結合Kalman濾波和LBP紋理的CAMShift改進算法

于國慶 吳賽敏

摘 ?要： 針對傳統(tǒng)CAMShift算法，在顏色相似干擾、目標快速運動等復雜背景中跟蹤目標丟失的問題，提出一種結合Kalman濾波和LBP紋理的CAMShift改進算法。為了驗證提出算法的合理性，使用農田作業(yè)機械安裝的攝像頭實現(xiàn)圖像的動態(tài)采集，選取圖像中的特定目標作為目標模板，采用Kalman濾波器預測下一幀特定目標的位置區(qū)域，用改進LBP算法的紋理特征與色彩概率分布圖進行相與運算，將得到的結果應用到特定目標跟蹤中。實驗結果表明，改進后的算法在跟蹤特定目標方面具有較高的準確性和魯棒性。

關鍵詞： CAMshift算法; Kalman濾波器; LBP紋理; 圖像采集; 位置預測; 目標跟蹤

中圖分類號： TN713?34; TP391.41 ? ? ? ? ? ? ? ?文獻標識碼： A ? ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2020）12?0065?04

Abstract： As the traditional CAMShift algorithm has the problem that the tracking object is lost in the complex backgrounds such as color similarity interference and fast target motion， an improved CAMShift algorithm combining with Kalman filtering and LBP texture is proposed. In order to verify the rationality of the proposed algorithm， the dynamic image acquisition is realized by the camera installed by the farm machinery， the specific objective in the images are selected as the target template， and the Kalman filter is used to predict the location area of the specific targets in the next frame. The texture feature and color probability distribution map of the improved LBP algorithm are combined and operated， and the obtained results are applied to the specific target tracking. The experimental results show that the improved algorithm has has higher accuracy and robustness in tracking specific targets.

Keywords： CAMshift algorithm; Kalman filter; LBP texture; image collection; location prediction; target tracking

0 ?引 ?言

在計算機視覺研究領域，目標跟蹤問題是當前研究的熱點話題[1]。近年來，Meanshift算法已被廣泛應用于目標跟蹤，但也有不足之處。當跟蹤目標的尺度發(fā)生變化時， Meanshift算法[2]無法對目標模型進行更新，影響目標跟蹤的準確性。

為解決Meanshift算法無法實時更新目標模型的問題，Bradski在Meanshift算法的基礎上提出CAMShift算法，它是一種基于顏色概率信息的半自動跟蹤算法[3]，當存在顏色相似、目標快速運動等干擾時，會出現(xiàn)目標跟蹤丟失的情況。為解決目標快速運動導致跟蹤效果不理想的問題，國內外學者對CAMShift算法進行了改進，Huang等人提出采用Kalman濾波器預測下一幀中特定目標的位置，但目標位置的準確性會受到顏色相似干擾的影響[4]。為解決顏色相近干擾問題，Ojala等人提出了LBP算法[5]，它計算量小，滿足實時跟蹤目標的需求，將LBP特征融合CAMShift算法中，解決了傳統(tǒng)CAMShift算法以顏色概率特征跟蹤的不足。

針對目標快速運動、顏色干擾導致目標跟蹤丟失的問題，提出一種結合Kalman濾波和LBP紋理的CAMShift改進算法。利用色彩概率分布圖和紋理概率分布圖的融合來確定跟蹤目標的特征。為了減少CAMShift算法的計算量，可利用Kalman濾波[6]預測特定目標位置區(qū)域。實驗結果證明，本文提出的方法能更準確地跟蹤特定目標。

1 ?算法研究

1.1 ?CAMShift算法

CAMShift算法以視頻圖像中的目標顏色信息為基礎進行跟蹤。另外，該算法可根據(jù)特定目標尺度變化連續(xù)調整搜索窗口的大小，視頻的每幀圖像都采用Meanshift算法來找最佳迭代結果[7?8]。算法的思想過程如下[9]：

1） 選擇特定跟蹤目標作為模板目標，確定搜索窗口的大小;

2） 計算搜索窗口的色彩概率分布圖;

3） 用Meanshift算法迭代當前幀的搜索窗口;

4） 由步驟3）獲得的搜索窗口信息繼續(xù)跟蹤下一幀圖像，再執(zhí)行步驟2）以實現(xiàn)目標的連續(xù)跟蹤。

1.2 ?LBP算法

局部二值模式（LBP）算法分析固定區(qū)域內相鄰像素灰度值和中心像素的灰度值，最終得到LBP紋理特征。LBP算子的計算過程如圖1所示。

為減少算法的計算量，可根據(jù)特定目標的信息利用Kalman濾波器預測下一幀圖像中特定目標的位置區(qū)域[12]。

2 ?結合Kalman濾波和LBP紋理的CAMShift改進算法

在視頻圖像的特定目標跟蹤過程中，如果存在顏色相似干擾，采用傳統(tǒng)CAMShift算法跟蹤目標時，跟蹤的準確度下降，甚至發(fā)生丟失現(xiàn)象，而此時用改進的LBP算法融合CAMShift算法，有效地解決了顏色相近干擾問題。另外，利用Kalman濾波器估計特定目標的位置，不僅降低了LBP紋理的改進型CAMShift算法的計算量，還提高了目標跟蹤的有效性。因此，將LBP紋理的改進型CAMShift算法和Kalman濾波器相組合，得到了結合Kalman濾波器和LBP紋理的CAMShift改進算法，具體步驟如下：

1） 讀取視頻序列，選取特定目標;

2） 確定搜索窗口并初始化卡爾曼濾波器的相關參數(shù);

3） 利用Kalman濾波器預測特定目標在下一幀中的位置;

4） 根據(jù)特定目標的顏色特征，用CAMShift算法統(tǒng)計搜索窗口的直方圖，通過反向投影獲得色彩概率分布圖;

5） 當前幀的搜索窗口內每一個像素與其周圍8個點的像素值進行比較，統(tǒng)計搜索窗口中各個紋理級別像素的個數(shù)，用紋理直方圖的形式表示，將得到的紋理直方圖反向投影，得到紋理概率分布圖;

6） 將紋理概率分布圖與色彩概率分布圖進行相與運算，得到的灰度圖像作為CAMShift算法的輸入圖像，以便確定當前幀的候選目標信息;

7） 在下一幀圖像中，將步驟6）中得到的候選目標的信息更新Kalman濾波器，確定搜索窗口，返回步驟3）繼續(xù)執(zhí)行，連續(xù)跟蹤目標。

改進算法的流程圖如圖2所示。

3 ?實驗結果分析

實驗在VS2010開發(fā)平臺上進行仿真，利用VC++語言和開源代碼OpenCV聯(lián)合編程實現(xiàn)。由安裝在農田作業(yè)機械上的USB攝像頭拍攝的視頻作為測試序列，選取視頻圖像中的特定目標進行跟蹤，驗證改進后的算法在目標跟蹤方面，具有較高的準確性和魯棒性。

本文使用兩組視頻圖像分別在農田作業(yè)機械快速運動和存在相似顏色背景情況下對本文算法進行驗證。圖3、圖4為安裝攝像頭的農田作業(yè)機械做快速運動時，拍攝的視頻圖像。在圖3中，從第12～43幀農田作業(yè)機械快速運動時，矩形框逐漸變大，不能很精確地跟蹤特定目標，產生很大的誤差，甚至往后的視頻圖像中出現(xiàn)跟蹤丟失目標現(xiàn)象，所以傳統(tǒng)CAMShift算法在穩(wěn)定性和效果方面有一定的降低。圖4采用改進后的算法來跟蹤特定目標，在第12～43幀中，矩形框可更準確地跟蹤目標，這是由于局部二值模式反映的是圖像的紋理特征，即使出現(xiàn)外部因素的變化時，局部二值模式的值也不變。因此改進后的算法在特定目標跟蹤方面穩(wěn)定性較好。

圖5、圖6為顏色相似干擾的復雜背景環(huán)境、農田作業(yè)機械勻速運動時的代表圖片，將遺落的農作物作為跟蹤的特定目標，選取第28幀視頻圖像的農作物作為跟蹤特定目標的初始幀。圖5僅采用傳統(tǒng)的CAMShift算法跟蹤農作物，地里的玉米秸稈對目標跟蹤造成了干擾，可以看出從第56幀開始，跟蹤目標的矩形框逐漸變大，直到第68幀矩形框幾乎遍布整個圖像，出現(xiàn)目標丟失情況。這是因為傳統(tǒng)的CAMShift算法以顏色特征作為目標跟蹤的主要依據(jù)，所以存在顏色干擾時，跟蹤效果較差。圖6采用改進后的跟蹤算法，視頻圖像中的農作物與周圍環(huán)境顏色相似，但跟蹤并沒有受到干擾物影響，農作物得到了很好的跟蹤，并未出現(xiàn)丟失跟蹤目標的情況。

4 ?結 ?語

為了提高傳統(tǒng)CAMShift算法在目標跟蹤方面的準確性和魯棒性，本文提出一種結合Kalman濾波和LBP紋理的CAMShift改進算法。該算法將紋理概率分布圖與色彩概率分布圖進行融合，作為目標特征進行跟蹤，當存在目標與背景顏色大面積相似干擾時，不會影響目標跟蹤的效果，并用Kalman濾波器估計特定目標的位置，解決了農田作業(yè)機械快速運動時目標丟失的問題。實驗結果表明，改進后的算法在目標跟蹤方面達到了期望的效果，具有較高的準確性和魯棒性，是一種可以進行廣泛應用的算法。

參考文獻

[1] 高琳，唐鵬，盛鵬，等.復雜場景下基于條件隨機場的視覺目標跟蹤[J].光學學報，2010，30（6）：1721?1728.

[2] SUN J. A fast Meanshift algorithm?based target tracking system [J]. Sensors， 2012， 12（6）： 8218?8235.

[3] 陳向平，李平.基于色彩特征的CamShift視頻圖像汽車流量檢測[J].沈陽工業(yè)大學學報，2015，37（2）：183?188.

[4] HUANG S L， HONG J X. Moving object tracking system based on camshaft and Kalman filter [C]// International Conference on Consumer Electronics， Communications and Network. Xianning： IEEE， 2011： 1423?1426.

[5] OJALA T， VALKEALAHTI K， OJA E， et al. Texture discrimination with multi?dimensional distributions of signed gray level differences [J]. Pattern recognition， 2001， 34（3）： 727?739.

[6] 瞿衛(wèi)欣，程承旗.基于Kalman濾波的Camshift運動跟蹤算法[J].北京大學學報（自然科學版），2015，51（5）：799?803.

[7] 尚波，胡鵬，柳玉炯.基于改進Mean?shift與自適應Kalman濾波的視頻目標跟蹤[J].計算機應用，2010，30（6）：1573?1576.

[8] 儲珺，杜立輝，汪凌峰，等.基于局部背景感知的目標跟蹤[J].自動化學報，2012，38（6）：1985?1995.

[9] 劉士榮，孫凱，張波濤，等.基于改進CamShift算法的移動機器人運動目標跟蹤[J].華中科技大學學報（自然科學版），2011，39（z2）：223?226.

[10] 劉富，宗宇軒，康冰，等.基于優(yōu)化紋理特征的手背靜脈識別系統(tǒng)[J].吉林大學學報（工學版），2017（11）：1?6.

[11] 余彥霖，祖家奎，廖智麟.基于卡爾曼濾波的MUH姿態(tài)信號融合算法研究[J].電子測量技術，2015，38（5）：106?110.

[12] HOWARD M， PAUL Z. Fundamentals of Kalman filtering： a practical approach， second edition [J]. Progress in astronautics & aeronautics， 2015， 190（8）： 8218?8235.