一種魯棒的基于空間直方圖的均值漂移目標(biāo)跟蹤算法

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(biāo)跟蹤算法。該算法首先用卡爾曼濾波（KF）預(yù)測(cè)目標(biāo)在當(dāng)前幀的位置，然后將預(yù)測(cè)結(jié)果作為改進(jìn)的空間直方圖的均值漂移目標(biāo)跟蹤算法的初值，用均值漂移算法搜索目標(biāo)在當(dāng)前幀的位置，同時(shí)更新KF算法的預(yù)測(cè)值。仿真實(shí)驗(yàn)表明該方法具有較好的跟蹤精度，且對(duì)遮擋具有較強(qiáng)的魯棒性。

關(guān)鍵詞：空間直方圖；均值漂移；目標(biāo)跟蹤

中圖分類號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：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(yùn)動(dòng)目標(biāo)跟蹤在機(jī)器人視覺導(dǎo)航、醫(yī)療診斷、交通監(jiān)視等領(lǐng)域有著非常重要的實(shí)用價(jià)值和廣闊的應(yīng)用前景。跟蹤算法的目的是在時(shí)域上估計(jì)運(yùn)動(dòng)目標(biāo)的軌跡。然而，由于目標(biāo)本身及周圍環(huán)境復(fù)雜且多變，因此獲得魯棒且高效的目標(biāo)跟蹤算法是計(jì)算機(jī)視覺領(lǐng)域中一個(gè)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(jì)方法，近年來被廣泛地應(yīng)用于目標(biāo)跟蹤領(lǐng)域[2-5]。文獻(xiàn)[2]以核加權(quán)顏色直方圖作為目標(biāo)模型，表示直方圖相似度的Bhattacharyya（BH）系數(shù)最大，等價(jià)于計(jì)算概率密度函數(shù)的極大值，從而將MS應(yīng)用于目標(biāo)跟蹤。該算法計(jì)算簡(jiǎn)單快捷，且實(shí)時(shí)性好，因此獲得了比較廣泛的應(yīng)用。但是該算法在計(jì)算目標(biāo)模型時(shí)沒有考慮目標(biāo)區(qū)域像素點(diǎn)的位置信息，易引起目標(biāo)丟失或定位偏差。文獻(xiàn)[4]通過在直方圖中引入像素點(diǎn)坐標(biāo)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(biāo)跟蹤算法中，提出了一種基于空間直方圖的目標(biāo)跟蹤算法（SMS）。

SMS目標(biāo)跟蹤算法要求相鄰兩幀目標(biāo)位置必須有重疊，否則無法有效跟蹤目標(biāo)。為了進(jìn)一步提高SMS算法魯棒性，本文提出了一種RSMS目標(biāo)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(gè)方面：（1）定義了一種空間直方圖；（2）采用一種改進(jìn)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(yù)測(cè)值作為MS目標(biāo)的初值，從而使得當(dāng)目標(biāo)運(yùn)動(dòng)速度較大時(shí)能有效跟蹤目標(biāo)。

1 空間直方圖的定義

另外，這里值得強(qiáng)調(diào)的是式（3）中方差的定義與文獻(xiàn)[4]不同。與文獻(xiàn)[4]類似，本文只考慮目標(biāo)的平移，由于對(duì)一組數(shù)據(jù)進(jìn)行平移后方差不變，也就是說，方差和[y]沒有關(guān)系。因此，與文獻(xiàn)[4]相比，式（3）定義的方差，具有直觀的幾何意義。同時(shí)由于方差和[y]沒有關(guān)系，使得對(duì)空間直方圖模型的相似性度量函數(shù)關(guān)于[y]求偏導(dǎo)數(shù)變得更方便。在文獻(xiàn)[4]中，由于該函數(shù)中的方差關(guān)于[y]求偏導(dǎo)數(shù)太復(fù)雜，所以忽略掉了。

2 目標(biāo)的定位

基于空間直方圖的MS目標(biāo)跟蹤本質(zhì)上就是利用MS算法，在當(dāng)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(biāo)區(qū)域。在文獻(xiàn)[4]定義的相似性度量中，兩個(gè)完全相同的空間直方圖模型的相似性度量不為1。文獻(xiàn)[5]對(duì)其進(jìn)行了改進(jìn)，故本文采用文獻(xiàn)[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(biāo)跟蹤算法RSMS算法。與SMS目標(biāo)跟蹤算法相比，RSMS算法的優(yōu)越性主要體現(xiàn)以下幾個(gè)方面：

1）本文給出了一種幾何意義更明確的方差計(jì)算方法，由于本文所定義的方差和候選目標(biāo)位置[y]沒有關(guān)系，使得優(yōu)化過程的推導(dǎo)從數(shù)學(xué)的角度講更嚴(yán)謹(jǐn)；

2）采用一種改進(jìn)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(yù)測(cè)值作為MS目標(biāo)的初值，從而使得當(dāng)目標(biāo)運(yùn)動(dòng)速度較大時(shí)能有效跟蹤目標(biāo)。

參考文獻(xiàn)：

[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.