基于Mean Shift算法的網(wǎng)球運動視頻目標跟蹤研究

王皓蜀

摘 要： 傳統(tǒng)Mean Shift算法在運動目標運動速度過快以及被遮擋的情況下，算法的跟蹤效果較差。因此，提出基于改進Mean Shift算法的網(wǎng)球運動視頻目標跟蹤方法，分析Mean Shift算法進行網(wǎng)球運動視頻目標跟蹤的過程以及存在的弊端。采用最小二乘法對Mean Shift算法進行改進，利用最小二乘法預測網(wǎng)球運動視頻目標位置，在該位置上實施迭代跟蹤，再用Mean Shift算法得到目標最終跟蹤位置，解決目標運動速度過快以及遮擋問題的干擾，減小各幀檢索時矢量同收斂點的距離，提高跟蹤效率。實驗結果說明，所提方法具有較高的跟蹤效果和跟蹤效率。

關鍵詞： Mean Shift算法； 網(wǎng)球運動； 視頻目標； 跟蹤研究

中圖分類號： TN911.73?34； TP391 文獻標識碼： A 文章編號： 1004?373X（2017）13?0073?04

Abstract： Since the tracking effect of the traditional Mean Shift algorithm is poor in the situations that the speed of the moving object is fast， and the moving object is blocked out， an improved Mean Shift algorithm based video object tracking method of tennis sports is proposed. The process and shortcomings of the Mean Shift algorithm to perform the video object tracking of the tennis sports are analyzed. The least square method is used to improve the Mean Shift algorithm， and predict the video object location of tennis sports. The iterative tracking is carried out for this position. The Mean Shift algorithm is adopted to get the final target tracking position， solve the problems of fast target movement speed and interference shielding， reduce the distance between the vector and convergence point when each frame is retrieved， and improve the tracking efficiency. The experimental results show that the method has high tracking performance and tracking efficiency.

Keywords： Mean Shift algorithm； tennis sports； video object； tracking research

0 引 言

隨著計算機技術的快速發(fā)展，計算機視覺技術在人們的生產(chǎn)和生活中的應用價值也逐漸提升。視頻目標跟蹤是計算機視覺領域分析的熱點，其廣泛應用在各項體育運動訓練和比賽過程中，對運動目標進行準確分類和跟蹤，對提高網(wǎng)球運動的質量具有重要意義[1]。但是受到網(wǎng)球運動目標自身因素以及外部環(huán)境因素的干擾，使得網(wǎng)球運動視頻目標跟蹤算法的性能降低。特別是傳統(tǒng)均值偏移跟蹤算法（Mean Shift跟蹤算法）在網(wǎng)球運動視頻目標原始位置實施迭代的收斂過程中，在運動目標運動速度過快以及被遮擋的情況下，算法的跟蹤效果較差[2]。因此，提出基于改進Mean Shift算法的網(wǎng)球運動視頻目標跟蹤算法，提高目標跟蹤的效率和精度。

1 Mean Shift算法

Mean Shift跟蹤算法是一種依據(jù)特征概率密度統(tǒng)計的建模方法，其跟蹤運動目標時，在視頻序列的首幀手動選擇目標范圍，塑造對應的目標顏色直方圖。因為Mean Shift算法在目標原始位置實施迭代收斂，受到目標運動速度以及目標遮擋狀態(tài)的干擾，導致目標跟蹤精度降低。通過最小二乘法能夠處理該種弊端，先通過最小二乘法預測網(wǎng)球運動視頻目標位置[3]，在該位置實施迭代跟蹤，再通過Mean Shift算法獲取網(wǎng)球運動視頻目標的最終跟蹤位置。

1.1 Mean Shift算法

假設在維空間內的個樣本點是則在點的Mean Shift向量為：

式中：表示高維球體，該球體的半徑是基于式（1）可得，Mean Shift向量是描述進入球體范圍內，個點相對于點的偏移向量之和的平均值。

如果概率密度函數(shù)是從該函數(shù)采樣獲取由于在梯度方向具有最高的提升速度，則范圍內的樣本點取平均值后，會處于的梯度方向，則指向概率密度梯度的方向。對Mean Shift算法實施擴展，融入核函數(shù)，隨著樣本點同偏移點距離的波動[4]，其偏移量對均值偏移向量的干擾也產(chǎn)生波動，并且還融入了權重系數(shù)，描述不同樣本點的價值度。將式（1）擴展成下式：

式中：是單位核函數(shù)；是帶寬矩陣，是正定對稱的矩陣，設置為對角陣，是樣本點的權重系數(shù)。則將式（2）變換成：

1.2 Mean Shift算法的工作過程

將式（3）變換成：

對已知樣本點核函數(shù)值是Mean Shift算法過程如下：

（1） 運算；

（2） 若終止循環(huán)，否則繼續(xù)；

（3） 設置運行式（4）。

基于式（4）可得則Mean Shift算法的原理是該算法向量持續(xù)向概率密度梯度的方向變換[5]，最終收斂到周圍的峰值。

1.3 Mean Shift的運動視頻目標跟蹤

通過半自動方法在網(wǎng)球運動視頻序列內手動獲取待跟蹤的目標，采用顏色直方圖對目標特征實施描述。在網(wǎng)球運動視頻幀內，在運動目標范圍中設置一個核函數(shù)，對運動目標的顏色直方圖實施運算，獲取一個空間平沿的相似性函數(shù)，該函數(shù)用于描述候選目標同目標模板間的相似性。如果相似性函數(shù)值為最高，則可從網(wǎng)球運動視頻目標跟蹤過程看出求解相似性函數(shù)最高值的過程。先在待分析的網(wǎng)球運動視頻中選擇要跟蹤的目標，再對目標范圍中的全部像素點、運算像素點特征范圍中各特征值的概率塑造運動目標的模板[6]。后續(xù)的圖像序列在可能包含目標的候選區(qū)域內運算特征空間的全部特征值，綜合分析候選模型。將Epanechikov函數(shù)當成核函數(shù)，運算候選目標同目標模型間的相似性函數(shù)，對候選目標同目標模型間的相似性函數(shù)實施運算，求解相似性函數(shù)的最高值獲取目標的Mean Shift向量，該向量是目標從原始位置向準確位置變換的向量，Mean Shift向量逐漸向真實網(wǎng)球運動視頻目標位置方向變動，如果相似性函數(shù)的值最高，則獲取目標位置，完成網(wǎng)球運動視頻目標的準確跟蹤。

Mean Shift進行目標跟蹤的原理如下：

（1） 塑造網(wǎng)球運動視頻目標模型。構建網(wǎng)球運動視頻目標的顏色直方圖，通過人機交互手段，手動選擇網(wǎng)球運動視頻目標范圍。將HSV顏色特征當成目標的特征區(qū)域，則網(wǎng)球運動視頻目標模型可用于描述HSV特征值的概率值[7]，若目標范圍中心點是則網(wǎng)球運動視頻目標模板的概率密度分布為：

（2） 塑造候選模型。塑造候選的顏色核直方圖，如果候選目標范圍中心是則候選模型的概率密度分布為：

（3） 相似性度量。將Bhattacharyya系數(shù)當成相似性函數(shù)，值越高，說明候選目標同目標模板間的相似度越高：

（4） 網(wǎng)球運動視頻目標定位。Mean Shift向量在前一幀的網(wǎng)球運動視頻目標中心位置點持續(xù)偏移到新位置[8]，檢索最佳匹配點先在位置對式（7）進行泰勒展開，則有：

式（8）的最高值是相似性函數(shù)的最高值，可確保Mean Shift理論持續(xù)獲取新的直至得到目標的最終位置。

則依據(jù)顏色直方圖的Mean Shift網(wǎng)球運動視頻目標跟蹤算法的過程如下：

（1） 初始化，將前幀網(wǎng)球運動視頻目標的最終位置當成即刻幀目標的原始位置，運算分析：

（2） 通過式（8）運算權重值；

（3） 依據(jù)Mean Shift矢量運算目標的位置：

（4） 運算和相似性函數(shù)：

（5）如果則運行

（6） 如果則停止；否則設置運行步驟（1）。

Mean Shift算法通過顏色直方圖建模，在網(wǎng)球運動視頻目標存在形變和背景波動的狀態(tài)中，具有較高的穩(wěn)定性。如果運動目標存在遮擋，該算法的跟蹤效果不夠理想，并且該種算法在目標原始點位置實施目標迭代檢索過程中[9]，若運動目標運動效率較高，跟蹤目標存在較高的偏差。

2 改進Mean Shift算法的網(wǎng)球運動視頻目標跟蹤

Mean Shift算法從網(wǎng)球運動員原始位置對目標實施迭代搜索，如果網(wǎng)球運動員運動速率較快，相鄰區(qū)域不存在目標混合區(qū)域情況下，Mean Shift算法的跟蹤效果大大降低，容易形成跟蹤失敗的問題。因此，采用最小二乘預測算法改進Mean Shift算法，也就是Least Square算法，在檢索后續(xù)目標過程中，先通過最小二乘法預測目標位置，再采用Mean Shift算法在預測位置實施迭代跟蹤。通過顏色直方圖描述網(wǎng)球運動視頻中運動目標的特征，設置運動目標的中心位置坐標是若分別是時間的三次方程，則有：

將Mean Shift算法前幀的跟蹤結果的中心位置當成最小二乘曲線擬合的樣本點，則有，分別采用式（1）和式（2）對方向實施曲線擬合，獲取擬合方差。將融入兩個方程內，獲取當前幀的預測結果。將該結果當成Mean Shift算法的原始檢索位置開始迭代，再通過Mean Shift算法得到網(wǎng)絡運動視頻目標的最終跟蹤位置，縮小各幀搜索時矢量離收斂點的距離，極大地提高了算法的跟蹤效率。改進算法的流程如圖1所示。

3 實驗結果與分析

通過實驗檢測改進Mean Shift算法的網(wǎng)球運動視頻目標跟蹤方法的性能。實驗環(huán)境是PC機，雙核CPU的主頻是1.5 GHz，采用Visual Studio 2005以及Open CV 1.0的平臺進行檢測。設置本文方法中最小二乘曲線擬合的樣本點數(shù)是6。第一組實驗視頻是某比賽中網(wǎng)球訓練視頻中的運動員，因為運動員的運動速度較快，相鄰視頻目標幀間的目標混合范圍較少，相鄰兩幀具有較高的位移。本文方法和傳統(tǒng)方法的跟蹤結果分別如圖2和圖3所示。對比分析兩圖可以看出：本文方法比傳統(tǒng)方法的魯棒性更高，特別是在第28幀以及142幀運動員被微遮擋狀態(tài)下，傳統(tǒng)方法存在跟蹤滯后問題，而本文方法能夠解決遮擋引起的跟蹤失敗，跟蹤結果更為準確。

第二組實驗視頻內，網(wǎng)球運動員的運動軌跡是動態(tài)的，目標運動速率較快，相鄰兩幀目標的重疊區(qū)域較低，從圖4中能夠看出，目標在轉彎過程中，傳統(tǒng)方法無法對目標進行跟蹤。

在圖4和圖5兩組視頻內，目標是通過手動進行選擇的，統(tǒng)計二組視頻內平均迭代次數(shù)和處理時間，結果如表1所示。能夠看出本文方法的迭代次數(shù)和處理時間都顯著優(yōu)于傳統(tǒng)方法，具有較高的網(wǎng)球運動視頻目標跟蹤效率。

4 結 論

本文研究了基于改進Mean Shift算法的網(wǎng)球運動視頻目標跟蹤方法，其采用最小二乘法預測目標位置，在該位置上實施迭代跟蹤，采用Mean Shift算法得到目標的最終跟蹤位置，解決了傳統(tǒng)方法在目標原始位置實施迭代收斂過程中，運動目標運動速度過快以及被遮擋情況下，跟蹤效果差的弊端。

參考文獻

[1] 盧旭，劉軍，袁飛.基于移動Sink的自組織視頻傳感網(wǎng)絡目標跟蹤算法[J].傳感技術學報，2016，29（9）：1430?1434.

[2] 于曉涵，孫艷麗，柳超.改進的特征匹配雷達視頻運動目標跟蹤算法[J].海軍航空工程學院學報，2016，31（1）：27?33.

[3] 陳定坤，楊艷.一種改進的Mean?shift運動目標跟蹤算法[J].半導體光電，2015，36（1）：160?164.

[4] 聶振鋼，孫協(xié)昌，梁銀川.基于多特征Mean?Shift的靈巧彈藥末制導跟蹤算法[J].微電子學與計算機，2016，33（5）：89?91.

[5] 肖慶國，葉慶衛(wèi)，周宇，等.基于Mean?Shift優(yōu)化的TLD視頻長時間跟蹤算法[J].計算機應用研究，2015，32（3）：925?928.

[6] 楊夏.基于嵌入式Linux的運動目標跟蹤視頻監(jiān)控系統(tǒng)[J].西南師范大學學報（自然科學版），2016，41（11）：148?154.

[7] 楊德紅，閆河，劉婕，等.HLBP紋理特征Mean Shift目標跟蹤算法[J].計算機工程與設計，2016，37（4）：976?981.

[8] 蘇永鋼，唐晨，程佳佳，等.基于Mean Shift的目標跟蹤算法性能比較研究[J].激光與紅外，2016，46（3）：372?376.

[9] 陳金廣，任冰青，馬麗麗，等.噪聲方差未知條件下的視頻目標跟蹤[J].中國圖象圖形學報，2015，20（7）：906?913.