基于Kalman濾波和Meanshift算法的目標跟蹤

袁寶紅，徐　瑤，杜曉婷，李美蓮

（安徽三聯(lián)學院 電子電氣工程學院，安徽　合肥　230601）

?

基于Kalman濾波和Meanshift算法的目標跟蹤

袁寶紅，徐瑤，杜曉婷，李美蓮

（安徽三聯(lián)學院 電子電氣工程學院，安徽合肥230601）

摘要：如何實現(xiàn)移動目標被其他物體遮擋后，預測其所處位置，并能夠實現(xiàn)遮擋結束后恢復目標的跟蹤是視頻目標檢測與跟蹤研究方面的一個熱點問題。文章將Kalman濾波器對目標位置估計能力與Meanshift跟蹤算法相互結合實現(xiàn)視頻序列中移動目標檢測與跟蹤。利用遮擋因子對目標進行遮擋判斷，如果沒有發(fā)生遮擋則使用Meanshift算法進行直接目標跟蹤，一旦檢測出遮擋則利用Kalman的預測值進行目標新位置的確定，最終實現(xiàn)對運動目標進行跟蹤，并通過MATLAB編寫程序實現(xiàn)對運動目標的檢測與跟蹤。

關鍵詞：目標跟蹤；目標遮擋；meanshift算法；kalman濾波

視頻監(jiān)控系統(tǒng)已成為滲透到當前的各類社會生活中，傳統(tǒng)的視頻監(jiān)控只具備捕獲、保存、傳輸和顯示等能力，而視頻內(nèi)容的識別是需要人工實現(xiàn)的，工作量巨大。隨著圖形圖像處理技術和視頻流解碼等技術的發(fā)展，視頻監(jiān)控市場的智能化需求不斷加強，視頻智能分析已經(jīng)成為當前市場視頻監(jiān)控產(chǎn)品一個熱門研究內(nèi)容。運動目標檢測與跟蹤作為視頻智能分析一個重要基礎組成，研究人員開展了大量研究工作，特別是在不同目標分類、特征提取等方面研究尤其突出。本文作者研究感興趣點在于如何實現(xiàn)移動目標被其他物體遮擋后，預測其所處位置，并能夠實現(xiàn)遮擋結束后恢復目標的跟蹤。

Meanshift算法在視頻目標檢測與跟蹤研究方面的貢獻有目共睹，已經(jīng)被無所個典型方案和實驗證明，本文研究者前期也進行了相關的研究工作，具體算法研究工作詳見參考文獻8和參考文獻9。但是當發(fā)生遮擋現(xiàn)象時，Meanshift算法跟蹤可能會出現(xiàn)跟蹤失敗問題，為了更好實現(xiàn)遮擋條件下移動目標的預測跟蹤，本文將Kalman濾波器設計思想引入到算法的實現(xiàn)過程中。論文的第二節(jié)展開Kalman濾波設計相關知識論述，第三節(jié)介紹本文采用的算法實現(xiàn)流程，第四節(jié)為檢測算法的實驗案例與分析。

1　Kalman濾波器

Kalman濾波器是以輸入輸出觀測數(shù)據(jù)為手段實現(xiàn)線性系統(tǒng)最優(yōu)估計的算法。因為觀測數(shù)據(jù)中干擾和噪聲等影響因素的存在，這種最優(yōu)估計的過程也被稱為濾波。將Kalman濾波應用到目標跟蹤領域，其通過消除目標動態(tài)信息中噪聲等的影響，實現(xiàn)一個移動目標位置的良好估計。從估計位置方面來說，這個估計可以是當前位置，也可以是預測的下一位置，當然也可以是某種一系列位置的插值或平滑估計。

下面詳細說明本文采用的基本思路：

對應的先驗狀態(tài)估計的協(xié)方差和后驗狀態(tài)估計的協(xié)方差為：

整理上述公式得到期望值后，對k求導，并令一階導數(shù)為零：

Kalman濾波器狀態(tài)預測方程：

Kalman濾波器誤差協(xié)方差預測方程：

Kalman增益系數(shù)方程：

狀態(tài)修正方程：

誤差協(xié)方差修正方程：

上述狀態(tài)修正方程和誤差協(xié)方差修正方程為k-1時刻到k時刻過程中狀態(tài)和誤差協(xié)方差轉移。首先計算kalman增益系數(shù)，然后進行狀態(tài)后驗估計和狀態(tài)軌跡后驗協(xié)方差，并前一時刻計算的后驗狀態(tài)估計作為本次計算的先驗狀態(tài)估計，循環(huán)往復，最終達到狀態(tài)預測目標。本論文假定任何一個時刻的觀測矩陣不變，觀測矩陣如下所示：

2　算法實現(xiàn)流程

視頻目標在出現(xiàn)完全遮擋的情況時，Meanshift算法準確性方面大大折扣，因此本文在視頻目標發(fā)生遮擋現(xiàn)象時，采用Kalman濾波器進行目標位置的預測跟蹤，最終完成遮擋情況下目標的跟蹤。在算法設計過程中，準確判斷遮擋是何時發(fā)生和何時結束成為目標檢測跟蹤算法優(yōu)越性的一個重要指標參數(shù)。在視頻跟蹤的過程中，研究表明可以通過BH相似系數(shù)來判斷是否有遮擋的發(fā)生，即沒有發(fā)生遮擋，BH系數(shù)大于一定的閾值，而當遮擋發(fā)生時則小于該值，本文實驗中設定此臨界值為0.8。當判定沒有發(fā)生遮擋時，依然利用Meanshift算法進行目標的跟蹤，得到目標的新位置，該位置將作為下一幀視頻目標的位置依據(jù)；當判定遮擋發(fā)生時，Meanshift算法的跟蹤得不到目標的準確位置，此時我們則可以利用kalman濾波器先前的狀態(tài)學習，進行預測目標的新位置，此位置將代替Meanshift算法的結果作為目標的新位置。具體視頻跟蹤的程序流程如圖1所示。

在新的視頻幀中獲得目標的新位置之后，利用BH系數(shù)進行遮擋判斷，在無遮擋和有遮擋兩種情況下分別通過Meanshift算法進行跟蹤和利用Kalman濾波器進行預測，最終得到運動目標的新位置。

圖1　程序流程

3　實驗驗證

通過Kalman濾波器和Meanshift算法的結合，驗證分別在有遮擋和無遮擋情況下的目標跟蹤效果，采用量化等級為16*16*16的RGB顏色特征，實驗中初始目標通過人為認定方式選定。

3.1實驗一：驗證快速運動目標跟蹤

針對球員球場足球運動視頻進行足球的跟蹤的實驗驗證。視頻中除了運動目標足球外還有多個干擾目標，分別是身穿紅色球服和白色球服的運動員們，并且視頻背景復雜，視頻清晰度不夠高。圖2是對足球跟蹤的30，40，50，60幀的實驗結果，對應圖2的（a），（b），（c），（d）。通過實驗結果驗證，本算法在多個運動物體中，也能夠準確地跟蹤所需要跟蹤的運動目標。

圖2　多運動物體情況下的足球跟蹤

3.2實驗二：驗證遮擋條件下運動目標跟蹤

遮擋驗證實驗結果如圖3所示。視頻序列中有2個物體，靜止的黃色物體（水杯）和運動的黑色物體（小車），在黑色物體的運動過程中有一部分是被黃色物體進行了遮擋。為了處理遮擋行為，采用了在Meanshift算法的基礎上利用Kalman濾波器進行預測的算法來進行跟蹤處理。第1幀是小車初始狀態(tài)，圖3（a），黑色物體從右邊向左邊運動，此時還沒發(fā)生遮擋。在第100幀時，圖3（b），黑色物體進入遮擋狀態(tài)，特別在第200幀時，圖3（c），黑色物體此時已完全看不見了，但是預測窗口依然在預測著目標的位置。最后在第300，圖3（d）黑色物體再次出現(xiàn)在視頻中，且被跟蹤窗口準確找到，和第400幀，圖3（e）在遮擋完全結束后，黑色物體繼續(xù)被準確跟蹤。

圖3　基于Kalman和Meanshift算法目標遮擋處理

4　結語

本文采用的基于Kalman濾波和Meanshift算法實現(xiàn)的移動目標檢測跟蹤方案簡單易用，能夠很好地解決目標遮擋問題發(fā)生時移動目標跟蹤問題。并且通過2組實驗對本文采用算法加以驗證，首先驗證多移動目標及視頻圖像質(zhì)量差等情況下算法實現(xiàn)快速移動目標的準確跟蹤，其次實現(xiàn)在移動目標發(fā)生遮擋情況下，對移動目標位置預測和結束遮擋后位置的連續(xù)跟蹤。隨著視頻智能分析需求的增加，本文算法在該領域具有廣泛的應用前景。

［參考文獻］

［1］Comaniciu D， Ramesh V， Meer P.Real-time tracking of non-rigid objects using mean shift［C］//Computer Vision and Pattern Recognition， 2000. Proceedings.IEEE Conference on. IEEE，2000.

［2］楊輝，劉軍，阮松.基于 Mean Shift 算法視頻跟蹤研究［J］.計算機工程與設計，2013（6）：2062-2066.

［3］Salhi A，Jammoussi A Y.Object tracking system using camshift， meanshift and Kalman filter［J］.World Academy of Science， Engineering and Technology，2012（64）：674-679.

［4］He Z， Fan B， Cheng T C E， et al.A mean-shift algorithm for large-scale planar maximal covering location problems［J］.European Journal of Operational Research， 2016（1）：65-76.

［5］常發(fā)亮，劉雪，王華杰.基于均值漂移與卡爾曼濾波的目標跟蹤算法［J］.計算機工程與應用，2007（12）：50-52.

［6］虞旦，韋巍，張遠輝.一種基于卡爾曼預測的動態(tài)目標跟蹤算法研究［J］.光電工程，2009（1）：52-56.

［7］李小和，屈展，王魁生.魯棒的基于均值漂移的自適應卡爾曼濾波目標跟蹤［J］.西安石油大學學報：自然科學版，2015（5）：106-110.

［8］袁寶紅.基于視頻的運動目標檢測與跟蹤研究［D］.合肥：安徽大學，2014.

［9］袁寶紅，張德祥，張玲君.基于OpenCV的視頻運動目標檢測與跟蹤［J］.計算機系統(tǒng)應用，2013（5）：90-93.

Object Tracking Based on Meanshift Algorithm and Kalman Filter

Yuan Baohong, Xu Yao, Du Xiaoting, Li Meilian
（School of Electronic and Electrical Engineering， Anhui Sanlian University， Hefei230601， China）

Abstract：When happened object occlusion, how to realize the moving target prediction, and can achieve screening after the restoration of target tracking is a hot issue of video target detection and tracking research. In this paper， Combined the Kalman flter location prediction ability with Meanshift tracking algorithm to achieve moving target detection and tracking in video sequences. Using barrier factor to judge object occlusion. If no occlusion, Meanshift algorithm is used for direct target tracking. But once detect the occlusion, Kalman prediction for determining target new position. Eventually the moving target detection and tracking is demonstrated by through the MATLAB program.

Key words：object tracking； object occlusion； meanshift algorithm； kalman flter

基金項目：安徽三聯(lián)學院科研項目；項目編號：2015Z004。

作者簡介：袁寶紅（1988-），女，安徽合肥。