鄒梓秀

(福州理工學(xué)院 福州福建 350202)

關(guān)鍵字： MeanShift算法，移動目標(biāo)跟蹤，車聯(lián)網(wǎng)

移動目標(biāo)的跟蹤是當(dāng)前車聯(lián)網(wǎng)研究熱點，MeanShift算法是業(yè)界非常著名的跟蹤算法，是Fukunage學(xué)者在1975年提出的[1]。謝達奇等學(xué)者把MeanShift算法應(yīng)用到焊點檢測中，利用最小二擬合與MeanShift算法相結(jié)合完成若干圓心點的收集，通過實驗對比驗證了該方法的有效性[2]；周正欽等學(xué)者擴展了均值漂移聚類，引入了鄰域權(quán)重因子，實現(xiàn)了紅外圖像中熱故障區(qū)域的有效提取，取得了很好的效果[3]；李旺靈等學(xué)者對Meanshift算法提出了錐套跟蹤的自適應(yīng)核窗口思想，提高了算法的適應(yīng)能[4]；孟一飛等學(xué)者利用MeanShift算法來識別西夏文字筆形，這是一個很新穎的思路，利用核估計直方圖統(tǒng)計方法，提取西夏文字的特征值，實現(xiàn)智能識別[5]；朱聞亞等學(xué)者對Meanshift算法進行了改進，引入了穩(wěn)健估計，部分實現(xiàn)了跟蹤丟失問題，但當(dāng)跟蹤目標(biāo)快速通過時仍然可能導(dǎo)致跟蹤目標(biāo)丟失[6]；成怡等學(xué)者利用Meanshift算法與攝像機標(biāo)定相結(jié)合，實現(xiàn)了無人機定位問題[7]。很多學(xué)者對Meanshift算法進行了深入研究，在諸多領(lǐng)域都有很多應(yīng)用；也有很多學(xué)者對該算法進行了多個角度的改進，但跟蹤目標(biāo)在快速行進時容易丟失、跟蹤目標(biāo)中途改變形狀等問題仍然不夠理想，文章把MeanShift算法應(yīng)用到車聯(lián)網(wǎng)中，并針對其缺陷進行改進。

1 MeanShift算法

Meanshift算法的主要目標(biāo)是計算當(dāng)前坐標(biāo)點與移動目標(biāo)的偏移向量的均值，然后移動到該點，并以此為新的起點，不斷迭代該過程，直到滿足條件為止，如圖1所示(圖來自https：//my.oschina.net/u/3702502/blog/1815341)。

圖1 向量均值

圖1中C1_O表示目標(biāo)的起始點，C1、C2為監(jiān)視框，當(dāng)目標(biāo)移動到C1_r時，計算兩點之間的偏移向量的均值，并向做移動，然后不斷迭代直到C1與C2重合為止，具體實現(xiàn)步驟如下：

(1)偏移向量均值計算。某高維度區(qū)域，設(shè)其半徑為r，該區(qū)域有n個目標(biāo)對象，計算某D點與其它點Di偏移向量均值，其公式為：

(1)

(2)核函數(shù)的引入，為了更快地移動到目標(biāo)位置，絕大部分的目標(biāo)跟蹤都會引入核函數(shù)，把MeanShift算法轉(zhuǎn)化為基于密度的聚類算法。高斯核函數(shù)是最常用的密度函數(shù)，設(shè)高維空間中任意兩點x1、x2的距離記作k(|x1-x2|)，高斯核函數(shù)的計算公式為：

(2)

通過高斯核函數(shù)的轉(zhuǎn)換，MeanShift算法的偏移向量均值的計算公式變?yōu)椋?/p>

(3)

通過高斯核函數(shù)的變換，從式(3)可以看出目標(biāo)將向概率密度上升的區(qū)域移動，從而實現(xiàn)目標(biāo)的跟蹤。

2 MeanShift算法改進

MeanShift算法是一種很成熟的跟蹤算法，在實踐中得到了廣泛應(yīng)用，但適應(yīng)能力有待提高，例如移動目標(biāo)大小發(fā)生變化時，由于MeanShift算法的跟蹤框是固定的，容易導(dǎo)致丟失跟蹤目標(biāo)。此外，由于車聯(lián)網(wǎng)中，車輛運行一般比較快，這需要算法反應(yīng)比較靈敏，但MeanShift算法由于緯度高、計算量大，也可能導(dǎo)致丟失跟蹤目標(biāo)。針對這兩個缺陷，可從以下幾個方面進行改進：

(1)跟蹤框的改進。如圖1的C1框是固定的，如果跟蹤過程中正好下雨，某移動目標(biāo)撐起了雨傘，那么跟蹤目標(biāo)的大小發(fā)生了很大的變化，為了不會丟失移動目標(biāo)，文章增加一個實時形態(tài)監(jiān)測函數(shù)，用于在計算偏移量均值時同時計算移動目標(biāo)的大小，實現(xiàn)過程：首先獲得移動目標(biāo)的坐標(biāo)(x，y)和寬高w、h，然后根據(jù)坐標(biāo)和寬高構(gòu)造矩形框，返回矩形框Rec(x，y，w，h)。

(2)核函數(shù)改進。文章使用的是高斯核函數(shù)，該函數(shù)有一個參數(shù)半徑r，該參數(shù)是固定的，單位頻率采集時間內(nèi)，目標(biāo)移動速度越大，根據(jù)式(2)可知得到的結(jié)果越小，因此文章通過增設(shè)一個權(quán)重來調(diào)整半徑的值，以弱化該趨勢，從而避免由于速度較快導(dǎo)致跟蹤目標(biāo)丟失問題，把式(2)進行改造，得：

(4)

從式(4)可以看出，改進后的公式在指數(shù)的分母增加了x2/x1的比例權(quán)重來削弱移動趨勢，即移動速度越快，x2/x1的比例越大，則式(4)得到的值比式(2)的值更小，因此式(3)需要迭代的次數(shù)也就減少了，從而減少了計算量，增強了整個算法反映速度，即反映會更靈敏，改進后的算法命名為E-MeanShift。

3 仿真實驗

在福州大學(xué)城某高校的校園主干道中安排了一場實驗，主干道長度3.3km，雙向兩車道，實驗安排在某星期六完成。第一組實驗，安排10人步行(正常速度)，3人騎電動車(大約20km/h)，行進中途，隨機安排步行中的3人打開雨傘，并繼續(xù)前行。

圖2 跟蹤能力對比圖

圖2的實驗結(jié)果表明，MeanShift算法跟蹤成功率為100×10/13=76.9%，目標(biāo)丟失率為100×3/13=23.1%；E-MeanShift算法的成功率為100%。通過后臺的監(jiān)控知道MeanShift算法丟失了三個中途打雨傘的目標(biāo)，說明該算法對中途目標(biāo)大小的變化無法適應(yīng)，而E-MeanShift算法增加了實時監(jiān)測函數(shù)，不受此影響。

第二組實驗，安排3輛電動車(大約40km/h)，3輛汽車(大約60km/h)參與實驗，當(dāng)電動車和汽車陸續(xù)通過時，發(fā)現(xiàn)MeanShift算法和E-MeanShift算法都能全部跟蹤到，原因在于電動車和汽車行進中都不會改變尺寸大小，并且速度較慢。

第三組實驗，為了檢驗跟蹤效果，實驗場地安排在某練車場，經(jīng)與私營業(yè)主的許可，獲得了4.5km兩車道場地1h的使用時間，3輛汽車以100km/h的速度通過，實驗結(jié)果：MeanShift算法2輛汽車跟蹤成功，其中1輛跟蹤目標(biāo)丟失，并且系統(tǒng)感受到明顯的“卡頓”，即跟蹤不夠流暢；E-MeanShift算法3輛全部跟蹤成功，實驗證明在高速通過時E-MeanShift算法的跟蹤能力較出色。由于實驗場地有限，科研經(jīng)費有限等原因，文章未檢驗超過100km/h的速度，也未檢測更多車輛同時通過的情況，但從該實驗可以預(yù)計更高速和更多車輛的情況下，E-MeanShift算法的優(yōu)勢會更明顯。

4 結(jié)語

文章為了解決車聯(lián)網(wǎng)中移動目標(biāo)跟蹤問題，利用MeanShift算法和高斯核函數(shù)來跟蹤移動目標(biāo)。由于MeanShift算法存在諸多缺陷，文章提出了兩個方面的改進，通過3組實驗證明改進后的算法在適應(yīng)能力方面和移動目標(biāo)高速通過時具有一定的優(yōu)勢。