基于Camshift的運(yùn)動(dòng)目標(biāo)檢測(cè)跟蹤算法

邢定宇+侯寶臨+秦明偉

摘要：對(duì)傳統(tǒng)的運(yùn)動(dòng)目標(biāo)跟蹤算法而言，目標(biāo)檢測(cè)時(shí)由于環(huán)境因素的影響，難以準(zhǔn)確檢測(cè)到目標(biāo)區(qū)域。因此常采用手動(dòng)選取運(yùn)動(dòng)目標(biāo)的方法，但此方法由于智能化程度不高，且具有較強(qiáng)的主觀性和經(jīng)驗(yàn)性，所得數(shù)據(jù)缺乏足夠的說服力。針對(duì)于此，提出在多幀差分法的基礎(chǔ)上，采用連通區(qū)域搜索篩選出合適的運(yùn)動(dòng)目標(biāo)并標(biāo)定目標(biāo)區(qū)域，確定運(yùn)動(dòng)目標(biāo)后進(jìn)行跟蹤；在目標(biāo)跟蹤階段，實(shí)時(shí)更新標(biāo)定區(qū)域內(nèi)的融合特征向量，以提高后續(xù)跟蹤算法的準(zhǔn)確性和魯棒性。實(shí)驗(yàn)表明：該方法切實(shí)可行，在目標(biāo)檢測(cè)階段，改進(jìn)后的算法在增加少量計(jì)算量的前提下，篩選并標(biāo)定出目標(biāo)區(qū)域；在目標(biāo)跟蹤階段，將計(jì)算區(qū)域縮小在標(biāo)定跟蹤范圍內(nèi)，提高了算法效率，且保證算法了的穩(wěn)定性和魯棒性。

關(guān)鍵詞：目標(biāo)檢測(cè)；多幀差分；連通域檢測(cè)；目標(biāo)跟蹤

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2018）01-0209-03

Abstract： For traditional moving target tracking algorithm， it is difficult to detect the target region accurately because of the influence of environmental. Therefore， the method of manually selecting tracking targets is often adopted. But the method is not sufficiently intelligent and has strong subjectivity and experience. So the data is not sufficiently convincing. To solve this problem， Based on the multi frame difference method， the connected region search is used to select and calibrate the appropriate moving region. In the target tracking phase， the fusion feature vector in the calibration area is updated in real time to improve the accuracy and robustness of the follow-up tracking algorithm. Experimental results show that the method is feasible. In the target detection phase， the improved algorithm can select and calibrate the target area under the premise of adding a small amount of computation. In the target tracking phase， the computation area is reduced in the calibration tracking range， which improves the efficiency of the algorithm and ensures the stability and robustness of the algorithm.

Key words： Target detection； Multi frame difference； Connected domain detection； Target tracking

1 概述

基于圖像序列的運(yùn)動(dòng)目標(biāo)檢測(cè)跟蹤是圖像處理和計(jì)算機(jī)視覺領(lǐng)域的重要分支之一。即根據(jù)圖像序列在時(shí)間空間上的連續(xù)性與相關(guān)性，檢測(cè)到運(yùn)動(dòng)目標(biāo)后，確定其在每幀圖像中的具體位置，并標(biāo)記出來，為后續(xù)決策算法或者行為預(yù)測(cè)提供理論依據(jù)[1]。

近年來目標(biāo)跟蹤相關(guān)研究日趨成熟，大體形成了目標(biāo)檢測(cè)、特征提取、目標(biāo)識(shí)別的理論體系。目標(biāo)檢測(cè)按特征的判別性可分為紋理目標(biāo)檢測(cè)和無紋理目標(biāo)檢測(cè)，對(duì)紋理物體進(jìn)行識(shí)別和檢測(cè)的有SIFT、SURF等；對(duì)無紋理物體進(jìn)行檢測(cè)的有基于模板匹配的檢測(cè)算法以及其他拓展算法等。跟蹤算法可分為基于輪廓的跟蹤，基于特征點(diǎn)的跟蹤，基于相關(guān)濾波（Correlation Filter， CF）的跟蹤[2]等。

由于傳統(tǒng)跟蹤算法常采用手動(dòng)圈定運(yùn)動(dòng)目標(biāo)的方式，導(dǎo)致所得跟蹤特征具有較強(qiáng)主觀性和經(jīng)驗(yàn)性。本文基于簡(jiǎn)單易實(shí)現(xiàn)的幀間差分法，用多幀差分進(jìn)行預(yù)處理，通過連通區(qū)域搜索，篩選出目標(biāo)運(yùn)動(dòng)區(qū)域。跟蹤階段在每幀圖片跟蹤目標(biāo)標(biāo)定后，增加特征的計(jì)算模塊，使得目標(biāo)選取更為客觀，提高跟蹤算法準(zhǔn)確性。

2 目標(biāo)區(qū)域篩選

2.1 多幀差分

多幀差分是在傳統(tǒng)幀差法的基礎(chǔ)上提出的。傳統(tǒng)幀差法雖然便于實(shí)現(xiàn)，復(fù)雜度低，但易出現(xiàn)重疊、空洞的現(xiàn)象，所得目標(biāo)輪廓往往不連續(xù)。且對(duì)于光變、背景干擾等場(chǎng)景，難以提取完整的目標(biāo)信息。多幀差分，即對(duì)多幀連續(xù)的圖像做處理，最終確定運(yùn)動(dòng)目標(biāo)的大致輪廓[3]，基本流程如圖1所示。

以五幀為例，將中間幀Pk分別與Pk-2，Pk-1，Pk+1，Pk+2做差分運(yùn)算，為避免所得結(jié)果顯示重疊和空洞，先作“與”運(yùn)算得到PY1、PY2，所得結(jié)果再做“或”運(yùn)算得到PH，在實(shí)際測(cè)試中，雖然能夠得到運(yùn)動(dòng)目標(biāo)的大致區(qū)域，但由于光照變化、背景擾動(dòng)等因素的影響，目標(biāo)周圍存在許多不相關(guān)的噪聲。因此需要進(jìn)一步處理排除噪聲干擾，以縮小目標(biāo)的實(shí)際區(qū)域，為跟蹤算法做準(zhǔn)備。

2.2 連通區(qū)域搜索

連通區(qū)域搜索可將圖像中連通的部分找出來，作出各連通區(qū)域最小外接矩形框，通過矩形框的位置關(guān)系判斷各個(gè)連通域間的關(guān)系：若矩形框存在重合部分，則認(rèn)為其同屬于一個(gè)運(yùn)動(dòng)目標(biāo)[4]。并通過實(shí)際場(chǎng)景中運(yùn)動(dòng)物體的大小，淘汰掉光照變化、環(huán)境噪聲和背景移動(dòng)等造成的無效連通域。作出每個(gè)連通域的外接矩形框，在排除環(huán)境噪音和背景移動(dòng)的前提下，最大限度確定運(yùn)動(dòng)目標(biāo)區(qū)域，為后續(xù)目標(biāo)跟蹤提供有用信息。endprint

3 運(yùn)動(dòng)目標(biāo)跟蹤

傳統(tǒng)Camshift算法采用H分量作為特征向量，對(duì)圖像的旋轉(zhuǎn)、縮放等物理變換不敏感，在背景信息不復(fù)雜情況下可以滿足多數(shù)目標(biāo)跟蹤[5]。但顏色直方圖是對(duì)于整幅圖片色彩分類的統(tǒng)計(jì)結(jié)果，不包括運(yùn)動(dòng)物體的位置信息，初始幀顏色直方圖一經(jīng)確定便不作更改，因此遇到背景或其他物體顏色相同、相似的情況很容易受到干擾。

紋理特征作為一種重要的圖像特征，具有較強(qiáng)的光抗性，能夠有效彌補(bǔ)單一使用顏色特征帶來的影響，對(duì)紋理特征的定義如下[6]：

按八鄰域做出灰度圖像中心點(diǎn)上下左右四個(gè)方向的差值Qi，紋理圖像中心點(diǎn)定義為：

根據(jù)上式可得到整幅圖片的紋理信息，與顏色特征融合，可得到顏色-紋理特征的反向投影圖，以此建立目標(biāo)模型，并在每幀跟蹤結(jié)束后計(jì)算標(biāo)定范圍內(nèi)新的融合特征反向投影圖[7]。由于該操作會(huì)增加額外計(jì)算量，增加算法時(shí)耗，做出實(shí)際算法耗時(shí)情況對(duì)比圖，如圖2所示。

由圖2可以看出，由于算法計(jì)算量的增加，每幀圖片的算法耗時(shí)均有所增加，但由于只計(jì)算跟蹤算法標(biāo)記范圍內(nèi)的特征，因此時(shí)耗增加并不多，平均每幀多耗時(shí)4ms。

4 實(shí)驗(yàn)結(jié)果及分析

4.1 算法測(cè)試

為驗(yàn)證改進(jìn)后的算法性能，采用VGA分辨率（640*480），幀率30FPS的視頻作為測(cè)試視頻，在Window7環(huán)境下采用Visual studio 2012應(yīng)用軟件和OpenCV 3.0處理庫完成跟蹤實(shí)驗(yàn)；利用MATLAB R2014a完成實(shí)驗(yàn)數(shù)據(jù)的統(tǒng)計(jì)整理等工作。用傳統(tǒng)手動(dòng)選取目標(biāo)區(qū)域并跟蹤的算法和本文提出的自動(dòng)目標(biāo)檢測(cè)、跟蹤算法進(jìn)行對(duì)比實(shí)驗(yàn)，如圖3所示。

主要測(cè)試算法在自然光照下目標(biāo)發(fā)生形變的適應(yīng)能力及抗遮擋能力。如圖3所示，傳統(tǒng)算法在遮擋前后，標(biāo)記范圍忽大忽小，極易丟失跟蹤目標(biāo)；本文算法在檢測(cè)階段選取的范圍包含了運(yùn)動(dòng)目標(biāo)的大部分信息，且跟蹤過程中始終能夠準(zhǔn)確標(biāo)定運(yùn)動(dòng)物體的實(shí)際位置。即便在短暫遮擋后標(biāo)記范圍出現(xiàn)變化，仍能夠準(zhǔn)確圈定目標(biāo)，保證跟蹤的穩(wěn)定性。

4.2 測(cè)試數(shù)據(jù)分析

圖4為實(shí)驗(yàn)一環(huán)境下，目標(biāo)實(shí)際位置中心點(diǎn)與本文算法標(biāo)記位置中心點(diǎn)對(duì)比圖。實(shí)際位置中心點(diǎn)為手動(dòng)測(cè)量：取測(cè)試視頻其中200幀，從第20幀起，每隔5幀測(cè)量運(yùn)動(dòng)目標(biāo)的最小外接矩形框，求出中心坐標(biāo)。

將所測(cè)實(shí)際值按最小二乘法作曲線擬合，與算法標(biāo)記位置值做平均中心誤差（Average Central Error， ACE），定義為算法標(biāo)記中心位置與實(shí)際中心位置歐式距離的均值，如式（2）（3）所示：

Z表示平均中心誤差；A表示實(shí)際中心位置，T表示算法標(biāo)記中心位置；下標(biāo)x和y分別表示x方向和y方向；n表示測(cè)試的視頻幀數(shù)，由公式得出Zx為3.55pixel，Zy為6.215pixel。

圖5為相對(duì)速度的變化示意圖。其中實(shí)際值為手動(dòng)測(cè)量中心點(diǎn)作最小二乘曲線擬合后逐幀差分后數(shù)據(jù)作得的圖像?？梢钥吹綄?shí)際值中有兩個(gè)峰值，分析原因，可能是由于障礙物遮擋時(shí)，測(cè)量到的最小外接矩形框只是運(yùn)動(dòng)目標(biāo)的局部位置導(dǎo)致。由圖中可以看出，在絕大多數(shù)跟蹤過程中，本文算法的測(cè)試值與實(shí)際擬合值在相對(duì)速度的誤差其實(shí)很小，相對(duì)速度在x方向最大誤差為22pixel，平均誤差為1.25pixel，y方向最大誤差為27pixel，平均誤差為2.49pixel。

由實(shí)驗(yàn)結(jié)果可得：本文算法在目標(biāo)跟蹤的準(zhǔn)確性和穩(wěn)定性方面都比傳統(tǒng)算法性能更為優(yōu)秀，但耗時(shí)略高于傳統(tǒng)算法。

5 總結(jié)

對(duì)于目標(biāo)跟蹤而言，傳統(tǒng)做法往往是將目標(biāo)檢測(cè)與跟蹤分開進(jìn)行，采用手動(dòng)選取目標(biāo)，雖然對(duì)于跟蹤算法來說提高了運(yùn)行效率，但在智能化方面卻略顯不足。本文采用多幀差分和連通區(qū)域搜索篩選的方法，準(zhǔn)確檢測(cè)運(yùn)動(dòng)目標(biāo)區(qū)域，并對(duì)跟蹤算法加以改進(jìn)。實(shí)驗(yàn)證明在物體光照、尺寸大小等發(fā)生改變，甚至出現(xiàn)短暫遮擋的情況下，均能穩(wěn)定完成動(dòng)目標(biāo)跟蹤。但由于增加了檢測(cè)算法以及對(duì)每幀圖片進(jìn)行特征更新，計(jì)算量稍有增加，在運(yùn)行效率方面仍有待改進(jìn)。

參考文獻(xiàn)：

[1] 王倩. 圖像運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤算法研究及應(yīng)用[D].成都：電子科技大學(xué)2015.

[2] Henriques J F， Caseiro R， Martins P. High-speed tracking with kernelized correlation filters[J].IEEE Trans on Pattern Analysis and Machine Intelligence，2015，37（3）：583-596.

[3] 郭春鳳. 基于五幀差分法的動(dòng)態(tài)目標(biāo)檢測(cè)新算法[J].重慶科技學(xué)院學(xué)報(bào)：自然科學(xué)版，2015（5）：87-89.

[4] 施隆照，王凱. 基于連通區(qū)域的復(fù)雜車牌的字符分割算法[J].計(jì)算機(jī)工程與設(shè)計(jì)，2016（8）：2138-2142.

[5] 張穎穎，王紅娟，黃義定. 基于MeanShift和粒子濾波的行人目標(biāo)跟蹤方法[J].計(jì)算機(jī)與現(xiàn)代化，2012（3）：40-43.

[6] 黃清泉，陳亮，龐亮，等. 基于背景加權(quán)的聯(lián)合顏色紋理直方圖跟蹤算法[J].微型機(jī)與應(yīng)用，2016（01）：56-59.

[7] 劉苗，黃朝兵. 基于多特征自適應(yīng)融合的MeanShift目標(biāo)跟蹤方法[J].現(xiàn)代計(jì)算機(jī)：專業(yè)版，2016（11）：68-72.endprint