基于閾值判斷的CamShift目標(biāo)跟蹤算法

顧蘇杭1，2，陸 兵2，戎海龍1

（1.常州大學(xué)信息科學(xué)與工程學(xué)院，江蘇常州 213164；2.常州輕工職業(yè)技術(shù)學(xué)院，江蘇常州 213164）

基于閾值判斷的CamShift目標(biāo)跟蹤算法

顧蘇杭1，2，陸 兵2，戎海龍1

（1.常州大學(xué)信息科學(xué)與工程學(xué)院，江蘇常州 213164；2.常州輕工職業(yè)技術(shù)學(xué)院，江蘇常州 213164）

針對CamShift算法只利用目標(biāo)的顏色信息，在跟蹤過程中，易受目標(biāo)相似物、遮擋以及光照等復(fù)雜背景影響導(dǎo)致目標(biāo)搜索窗口發(fā)散，跟蹤穩(wěn)定性能降低，提出了一種基于閾值判斷的目標(biāo)跟蹤方法；該方法將OTSU法和Snake模型結(jié)合，利用OTSU法以最佳閾值對圖像進(jìn)行分割，分離前景區(qū)域和背景區(qū)域，初步提取目標(biāo)輪廓作為Snake模型的初始輪廓，經(jīng)收斂得到目標(biāo)的精準(zhǔn)輪廓，利用輪廓外接最小矩形框內(nèi)的像素計(jì)算目標(biāo)質(zhì)心，判斷與CamShift算法中目標(biāo)搜索窗口質(zhì)心之間的歐式距離，如果未超出閾值，則直接使用CamShift算法跟蹤目標(biāo)，反之，則將計(jì)算出的目標(biāo)質(zhì)心作為CamShift算法中當(dāng)前幀目標(biāo)搜索窗口的質(zhì)心跟蹤目標(biāo)；實(shí)驗(yàn)結(jié)果表明，該算法跟蹤目標(biāo)具有較好的實(shí)時性，跟蹤性能穩(wěn)定、可靠。

CamShift算法；OTSU算法；Snake模型；閾值判斷；目標(biāo)跟蹤

0 引言

視頻序列中的運(yùn)動目標(biāo)跟蹤一直是計(jì)算機(jī)領(lǐng)域的研究熱點(diǎn)，在多個領(lǐng)域有著廣泛的應(yīng)用，如軍事制導(dǎo)、生物醫(yī)學(xué)、智能交通以及產(chǎn)品安全等等［1 3］。運(yùn)動目標(biāo)跟蹤算法主要分為特征模型跟蹤方法、輪廓模型跟蹤方法以及區(qū)域模型跟蹤方法。連續(xù)自適應(yīng)均值漂移CamShift算法［4 6］是基于顏色特征模型的跟蹤方法，在無需參數(shù)的條件下實(shí)現(xiàn)快速模式匹配，算法實(shí)現(xiàn)簡單，實(shí)時性好。然而在實(shí)際的目標(biāo)跟蹤過程中，CamShift算法極易受目標(biāo)相似物、目標(biāo)形變以及光照變化等因素影響，目標(biāo)搜索窗口發(fā)散，導(dǎo)致跟蹤失敗。Snake模型能夠提取連續(xù)、閉合的目標(biāo)輪廓，模型具有較好的抗噪性，利用定義的能量函數(shù)和邊緣特征通過不斷迭代的方式逼近目標(biāo)真實(shí)輪廓。然而該模型的精確度受初始目標(biāo)輪廓影響，即對初始輪廓位置敏感。

本文針對CamShift算法以及Snake模型的不足，提出了一種基于閾值判斷的目標(biāo)跟蹤算法。新方法具有較好的實(shí)時性和穩(wěn)定性，在目標(biāo)跟蹤的過程中，利用最佳閾值OTSU法和Snake輪廓模型提取目標(biāo)精確輪廓，計(jì)算目標(biāo)最小外接矩形框質(zhì)心；同時將CamShift算法作為目標(biāo)跟蹤方法，目標(biāo)搜索窗口質(zhì)心與計(jì)算出的目標(biāo)最小外接矩形框質(zhì)心間的距離設(shè)定閾值并進(jìn)行閾值判斷，使CamShift算法目標(biāo)搜索窗口始終穩(wěn)定在目標(biāo)區(qū)域，因此，目標(biāo)跟蹤將具有更好的魯棒性。

1 相關(guān)理論

1.1 CamShift算法

CamShift算法是建立在MeanShift算法［7 8］基礎(chǔ)上的無參數(shù)迭代方法，根據(jù)圖像中目標(biāo)的顏色概率分布信息對目標(biāo)進(jìn)行建模和識別跟蹤［9］。CamShift算法將MeanShift算法應(yīng)用在視頻序列圖像中，利用目標(biāo)的的顏色概率分布估計(jì)目標(biāo)的大小和位置，并根據(jù)上一幀得到的結(jié)果自適應(yīng)地調(diào)整目標(biāo)搜索窗口的大小和位置，從而計(jì)算出當(dāng)前幀圖像中目標(biāo)搜索窗口的質(zhì)心位置。CamShift算法步驟如下：

1）選取感興趣目標(biāo)區(qū)域來初始化搜索窗口的大小和位置。

2）逐個對搜索窗口中像素H通道上的值進(jìn)行采樣，獲得目標(biāo)的顏色分布直方圖｛q（u）｝u＝1，2，...，b，b 為顏色直方圖箱格的數(shù)目，一般取256。

3）以搜索窗口形心（x0，y0）為中心，設(shè)置一計(jì)算區(qū)，其大小比搜索窗口尺寸稍大。

4）通過顏色直方圖色彩投影（反向投影）計(jì)算計(jì)算區(qū)的顏色概率分布圖I（x，y）。

式中，f（x，y）：R2→R3為圖像函數(shù)；c（·）：R3→｛1，2，...，b｝為顏色空間分布量化函數(shù)；δ（·）是Kronecker函數(shù)。

5）計(jì)算I（x，y）的零階矩J00，一階矩J01，J10和質(zhì)心（xc，yc）。

7）統(tǒng)計(jì)新的搜索窗口中目標(biāo)的顏色分布直方圖，輸出搜索窗口中心（xc，yc）、寬和高h(yuǎn)＝1.2w ，讀入下一幀序列圖像，重新執(zhí)行2）。

8）設(shè)置x0＝xc，y0＝y(tǒng)c，搜索窗口寬，高h(yuǎn)＝ 1.2 w，重新執(zhí)行3）。

CamShift算法跟蹤過程比較簡單，算法運(yùn)算量低，十分有利于實(shí)時跟蹤目標(biāo)。但CamShift算法主要利用目標(biāo)的顏色特征信息，并不包含目標(biāo)的空間分布特征，如果背景相對復(fù)雜，目標(biāo)相似物、目標(biāo)遮擋以及目標(biāo)形變等因素都會增加跟蹤的難度，導(dǎo)致目標(biāo)搜索窗口發(fā)散，跟蹤失敗。為了有效地解決這一問題本文采用閾值判斷的方法，將目標(biāo)質(zhì)心始終確定在閾值范圍內(nèi)，有效地提高了目標(biāo)跟蹤的穩(wěn)定性。

1.2 Snake模型

Snake模型也被稱為活動輪廓線模型［10-12］，是一種參數(shù)模型，對目標(biāo)初始輪廓比較敏感，其最大的特點(diǎn)是不受目標(biāo)幾何特性的影響，能夠得到最接近于目標(biāo)邊緣的封閉連續(xù)的輪廓。Snake模型經(jīng)輪廓曲線能量函數(shù)得到真實(shí)的目標(biāo)輪廓，首先在感興趣目標(biāo)附近標(biāo)定初始輪廓，然后通過輪廓曲線能量函數(shù)內(nèi)部能量和外部能量的共同作用使得曲線朝真實(shí)目標(biāo)輪廓位置移動，且曲線能量不斷更新，最終通過能量最小化動態(tài)地將目標(biāo)輪廓模型匹配到視頻序列圖像中，得到最精確的目標(biāo)輪廓。一般輪廓的能量由3個部分組成：

式（6）中，EElastic代表彈性能量以及EBending代表拉伸能量，它們都表示曲線的本身特征，與具體圖像無關(guān)。Eimage可驅(qū)使輪廓模型向著目標(biāo)的邊緣延伸或者收縮。通常曲線內(nèi)部能量Eint的最小化可保證曲線的光滑和連續(xù)，由EElastic和EBending組成，即：

定義一幅圖像為I（x，y），圖像梯度圖可由▽I來表示，因此，圖像中目標(biāo)邊界部分的▽I（x，y）將會有較大的絕對值，所以，曲線的外部能量可定義如下：

顯然，在目標(biāo)的邊界部分，曲線的外部能量以錘形變化的方式呈現(xiàn)，但即使Snake模型的初始輪廓離目標(biāo)的真實(shí)邊緣較遠(yuǎn)，也可在能量最小化過程中將曲線拉伸到目標(biāo)的邊緣，從而得到目標(biāo)的真實(shí)輪廓。

Snake模型已成功的應(yīng)用于處理提取目標(biāo)輪廓問題，其通過能量泛函最小值求解目標(biāo)輪廓位置的活躍特性過程十分有利于光照變化、目標(biāo)遮擋以及目標(biāo)形變等復(fù)雜背景情況下的目標(biāo)跟蹤。但基本的Snake模型有如下缺陷：

1）對目標(biāo)初始輪廓位置十分敏感。Snake模型生成精確的目標(biāo)輪廓必須依賴于初始輪廓的先驗(yàn)知識，且初始輪廓越接近目標(biāo)邊緣Snake模型取得的效果越好；

2）Snake模型輪廓曲線能量函數(shù)在能量最小化的過程中有可能收斂到局部機(jī)制點(diǎn)，導(dǎo)致發(fā)散；

3）Snake模型不能自然地處理拓?fù)浣Y(jié)構(gòu)，即不能分割多個目標(biāo)邊界。

2 目標(biāo)跟蹤方法

2.1 本文的改進(jìn)方法

CamShift算法僅僅利用目標(biāo)的顏色特征信息實(shí)現(xiàn)跟蹤，極易受光照變化、目標(biāo)遮擋以及目標(biāo)形變等復(fù)雜因素影響，導(dǎo)致目標(biāo)搜索窗口質(zhì)心發(fā)散。如果能將目標(biāo)搜索窗口的質(zhì)心至始至終確立在一定閾值范圍內(nèi)，那么跟蹤的穩(wěn)定性將會得到大大提高。Snake模型易受初始輪廓先驗(yàn)知識的影響，此時引入動態(tài)閾值OTSU法［13-14］，以最佳的閾值處理視頻序列圖像，將目標(biāo)從復(fù)雜背景中分離，初步提取比較精確的目標(biāo)輪廓作為Snake模型的初始輪廓，經(jīng)過Snake模型中輪廓曲線能量函數(shù)的最小化得到精確的目標(biāo)輪廓。將此精確輪廓體現(xiàn)在視頻序列圖像中，計(jì)算封閉輪廓區(qū)域最小外接矩形框內(nèi)所有像素的質(zhì)心，與CamShift算法目標(biāo)搜索窗口的質(zhì)心之間的歐式距離間設(shè)定一閾值，如果兩個質(zhì)心間的距離超過閾值，則將封閉輪廓區(qū)域最小外接矩形框的質(zhì)心作為CamShift算法目標(biāo)搜索窗口質(zhì)心進(jìn)行后續(xù)迭代，反之則直接利用CamShift算法，依據(jù)該方法實(shí)現(xiàn)目標(biāo)跟蹤，能夠取得不錯的跟蹤效果。本文改進(jìn)方法的流程如圖1所示。

2.2 目標(biāo)質(zhì)心計(jì)算

計(jì)算目標(biāo)質(zhì)心的前提是能夠?qū)⒛繕?biāo)從背景中有效地分割出來，然后根據(jù)包含目標(biāo)的最小外接矩形框內(nèi)所有像素的信息求取質(zhì)心。OTSU法在圖像分割領(lǐng)域有著廣泛的應(yīng)用，是一種經(jīng)典的自適應(yīng)閾值分割處理方法。本文采用OTSU法對視頻序列圖像作最佳閾值二值化處理，不僅能夠消除目標(biāo)邊界附近大量的噪聲，而且經(jīng)邊緣檢測可得到比較連續(xù)且明顯的目標(biāo)輪廓。將此輪廓作為Snake模型的初始輪廓，經(jīng)過能量最小化過程得到精確的目標(biāo)輪廓，依據(jù)該輪廓的最小外接矩形框內(nèi)所有像素計(jì)算目標(biāo)的質(zhì)心。對于一幅圖像I（x，y），記二值化結(jié)果為fI（x，y），則：

圖1 本文改進(jìn)方法的流程圖

那么目標(biāo)輪廓最小外接矩形框的質(zhì)心（xm，ym）可由式（5）計(jì)算得出（為了與CamShift算法相對應(yīng)，此時最小外接矩形框內(nèi)不屬于目標(biāo)的像素也歸為目標(biāo)）。

2.3 目標(biāo)跟蹤

在利用CamShift算法對視頻序列圖像中的目標(biāo)進(jìn)行跟蹤的過程中，如1.1節(jié)步驟（6）所述，由于實(shí)際環(huán)境中常會存在光照突變、目標(biāo)遮擋以及目標(biāo)旋轉(zhuǎn)等復(fù)雜因素，目標(biāo)搜索窗口的中心和質(zhì)心間的歐式距離易發(fā)散，即和的值大于閾值ε，經(jīng)多幀視頻序列圖像迭代，目標(biāo)丟失，跟蹤失敗。針對同一幀視頻序列圖像，設(shè)定，本文對ε‘進(jìn)行判斷，分不同情況對目標(biāo)進(jìn)行跟蹤。當(dāng)且的值小于閾值ε’時，即不存在光照突變等因素或影響較低，此時仍然通過CamShift算法對目標(biāo)進(jìn)行跟蹤；當(dāng)且的值大于閾值ε’時，即此時發(fā)生光照突變等因素，將目標(biāo)搜索窗口質(zhì)心（xc，yc）置換為式（10）中計(jì)算所得的質(zhì)心（xm，ym），確保，再利用CamShift算法對目標(biāo)進(jìn)行跟蹤。

3 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證本文所提方法的有效性和可靠性，選取Change-Detection.NET（CDNET）視頻庫作為標(biāo)準(zhǔn)的測試數(shù)據(jù)庫，該視頻庫包括多種情況下的視頻測試數(shù)據(jù)，如動態(tài)背景、光照變化、目標(biāo)旋轉(zhuǎn)以及目標(biāo)遮擋等等。實(shí)驗(yàn)算法測試環(huán)境：操作系統(tǒng)為64位的Microsoft Windows 7專業(yè)版，處理器為Intel（R）Core（TM）i5－4690，主頻為3.50 GHz，內(nèi)存為3.2 GB，軟件開發(fā)工具由Matlab R2010b、Microsoft Visual Studio 2010以及2.4.4版本的開源計(jì)算機(jī)視覺庫OpenCV混合組成。為了降低算法的計(jì)算量，提高目標(biāo)跟蹤的實(shí)時性，本文所有測試圖片大小均設(shè)置為320像素×240像素。

3.1 輪廓提取實(shí)驗(yàn)

OTSU法是一種常用自適應(yīng)閾值分割方法，它能夠以最佳的閾值對圖像進(jìn)行分割，算法流程簡單，運(yùn)算量較低，在分割圖像的過程中可以有效地去除感興趣目標(biāo)區(qū)域邊界附近的噪聲，而且對光照、遮擋等因素具有較好的魯棒性。圖2、圖3、圖4分別為不同情況下的圖像分割與輪廓檢測實(shí)驗(yàn)，圖2 （c）、圖3（c）、圖4（c）為傳統(tǒng)的K－Means分割，圖2 （d）、圖3（d）、圖4（d）為Canny算法對K－Means分割后的圖像進(jìn)行輪廓檢測，圖2（e）、圖3（e）、圖4（e）為OTSU法分割，圖2（f）、圖3（f）、圖4（f）為Canny算法對OTSU分割后的圖像進(jìn)行輪廓檢測。本文利用OTSU法對不同情況下的目標(biāo)圖像進(jìn)行分割，與傳統(tǒng)的分割方法K－Means聚類算法相比，OTSU法的分割效果更好，能夠比較完整地分割圖像，繼而利用Canny算法能夠提取比較清晰、連續(xù)的圖像輪廓。

圖2 目標(biāo)旋轉(zhuǎn)

圖3 目標(biāo)遮擋

由于Snake模型對初始輪廓敏感，因此，本文將初步提取的比較清晰、連續(xù)的目標(biāo)輪廓作為Snake模型的初始輪廓，從而使Snake模型不受背景區(qū)域的影響收斂到目標(biāo)真實(shí)的邊緣。圖5為采用OTSU法分割與Canny算法檢測出的初始輪廓經(jīng)Snake模型收斂后生成的精確目標(biāo)邊緣，由實(shí)驗(yàn)結(jié)果可知，本文方法基本能夠逼近目標(biāo)的真實(shí)輪廓，但同時也有不足的地方，如當(dāng)人物的衣服多有褶皺時，此時本文方法收斂到褶皺處邊緣的可能性較大。因此，還需要進(jìn)一步研究如何提高Snake模型收斂的精確性。

圖4 光照變化

圖5 Snake模型輸出的目標(biāo)邊緣

3.2 目標(biāo)質(zhì)心計(jì)算實(shí)驗(yàn)

在提取目標(biāo)的精確輪廓之后，為了與CamShift算法目標(biāo)搜索窗口（矩形窗）相接近，本文不直接計(jì)算目標(biāo)區(qū)域的質(zhì)心，而是利用式（10）針對目標(biāo)輪廓最小外接矩形框進(jìn)行質(zhì)心計(jì)算。由于本文方法檢測出的精確目標(biāo)輪廓不能完整地包含目標(biāo)區(qū)域，通常丟失目標(biāo)部分區(qū)域，如目標(biāo)區(qū)域的垂直方向和水平方向。因此，需要對最小外接矩形框作適當(dāng)?shù)恼{(diào)整。將上一幀視頻序列圖像中CamShift算法計(jì)算而得的目標(biāo)搜索窗口中心（x0，y0）作為參考標(biāo)準(zhǔn)，將最小外接矩形框的形心與（x0，y0）作比較，以此來調(diào)整最小外接矩形框的垂直方向上的高度和水平方向上的寬度。圖6為利用本文算法計(jì)算所得并作調(diào)整后的每一幀圖像目標(biāo)區(qū)域最小外接矩形窗，黑色的“*”為最小外接矩形框的質(zhì)心。由圖可知，最小外接矩形框基本能夠包含目標(biāo)，為穩(wěn)定跟蹤目標(biāo)提供了可靠前提。

圖6 人物目標(biāo)最小外接矩形框

3.3 目標(biāo)跟蹤實(shí)驗(yàn)

圖7為本文算法與CamShift算法中計(jì)算得出的目標(biāo)質(zhì)心間歐式距離比較，其中，“＋－”線代表本文算法，“o－”線代表CamShift算法。本文算法根據(jù)判斷檢測出的目標(biāo)最小外接矩形框質(zhì)心與CamShift算法目標(biāo)搜索窗口質(zhì)心之間的歐式距離，如果超出閾值，則將目標(biāo)最小外接矩形框的質(zhì)心作為CamShift算法當(dāng)前視頻序列圖像目標(biāo)搜索窗口的質(zhì)心，繼而利用CamShift算法進(jìn)行迭代，實(shí)現(xiàn)目標(biāo)跟蹤；如未超出閾值，則直接利用CamShift算法進(jìn)行目標(biāo)跟蹤。

圖7 質(zhì)心間歐式距離比較

選取ChangeDetection.NET（CDNET）視頻庫中目標(biāo)旋轉(zhuǎn)、目標(biāo)遮擋以及光照變化情況下的視頻序列圖像各100幀，利用本文算法對圖像中的人物進(jìn)行檢測與跟蹤測試。圖8中黑色的軌跡線代表人物跟蹤的軌跡。由圖可知，人物目標(biāo)最小外接矩形框基本能夠包含目標(biāo)，即使存在目標(biāo)旋轉(zhuǎn)等復(fù)雜情況，本文算法依然能夠取得較好的人物目標(biāo)檢測與跟蹤效果，跟蹤性能穩(wěn)定、可靠。

圖8 人物跟蹤軌跡

4 結(jié)論

本文對視頻序列圖像中的目標(biāo)檢測與跟蹤進(jìn)行了研究，分析了Snake模型與CamShift跟蹤算法存在的優(yōu)勢和不足，針對這兩種算法的不足進(jìn)行了方法上的可行性改進(jìn)，提出了一種基于閾值判斷的CamShift目標(biāo)跟蹤算法，即使存在目標(biāo)旋轉(zhuǎn)、目標(biāo)遮擋以及光照變化等情況下，本文方法依然能夠取得較好的目標(biāo)檢測效果，目標(biāo)跟蹤性能穩(wěn)定；但同時也存在不足之處，如檢測出的目標(biāo)最小外接矩形框不能完整地包含目標(biāo)。因此，在接下來的研究工作中，將會以提高檢測目標(biāo)輪廓的完整性與精確性為重點(diǎn)，進(jìn)一步提高復(fù)雜背景下目標(biāo)跟蹤的穩(wěn)定性。

［1］江曉蓮，李翠華，李雄宗.基于視覺顯著性的兩階段采樣突變目標(biāo)跟蹤算法［J］.自動化學(xué)報(bào)，2014，40（6）：1098-1107.

［2］張巧榮，馮新?lián)P.利用視覺顯著性和粒子濾波的運(yùn)動目標(biāo)跟蹤［J］.中國圖象圖形學(xué)報(bào)，2013，18（5）：515-522.

［3］萬中田，冼鐘業(yè)，胡明宇，等.基于Kalman預(yù)測器的多特征Camshift運(yùn)動目標(biāo)跟蹤算法［J］.武漢大學(xué)學(xué)報(bào)（工學(xué)版），2015，48（5）：712-716.

［4］閆鈞華，陳少華，艾淑芳，等.基于Kalman預(yù)測器的改進(jìn)的CAMShift目標(biāo)跟蹤［J］.中國慣性技術(shù)學(xué)報(bào)，2014，22（4）：536-542.

［5］馬正華，顧蘇杭，戎海龍.基于SIFT特征匹配的CamShift運(yùn)動目標(biāo)跟蹤算法［J］.計(jì)算機(jī)科學(xué)，2014，41（6）：291-294.

［6］陳麗君，馬永杰.自適應(yīng)融合角點(diǎn)特征的Camshift目標(biāo)跟蹤［J］.計(jì)算機(jī)工程與應(yīng)用，2014，50（24）：178-182.

［7］吳慧敏，鄭曉勢.改進(jìn)的高效CamShift跟蹤算法［J］.計(jì)算機(jī)工程與應(yīng)用，2009，45（27）：178-180.

［8］胡正平，石 巍，謝榮路，等.多特征聯(lián)合的尺度和方向自適應(yīng)meanshift跟蹤算法［J］.燕山大學(xué)學(xué)報(bào)，2015，（3）：254-268.

［9］劉 超，惠 晶.基于改進(jìn)CAMShift的運(yùn)動目標(biāo)跟蹤算法［J］.計(jì)算機(jī)工程與應(yīng)用，2014，50（11）：149-153.

［10］陳立潮，牛玉梅，潘理虎，等.Snake模型的研究進(jìn)展［J］計(jì)算機(jī)應(yīng)用研究，2014，31（7）：1931-1936.

［11］周亞男，程 熙，駱劍承，等.改進(jìn)GVF的自動Snake模型［J］.中國圖象圖形學(xué)報(bào)，2012，17（2）：256-262.

［12］王 蒙，戴亞平，王慶林.一種新的FAST-Snake目標(biāo)跟蹤方法［J］.自動化學(xué)報(bào)，2014，40（6）：1108-1115.

［13］何志勇，孫立寧，陳立國.Otsu準(zhǔn)則下分割閾值的快速計(jì)算［J］.電子學(xué)報(bào)，2013，41（2）：267-272.

［14］胡 敏，宋銀龍.基于二維Otsu和模糊聚類的圖像分割算法［J］.計(jì)算機(jī)應(yīng)用研究，2012，29（4）：1563-1565.

Moving Target Detection and Tracking Algorithm Based on Contour and ASIFT Feature Matching

Gu Suhang1，2，Lu Bing2，Rong Hailong1

（1.School of Information Science and Engineering，Changzhou University，Changzhou 213164，China；2.Changzhou Vocational Institute of Light Industry，Changzhou 213164，China）

In the process of target tracking，the CamShift algorithm only uses the color information of the target to achive tracking，and the complex background such as similar objects，occlusion，the interference of light and so on，which would lead to the divergence of the target search window and reduce tracking performance.In order to solve the defect of the CamShift algorithm，a method of target tracking based on threshold value judgement was proposed.The method combined the OTSU algorithm with the Snake model which used OTSU to segment the image with the best threshold to separate the foreground and background，then the initial contour of the target was extracted that was taken as the input contour of the Snake model，and the precise contour of the target would generate.And the target centroid could be calculated by using the pixels in the minimum rectangle region that outsided the precise contour.The Euclidean distance between the centroid of the target search window in the CamShift algorithm and the new centroid could be as the basis for tracking.If the Euclidean distance within the set threshold，the CamShift algorithm would be used to track the target directly；On the contrary，the new target centroid was regarded as the centroid of the target search window in the current frame to achieve target tracking through the CamShift algorithm.The experimental results showed that the new algorithm had good real－time performance，and the tracking performance was stable and reliable.

CamShift algorithm；OTSU algorithm；Snake model；Threshold judgement；target tracking

1671-4598（2016）08-0267-05

10.16526／j.cnki.11－4762／tp.2016.08.073

：TP391.8

：A

2016-05-09；

：2016-06-01。

國家自然科學(xué)基金（61201096）；機(jī)器人技術(shù)與系統(tǒng)國家重點(diǎn)實(shí)驗(yàn)室開放基金重點(diǎn)項(xiàng)目（SKLRS－2010－2D－09，SKLRS－2010 －MS－10）；江蘇省自然科學(xué)青年基金（BK20140266）；江蘇省高校自然科學(xué)研究面上項(xiàng)目（14KJB210001）；常州市科技計(jì)劃資助（CJ20160010）。

顧蘇杭（1989-），男，江蘇鹽城人，碩士，助教，主要從事模式識別與智能系統(tǒng)方向的研究。

陸 兵（1967-），男，江蘇常州人，本科，高級工程師，主要從事計(jì)算機(jī)測量與控制方向的研究。