo)區(qū)域，設(shè)運動目標(biāo)區(qū)域內(nèi)像素點用(x,y)表示，提取運動目標(biāo)區(qū)域在HSV顏色空間模型的H分量直方圖作為目標(biāo)特征值，其次通過H分量直方圖建立反向投影圖H(x,y)，再計算得到H(x,y)的零階矩和一階矩，最后確定運動目標(biāo)區(qū)域的質(zhì)心，從而計算出運動目標(biāo)所在位置的坐標(biāo)值。零階矩和一階矩具體計算如下：

零階矩：

(1)

一階矩：

(2)

(3)

通過零階矩和一階矩確定搜索窗的質(zhì)心，用xc表示質(zhì)心的橫坐標(biāo)，yc表示縱坐標(biāo)，有

(4)

CamShift算法對于特定色度目標(biāo)進行跟蹤時，只計算搜索窗內(nèi)的像素的H分量，這樣就減少了計算量，而且依據(jù)H分量逐幀計算搜索窗的大小，實現(xiàn)了對連續(xù)圖像序列的跟蹤。但也正因為CamShift算法只考慮運動目標(biāo)的色度H分量為特征，所以當(dāng)運動目標(biāo)遇到有相似色度遮擋物時，目標(biāo)跟蹤就會出現(xiàn)偏移，逐漸丟失。本文提出利用背景模型，使目標(biāo)與相似顏色固定遮擋物區(qū)別開，然后修改遮擋物所在區(qū)域的H分量特征值，從而實現(xiàn)比較準(zhǔn)確的跟蹤結(jié)果。

1.2 單高斯背景模型

Wren等人[7]把背景圖像中的每一個像素點，用單個高斯分布模型表示，具體如下：

(5)

(6)

在生成背景估計圖像之后，根據(jù)預(yù)先設(shè)定的閾值T進行判斷。

(7)

式中：1代表前景點，0代表背景點；閾值T=D·σt，D為固定值；σt為標(biāo)準(zhǔn)差。在單高斯背景模型更新中，引入學(xué)習(xí)率α(0<α<1)，更新表達式如下：

μt=(1-α)μt-1+αXt

(8)

(9)

運用單高斯背景模型具有計算復(fù)雜度低，運算量小等優(yōu)點。在初始化模型參數(shù)時，如果輸入圖像是背景圖像，那么得到的結(jié)果是比較理想的。

2 改進的CamShift算法

本文主要改進思想是使運動目標(biāo)與相似色度固定遮擋物區(qū)分開，確定遮擋物的位置。這一思想的核心步驟是怎樣準(zhǔn)確地定位遮擋物的位置。隨著目標(biāo)的運動，固定遮擋物在目標(biāo)周圍出現(xiàn)的體積大小是由小到大的過程，準(zhǔn)確地得到這個從小到大的區(qū)域是非常重要的一步，本文提出利用單高斯模型建立背景模型，計算得到相似顏色固定遮擋物的位置，實驗結(jié)果顯示，利用這個方法基本可以確定相似顏色固定遮擋物的位置，再經(jīng)過后續(xù)的運算，可以得到較好的跟蹤結(jié)果。算法主要過程如下：

(1)確定初始搜索窗口

使用手動選擇運動目標(biāo)，并將窗口大小固定為初始選擇的窗口大小。

(2)取運動目標(biāo)周圍得到一張小圖像

為便于計算背景模型減少計算量，以運動目標(biāo)為中心向四周擴展一定大小，將此部分單獨拿出來作為一張小圖像代替整幀參與計算。這樣不僅可以減少計算量，而且可以避免背景的一些變化對背景建模的干擾。得到小圖像的計算量遠小于整幀圖像參與背景建模的計算量。擴展的大小根據(jù)不同圖像序列和一系列實驗而定。本文中該大小取為向四周擴展20個像素值。

(3)得到背景模型

此步驟得到的背景模型必須是不包含遮擋物的，這樣當(dāng)目標(biāo)靠近遮擋物時，用當(dāng)前幀與背景模型運算時才能更好地得到遮擋物的位置。先利用單高斯背景模型，對前5幀小圖像進行背景建模，得到背景模型二值化圖像img1，如圖1所示。

圖1 背景模型

(4) 確定遮擋物的位置

① 將背景幀img1和當(dāng)前幀img2進行運算。運算的目的是得到一個只包含運動目標(biāo)信息的圖像，以便獲取固定遮擋物的位置。運動目標(biāo)在每一幀中的位置是不同的，但是在相鄰幀中目標(biāo)所在的位置會有重疊的部分。同樣的，建立的背景模型在每一幀圖像中都有重疊的部分，所以將背景模型與每一個當(dāng)前幀進行與運算，即img1&img2，提取二者的公共部分，再用當(dāng)前幀和公共部分相減，即img2-(img1&img2)，得到與公共部分有差異的區(qū)域，并將此結(jié)果重新賦給img1，如圖2所示。

圖2 運算過程圖

② 對建模結(jié)束后的每一幀圖像，取小圖像，提取H分量灰度圖并重新賦給img2；

③ 利用圖3b和圖3c再次計算img2-(img2&img1)，若當(dāng)前幀img2中沒有出現(xiàn)相似色度遮擋物，則此結(jié)果不會改變目標(biāo)特征H分量各像素點的值；若當(dāng)前幀中出現(xiàn)遮擋物，則基本可以確定其在img2中的位置，如圖3d所示(結(jié)果圖中白色區(qū)域為相似色度遮擋物)。

圖3 確定相似色度遮擋物位置過程圖

(5) 獲取新的運動目標(biāo)H分量特征圖

由得到的遮擋物位置，對應(yīng)到當(dāng)前幀H分量灰度圖中的位置，將其值置0，重新得到當(dāng)前幀H分量灰度圖(如圖4所示)，用重新得到的H分量灰度圖進行后續(xù)CamShift算法的運算。

圖4 H分量灰度圖

如果相似色度的遮擋物體積遠大于運動目標(biāo)，除了考慮對運動目標(biāo)運動方向上的干擾，還要防止對運動目標(biāo)其他方向的干擾，例如，上方和下方，如圖5所示。此時，對上一步得到的位置，根據(jù)情況，對該位置的其他有干擾方向的位置上的值，一并置0，這樣得到新的運動目標(biāo)H分量特征值進行后續(xù)CamShift算法的運算。

(6) 背景模型更新

判斷運動目標(biāo)是否被半遮擋，若遮擋，則更新背景模型，轉(zhuǎn)到(3)開始執(zhí)行，否則轉(zhuǎn)到(4)繼續(xù)下一幀。

(7) 直到所有幀結(jié)束。

3 實驗結(jié)果及分析

通過視頻圖像序列對傳統(tǒng)CamShift算法和改進的CamShift算法性能進行分析。正在跑步的人慢慢地靠近一根電線桿，電線桿的顏色和人的衣服顏色相似。另外，隨著目標(biāo)的運動，固定遮擋物在目標(biāo)周圍出現(xiàn)的體積大小是由小到大的過程，對運動目標(biāo)跟蹤的干擾由在運動方向上逐漸擴展，包括運動方向的右上方、左下方等。本文的實驗環(huán)境為Matlab2012a軟件，操作界面如圖6所示。

圖5 相似色度遮擋物對運動目標(biāo)跟蹤的干擾

圖6 仿真軟件操作界面圖

在運動目標(biāo)離遮擋物稍遠時，跟蹤結(jié)果比較準(zhǔn)確。在運動目標(biāo)剛剛接近相似顏色遮擋物時，傳統(tǒng)CamShift算法就失效了，跟蹤出現(xiàn)了偏移，如圖7所示。其中，目標(biāo)與相似顏色遮擋物的灰度值對比如表1所示(X、Y分別表示橫坐標(biāo)和縱坐標(biāo))。通過確定相似顏色遮擋物的位置，忽略相應(yīng)位置上像素值對后續(xù)CamShift算法運算的干擾，得到更準(zhǔn)確的運動目標(biāo)位置。實驗表明，該方法有效地解決了相似顏色遮擋物對運動目標(biāo)跟蹤的干擾，跟蹤效果明顯優(yōu)于原算法的跟蹤效果，如圖8所示。

表1 目標(biāo)與遮擋物灰度值對比表

圖7 原CamShift算法的跟蹤結(jié)果

圖8 改進的CamShift算法的跟蹤結(jié)果

圖9 原CamShift算法的跟蹤結(jié)果

圖10 運動方向上改進的跟蹤結(jié)果

圖11 加入其他方向上的改進的跟蹤結(jié)果

由于遮擋物體積遠大于目標(biāo)的體積，在目標(biāo)運動過程中，當(dāng)目標(biāo)進入半遮擋時，遮擋物對目標(biāo)跟蹤的影響不僅僅出現(xiàn)在目標(biāo)的運動方向上。本圖像序列中的遮擋物對目標(biāo)跟蹤的影響還出現(xiàn)在上方、右上方、下方、右下方。對改進的算法進一步細化，在確定遮擋物位置時對增加考慮其它有影響的方向，進而得到其它有影響的方向的位置具體實驗結(jié)果如圖9、圖10、圖11所示。

通過圖7至圖11的對比可以看出，針對本圖像序列，原CamShift算法在第37幀時，跟蹤出現(xiàn)偏差，在接下來的圖像幀中，跟蹤出現(xiàn)丟失。圖12以目標(biāo)實際位置的中心的橫縱坐標(biāo)為基準(zhǔn)，表達了原算法與改進算法跟蹤窗口質(zhì)心的橫縱坐標(biāo)與基準(zhǔn)坐標(biāo)的偏差，進一步說明當(dāng)目標(biāo)接近相似顏色固定遮擋物時，原算法與改進算法的跟蹤效果。本文提出的通過背景模型計算相似顏色固定遮擋物的位置的方法，使跟蹤結(jié)果明顯好轉(zhuǎn)。但隨著目標(biāo)移動，離遮擋物越來越近，只考慮運動方向上的因素，跟蹤效果也出現(xiàn)了偏差。經(jīng)過進一步改進，增加其他方向上的影響因素，使跟蹤結(jié)果越來越好。

圖12 跟蹤窗口質(zhì)心坐標(biāo)誤差對比

4 結(jié)論

綜上所述，改進的算法采用原圖像的小圖像參與運算，減少了復(fù)雜背景對目標(biāo)跟蹤的影響，并且在一定程度上減少了計算量。運用單高斯背景模型建立背景，通過對背景模型與當(dāng)前幀圖像的運算，最終確定與運動目標(biāo)顏色相似的固定遮擋物位置的方法，基本解決了相似顏色對目標(biāo)跟蹤的影響，取得了較好的跟蹤結(jié)果。

對于本圖像序列來說，它既包含相似顏色遮擋物對運動目標(biāo)跟蹤的干擾，同時也包含運動目標(biāo)被完全遮擋的情況。由于遮擋物的體積遠大于運動目標(biāo)的體積，隨著目標(biāo)的移動，目標(biāo)與固定遮擋物的位置由靠近，遮擋一小部分，半遮擋，到全遮擋，再到慢慢走出遮擋。所以對CamShift算法已做的改進，更適合于有相似顏色固定遮擋物對運動目標(biāo)半遮擋的情況。對于具有相似顏色固定遮擋物對運動目標(biāo)全遮擋的情況，還須進一步完善、改進。

[1]尹宏鵬.基于計算機視覺的運動目標(biāo)跟蹤算法研究[D].重慶:重慶大學(xué),2009.

[2]劉俊.運動目標(biāo)的檢測與跟蹤算法研究[D].武漢:武漢科技大學(xué),2011.

[3]范五東,周尚波,幸培宸.HSV顏色空間特征與Kalman濾波融合的目標(biāo)跟蹤[J].計算機工程與應(yīng)用,2011,47(13):169-173.

[4]趙文倩,匡遜君,李明富.基于改進的Camshift運動目標(biāo)跟蹤算法的研究[J].信息技術(shù),2012,(7):165-169.

[5]陳雪瑩.基于混合高斯的背景建模與更新算法的研究與實現(xiàn)[D].沈陽:東北大學(xué),2009.

[6]Bradski G R.Real Time Face and Object Tracking as a Component of a Perceptual User Interface[C].IEEE Workshop on Applications of Computer Vision,1998:214-219.

[7]Wren,Christopher R,Ali Azarbayejani,et al.Real-Time Tracking of The Human Body[J].In IEEE Transactions on Pattern Analysis and Machine Intelligence,1997,19(7):780-785.

(責(zé)任編輯：馬金發(fā))

An Improved CamShift Moving Target Tracking Algorithm

XUE Tong,REN Shiqing

(Shenyang Ligong University Shenyang 110159,China)

CamShift algorithm has low computing complexity,good real-time performance and robustness,so it is widely applied in target tracking.But the tracking appears shift when moving target is closing the fixed occlusion which has similar color with it.In order to solve this problem,a solution is proposed to solve this kind of occlusion.Firstly,single Gaussian algorithm is adopted to build the background model;Then,the position of similar color fixed occlusion is located by the background model calculation and the current frame;Finally,H component grayscale is applied to calculate the moving object position.The experimental results show that this solution can track the target better while the fixed occlusion has similar color with the closing target.

target tracking;CamShift algorithm;single Gaussian background model;HSV color space model

2014-07-10

薛桐(1990—)，女，碩士研究生；通訊作者：任世卿(1975—)，男，副教授，研究方向：圖像處理與計算機視覺.

1003-1251(2015)02-0028-07

TN911

A