付麗梅

摘? 要：視頻監(jiān)控中的行人跟蹤是一個(gè)具有實(shí)際應(yīng)用價(jià)值的研究領(lǐng)域。針對(duì)城市中智能視頻監(jiān)控中行人跟蹤問(wèn)題，提出了一種改進(jìn)的基于彩色直方圖均衡化的MeanShift行人跟蹤算法，實(shí)驗(yàn)的圖像序列通過(guò)監(jiān)控?cái)z像頭獲得。這種行人跟蹤算法是基于均值移位算法，它使用顏色直方圖均衡化來(lái)改進(jìn)原始算法。通過(guò)使用CAVIAR project/IST 2001 37540數(shù)據(jù)集來(lái)進(jìn)行試驗(yàn)，試驗(yàn)結(jié)果表明，改進(jìn)后的算法在某些情況下比原算法表現(xiàn)得更好。

關(guān)鍵詞：計(jì)算機(jī)圖像處理;mean shift;行人跟蹤;直方圖均衡化

中圖分類號(hào)：TP391.41? ? ?文獻(xiàn)標(biāo)識(shí)碼：A

Improved Mean Shift Algorithm for Pedestrian Tracking?Based on Color Histogram Equalization

FU Limei

（Department of Software Engineering，Dalian Neusoft University of Information，Dalian 116023，China）

Abstract：The pedestrian tracking in video monitoring is a research field with practical application value.An improved pedestrian tracking algorithm is proposed with image sequences acquired by surveillance cameras to solve the problem of pedestrian tracking in in smart video monitoring in cities.This pedestrian tracking algorithm is based on mean shift algorithm，using color histogram equalization to improve the original algorithm and applying CAVIAR project/IST 2001 37540 dataset to evaluate the algorithm.Experimental results show that the improved algorithm performs much better than the original one in some situations.

Keywords：computer image processing;mean shift;pedestrian tracking;histogram equalization

1? ?引言（Introduction）

視頻數(shù)據(jù)分析是監(jiān)控系統(tǒng)中的重要組成部分，監(jiān)控系統(tǒng)分析視頻的第一步是區(qū)分對(duì)象[1]，第二步是跟蹤對(duì)象，最后一步是分析對(duì)象行為。本文采用改進(jìn)的Mean Shift算法對(duì)行人進(jìn)行跟蹤。Mean Shift可以跟蹤對(duì)象的顏色和其他圖像特征。最初的跟蹤算法可以在某些情況下跟蹤行人[2]。但當(dāng)行人對(duì)象和背景顏色相似時(shí)，原有的跟蹤算法無(wú)法正確跟蹤行人對(duì)象。本文提出一種方法來(lái)解決這個(gè)問(wèn)題。我們將顏色直方圖均衡化與原始算法相結(jié)合。該方法可以調(diào)整視頻幀的對(duì)比度，使跟蹤行人對(duì)象和背景顏色更加不同[3]。在此基礎(chǔ)上，當(dāng)跟蹤對(duì)象和背景有相似的顏色時(shí)，跟蹤的成功率可以提高。使用CAVIAR project/IST 2001 37540數(shù)據(jù)集對(duì)算法進(jìn)行了評(píng)估，結(jié)果表明改進(jìn)后的算法比原來(lái)的算法執(zhí)行得更好[4]。

2? Mean Shift算法概述（Mean shift algorithm overview）

Mean shift算法是由普度大學(xué)的Keinosuke Fukunaga于1975年提出的。但平均偏移算法僅用于非參數(shù)密度估計(jì)，而非計(jì)算機(jī)視覺(jué)或其他區(qū)域。1995年，辛辛那提大學(xué)的Yizong Cheng發(fā)表了一篇關(guān)于mean shift算法的論文。該文擴(kuò)展了均值移位算法的應(yīng)用，并詳細(xì)說(shuō)明了其中的一些應(yīng)用。包括計(jì)算機(jī)視覺(jué)在內(nèi)的許多領(lǐng)域開(kāi)始研究均值位移算法[5，6]。在跟蹤領(lǐng)域的計(jì)算機(jī)視覺(jué)中，第一次使用shift算法是由Dorin Comaniciu出版的兩篇論文。論文采用平均移位和基于kernel-based對(duì)象跟蹤實(shí)時(shí)跟蹤非剛性對(duì)象。這兩篇論文是跟蹤領(lǐng)域中平均位移算法中最重要的論文。在這些論文發(fā)表后，平均偏移算法已經(jīng)成為一項(xiàng)熱門(mén)研究。

均值位移算法的定義是基于梯度的非參數(shù)密度估計(jì)。我們可以在d維特征空間中給出n個(gè)樣本。

然后得到x在空間中的概率密度估計(jì)值。我們可以用下面的公式來(lái)描述它：

在最后一個(gè)公式中，代表了概率密度估計(jì)以最快速度增長(zhǎng)的方向。使用迭代過(guò)程，并收斂于概率密度的局部?jī)?yōu)化。

基于均值偏移算法的跟蹤算法利用核函數(shù)對(duì)顏色直方圖進(jìn)行加權(quán)，并利用Bhattacharyya系數(shù)來(lái)測(cè)量候選目標(biāo)和跟蹤目標(biāo)之間的相似性。Bhattacharyya系數(shù)可以度量相似度，然后可以將這個(gè)相似的發(fā)現(xiàn)問(wèn)題轉(zhuǎn)化為一個(gè)核密度估計(jì)問(wèn)題。核密度估計(jì)是一種利用概率理論估計(jì)未知的密度函數(shù)。它是一種非參數(shù)測(cè)試算法，是一種運(yùn)動(dòng)檢測(cè)算法。均值移位算法可以在迭代過(guò)程中找到局部極大化。平均位移跟蹤分為四步，其中包括測(cè)量目標(biāo)模型、候選模型、相似度函數(shù)和相似性測(cè)度，以及跟蹤目標(biāo)位置。

3? Mean Shift跟蹤算法的實(shí)現(xiàn)（Implementation of??Mean Shift tracking algorithm）

基于均值偏移算法的跟蹤算法利用核函數(shù)對(duì)顏色直方圖進(jìn)行加權(quán)，并利用Bhattacharyya系數(shù)來(lái)測(cè)量候選目標(biāo)和跟蹤目標(biāo)之間的相似性。Bhattacharyya系數(shù)可以度量相似度，然后我們可以將這個(gè)相似的發(fā)現(xiàn)問(wèn)題轉(zhuǎn)化為一個(gè)核密度估計(jì)問(wèn)題。核密度估計(jì)是一種利用概率理論估計(jì)未知的密度函數(shù)。它是一種非參數(shù)測(cè)試算法，是一種運(yùn)動(dòng)檢測(cè)算法。均值移位算法可以在迭代過(guò)程中找到局部極大化。平均位移跟蹤分為四步，其中包括測(cè)量目標(biāo)模型、候選模型、相似度函數(shù)和相似性測(cè)度，以及跟蹤目標(biāo)位置。該算法使用MATLAB作為開(kāi)發(fā)工具，使用CAVIAR project/IST 2001 37540作為評(píng)估數(shù)據(jù)集。

3.1? ?原始Mean Shift算法均值漂移算法的過(guò)程包括五個(gè)步驟：

（1）處理目標(biāo)模型

我們需要在算法中定義目標(biāo)模型，并定義標(biāo)準(zhǔn)化系數(shù)C和Epanechnikov核函數(shù)。我們將RGB顏色空間設(shè)置為16*16*16，然后將權(quán)重設(shè)置為每個(gè)RGB像素。最后，我們計(jì)算重量。

（2）讀取除了第一幀的圖像序列

這一步讀取已處理的圖像序列并將它們傳遞到內(nèi)存，然后等待進(jìn)一步的處理。

（3）處理候選模型

簡(jiǎn)而言之，該過(guò)程計(jì)算候選區(qū)域的RGB顏色直方圖，并等待進(jìn)一步的比較。

（4）比較相似度并定位目標(biāo)

這一步比較相似度并找到目標(biāo)，然后更新中心點(diǎn)y。最后，我們將新的坐標(biāo)保存在矩陣中。

（5）顯示跟蹤結(jié)果

這一步顯示了上述步驟的目標(biāo)運(yùn)動(dòng)軌跡和其他結(jié)果。這是跟蹤過(guò)程的結(jié)束。

3.2? ?彩色圖像的直方圖均衡化

改進(jìn)算法的核心方法是使用顏色直方圖均衡。 當(dāng)跟蹤對(duì)象和背景具有相似的顏色時(shí)，原始算法將丟失對(duì)象。而這種方法使用顏色直方圖均衡來(lái)解決問(wèn)題。直方圖均衡化是一種可以增強(qiáng)圖像對(duì)比度的方法。

一個(gè)離散的灰度圖像，是灰度級(jí)的出現(xiàn)次數(shù)，我們可以得到在圖像中發(fā)生一級(jí)像素的概率（是圖像中灰度級(jí)的數(shù)量，是256，意味著圖像中的像素總數(shù)）

上述步驟是灰度圖像的直方圖均衡。如果想對(duì)彩色圖像進(jìn)行直方圖均衡。需要將彩色RGB圖像分解為RGB分量，并對(duì)每個(gè)RGB分量執(zhí)行直方圖均衡。之后，可以得到彩色圖像上的直方圖均衡的結(jié)果。

跟蹤對(duì)象和背景顏色可能具有相似的顏色，平均偏移將使用直方圖跟蹤對(duì)象。所以使用顏色直方圖均衡的方法來(lái)使跟蹤對(duì)象和背景顏色更加不同。因此跟蹤的結(jié)果會(huì)更好。

3.3? ?基于顏色直方圖均衡的改進(jìn)Mean Shift算法

改進(jìn)的均值漂移算法的過(guò)程如圖1所示。

在實(shí)驗(yàn)中發(fā)現(xiàn)，如果跟蹤目標(biāo)與背景具有相似的顏色，則由于圖像序列具有較低的對(duì)比度，所以算法會(huì)得到不好的結(jié)果。提高實(shí)驗(yàn)結(jié)果的方法是提高視頻幀的對(duì)比度。顏色直方圖均衡是調(diào)整圖像對(duì)比度的一種方法。

（1）對(duì)視頻執(zhí)行顏色直方圖均衡

對(duì)視頻執(zhí)行顏色直方圖均衡。將視頻分解為圖像序列，并對(duì)圖像序列的每個(gè)RGB分量執(zhí)行直方圖均衡，然后保存。

（2）處理目標(biāo)模型

需要在算法中定義目標(biāo)模型，定義歸一化系數(shù)C和Epanechnikov核函數(shù)。將RGB色彩空間設(shè)置為16*16*16空間，然后將權(quán)重設(shè)置為每個(gè)RGB像素。最后，計(jì)算重量。

（3）讀取除了第一幀的圖像序列

這一步讀取已處理的圖像序列并將其傳送到內(nèi)存，并等待進(jìn)一步處理。

（4）處理候選模型

簡(jiǎn)而言之，該過(guò)程計(jì)算候選區(qū)域的RGB顏色直方圖，并等待進(jìn)一步的比較。

（5）比較相似度并定位目標(biāo)

這一步比較相似度并定位目標(biāo)，然后更新中心點(diǎn)y。最后，將新的坐標(biāo)保存在矩陣中。

（6）顯示跟蹤結(jié)果

這一步顯示了上述步驟的目標(biāo)運(yùn)動(dòng)軌跡和其他結(jié)果，這是跟蹤過(guò)程的結(jié)束。

4? 算法實(shí)驗(yàn)結(jié)果與對(duì)比（Experimental results and comparison of the algorithm）

使用CAVIAR項(xiàng)目/IST 2001 37540作為實(shí)驗(yàn)數(shù)據(jù)集[7]。提出了一種使用顏色直方圖均衡的方法。該方法可以提高目標(biāo)與背景的對(duì)比度，提高均值漂移算法的精度。使用改進(jìn)的算法做了一些實(shí)驗(yàn)，但很難找到合適的視頻數(shù)據(jù)庫(kù)材料，其中背景和跟蹤對(duì)象具有相似的顏色。但是發(fā)現(xiàn)一些行人穿著類似衣服的材料。結(jié)果表明，改進(jìn)后的算法在測(cè)試視頻片段中的跟蹤效果優(yōu)于原始算法。

5? ?結(jié)論（Conclusion）

本文提出了一種基于顏色直方圖均衡的行人跟蹤改進(jìn)算法。當(dāng)跟蹤行人目標(biāo)具有與背景相似的顏色時(shí)，原始平均偏移跟蹤算法具有不正確的結(jié)果。使用一種稱為顏色直方圖均衡的方法來(lái)調(diào)整視頻剪輯的對(duì)比度。這將使得行人跟蹤目標(biāo)和背景具有更多的差異，使得改進(jìn)的算法將比原始目標(biāo)更準(zhǔn)確地跟蹤行人目標(biāo)[8]。

這種改進(jìn)的顏色直方圖均衡方法不僅可以用于均值漂移跟蹤算法，而且可以用于粒子濾波跟蹤算法，因?yàn)轭伾狈綀D均衡方法可以解決目標(biāo)顏色與背景相似的情況通過(guò)增強(qiáng)對(duì)比度提高跟蹤效過(guò)。

參考文獻(xiàn)（References）

[1] Denman.S，Kleinschmidt.T，Ryan.D，et al.Automatic surveillance in transportation hubs：no longer just about catching the bad guy[J].Expert Systems with Applications，2015，42（24）：9449-9467.

[2] Yilmaz.A，Javed.O，Shah M.Object tracking：A survey[J].Acm Computing Surveys，2006，38（4）：81-93.

[3] 冀峰，高新波，謝松云.Mean-shift濾波和直方圖增強(qiáng)的圖像弱邊緣提取[J].中國(guó)圖象圖形學(xué)報(bào)，2012，17（6）：651-656.

[4] 何希平.基于鄰域Mean-Shift的彩色圖像濾波算法[J].計(jì)算機(jī)應(yīng)用，2011，31（2）：386-389.

[5] Mayer A，Greenspan H.Segmentation of brain MRI by adaptive mean shift[C].Proceedings of the 3rd IEEE International Symposium on Biomedical Imaging：Nano to Macro.Arlington，USA：IEEE，2006：319-322.

[6] Mayer A，Greenspan H.An adaptive mean-shift framework for MRI brain segmentation[J].IEEE Transactions on Medical Imaging，2009，28（8）：1238-1250.

[7] 王晏，孫怡.自適應(yīng)Mean Shift算法的彩色圖像平滑與分割算法[J].自動(dòng)化學(xué)報(bào)，2010，36（12）：1637-1644.

[8] 韓彩夏，王曉宇.基于Mean Shift算法與模糊熵的圖像平滑[J].計(jì)算機(jī)應(yīng)用，2009，29（1）：63-64;67.