李小和　劉鵬　譚力鳴

摘要：該文提出了一種魯棒的基于空間直方圖的均值漂移目標跟蹤算法。該算法首先用卡爾曼濾波（KF）預測目標在當前幀的位置，然后將預測結(jié)果作為改進的空間直方圖的均值漂移目標跟蹤算法的初值，用均值漂移算法搜索目標在當前幀的位置，同時更新KF算法的預測值。仿真實驗表明該方法具有較好的跟蹤精度，且對遮擋具有較強的魯棒性。

關鍵詞：空間直方圖；均值漂移；目標跟蹤

中圖分類號：TP18 文獻標識碼：A 文章編號：1009-3044（2015）14-0160-02

Abstract：This paper presents a robust mean shift object tracking algorithm based on spatial histogram. First， the center of the object predicted by KF is used as the initial value of the MS algorithm. Then the mean shift is used to search the object. The searching result of MS is fed back as the measurement of the KF to update the predicted value. The experimental results demonstrate that the proposed algorithm has good localization precision of tracking， and is robust against occlusion.

Key words： spatial histogram； mean shift； target tracking

視頻序列中的運動目標跟蹤在機器人視覺導航、醫(yī)療診斷、交通監(jiān)視等領域有著非常重要的實用價值和廣闊的應用前景。跟蹤算法的目的是在時域上估計運動目標的軌跡。然而，由于目標本身及周圍環(huán)境復雜且多變，因此獲得魯棒且高效的目標跟蹤算法是計算機視覺領域中一個具有挑戰(zhàn)性的研究課題。

均值漂移（MS）算法[1]是一種非參數(shù)密度估計方法，近年來被廣泛地應用于目標跟蹤領域[2-5]。文獻[2]以核加權(quán)顏色直方圖作為目標模型，表示直方圖相似度的Bhattacharyya（BH）系數(shù)最大，等價于計算概率密度函數(shù)的極大值，從而將MS應用于目標跟蹤。該算法計算簡單快捷，且實時性好，因此獲得了比較廣泛的應用。但是該算法在計算目標模型時沒有考慮目標區(qū)域像素點的位置信息，易引起目標丟失或定位偏差。文獻[4]通過在直方圖中引入像素點坐標的一階矩和二階矩，從而提出空間直方圖的概念，并且將該空間直方圖引入到MS目標跟蹤算法中，提出了一種基于空間直方圖的目標跟蹤算法（SMS）。

SMS目標跟蹤算法要求相鄰兩幀目標位置必須有重疊，否則無法有效跟蹤目標。為了進一步提高SMS算法魯棒性，本文提出了一種RSMS目標跟蹤算法。RSMS算法與SMS算法相比，其優(yōu)越性體現(xiàn)在以下幾個方面：（1）定義了一種空間直方圖；（2）采用一種改進的空間直方圖度量方法[5]度量空間直方圖的相似性；（3）將卡爾曼濾波（KF）的預測值作為MS目標的初值，從而使得當目標運動速度較大時能有效跟蹤目標。

1 空間直方圖的定義

另外，這里值得強調(diào)的是式（3）中方差的定義與文獻[4]不同。與文獻[4]類似，本文只考慮目標的平移，由于對一組數(shù)據(jù)進行平移后方差不變，也就是說，方差和[y]沒有關系。因此，與文獻[4]相比，式（3）定義的方差，具有直觀的幾何意義。同時由于方差和[y]沒有關系，使得對空間直方圖模型的相似性度量函數(shù)關于[y]求偏導數(shù)變得更方便。在文獻[4]中，由于該函數(shù)中的方差關于[y]求偏導數(shù)太復雜，所以忽略掉了。

2 目標的定位

基于空間直方圖的MS目標跟蹤本質(zhì)上就是利用MS算法，在當前幀尋找使空間直方圖模型的相似性度量取最大值的目標區(qū)域。在文獻[4]定義的相似性度量中，兩個完全相同的空間直方圖模型的相似性度量不為1。文獻[5]對其進行了改進，故本文采用文獻[5]所述的相似性度量。

5 結(jié)束語

本文提出了一種魯棒的基于空間直方圖的均值漂移目標跟蹤算法RSMS算法。與SMS目標跟蹤算法相比，RSMS算法的優(yōu)越性主要體現(xiàn)以下幾個方面：

1）本文給出了一種幾何意義更明確的方差計算方法，由于本文所定義的方差和候選目標位置[y]沒有關系，使得優(yōu)化過程的推導從數(shù)學的角度講更嚴謹；

2）采用一種改進的空間直方圖度量方法度量空間直方圖的相似性；

3）將卡爾曼濾波（KF）的預測值作為MS目標的初值，從而使得當目標運動速度較大時能有效跟蹤目標。

參考文獻：

[1] Comaniciu D， Meer P. Mean shift： a robust approach to feature space analysis [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2002， 24（5）： 603-619.

[2] Comaniciu D， Ramesh， V， Meer P Meer. Kernel-based object tracking [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2003， 25（5）： 564-577.

[3] Collins R T. Mean-shift blob tracking through scale space [C]. Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition， USA： IEEE， 2003： 234-240.

[4] Birchfield， S T， Rangarajan， S. Spatiograms versus histograms for region-based tracking [C]. IEEE Conference on Computer Vision and Pattern Recognition， USA： IEEE， 2005： 1158-1136.

[5] Conaire C O， Connor， N E， Smeaton A F. An Improved Spatiogram Similarity Measure for Robust Object Localization [C]. IEEE International Conference on Acoustics， Speech， and Signal Processing， USA： IEEE， 2007： 1069-1072.

[6]http：//www.ces.clemson.edu/～stb/research/headtracker/seq.