基于改進(jìn)Kalman濾波與Camshift結(jié)合的嵌入式跟蹤系統(tǒng)設(shè)計

邱曉歡　鄭尚坡　劉俊峰　徐詩康　廖丁丁

關(guān)鍵詞：目標(biāo)跟蹤；Camshift 算法；Kalman 濾波；目標(biāo)遮擋；狀態(tài)向量；嵌入式系統(tǒng)

中圖分類號：TP391.41 文獻(xiàn)標(biāo)識碼：A 文章編號：1006-8228（2023）11-41-06

0 引言

目標(biāo)跟蹤技術(shù)作為機器視覺領(lǐng)域重要的研究課題及熱點，在智能視頻監(jiān)控、自動駕駛、軍事國防、智能交通系統(tǒng)和無人機等領(lǐng)域得到了廣泛應(yīng)用。

目標(biāo)跟蹤算法根據(jù)不同的方法和策略可以分為基于輪廓、特征、區(qū)域和模型的四類方法?；谳喞母櫵惴╗1]以目標(biāo)的邊緣輪廓作為跟蹤模板，具有較好的實時性能，然而在跟蹤目標(biāo)被遮擋時，該算法會面臨跟蹤丟失的挑戰(zhàn)；基于模型的跟蹤算法[2]通過構(gòu)建目標(biāo)的二維或三維模型進(jìn)行跟蹤，具有較高的魯棒性，但由于模型的構(gòu)建需要耗費時間，實時性表現(xiàn)較差；基于區(qū)域的跟蹤算法[3]利用圖像的全局描述信息進(jìn)行跟蹤，適用于沒有尺度變化或遮擋的情況，但在背景干擾或目標(biāo)遮擋的情況下，該算法定位目標(biāo)位置困難，魯棒性較差。

基于特征的跟蹤算法[4]是通過提取目標(biāo)某些不變的特征（如顏色、SIFT、Harris Corners 等）來實現(xiàn)跟蹤，主要代表算法有SIFT[5]、SURF[6]、Meanshift、Camshift[8]等。其中Meanshift 算法是基于顏色概率分布圖作為特征，通過反復(fù)迭代尋優(yōu)找到概率分布的極值來定位目標(biāo)，具有計算量小、實時性較強等優(yōu)點，但該算法在目標(biāo)形變情況下較難跟蹤目標(biāo)。Camshift 算法則是對Meanshift 的改進(jìn)，該算法能根據(jù)跟蹤目標(biāo)的形狀大小自動調(diào)整搜索跟蹤框的大小有效解決目標(biāo)形狀變化和旋轉(zhuǎn)的問題[9]。文獻(xiàn)[10]通過Camshift 算法對運動目標(biāo)進(jìn)行跟蹤，該算法能夠解決目標(biāo)旋轉(zhuǎn)和形變問題，但當(dāng)目標(biāo)受到遮擋或背景干擾情況下無法有效跟蹤目標(biāo)。文獻(xiàn)[11]通過改進(jìn)Camshift 算法，引入H，S，V 分量組成三維直方圖作為模板進(jìn)行跟蹤，提高了跟蹤準(zhǔn)確度和魯棒性，但是該方法只考慮了顏色直方圖信息，未考慮目標(biāo)的運動和空間分布特征，較難處理遮擋問題。文獻(xiàn)[12-13]通過在Camshift 算法基礎(chǔ)上引入Kalman 濾波器，成功解決了遮擋問題，但他們所用到的Kalman 濾波器狀態(tài)變量均為四維，未考慮目標(biāo)大小信息，并且其輸出的跟蹤框無法適應(yīng)目標(biāo)大小變化，跟蹤準(zhǔn)確度和魯棒性都有待提高。

本研究針對前述文獻(xiàn)的不足之處，提出了一種基于改進(jìn)Kalman 濾波與Camshift 結(jié)合的目標(biāo)跟蹤算法，通過改進(jìn)Kalman 濾波器算法方程，將原有的4 維度的狀態(tài)變量擴展為8 維，綜合考慮了目標(biāo)的位置、大小以及它們對應(yīng)的速度信息；同時，通過引入Bhattacharyya距離[14]和遮檔率α 來判斷目標(biāo)是否受到遮擋，當(dāng)運動目標(biāo)受到遮擋時，將Kalman 輸出的預(yù)測值作為觀測值進(jìn)行更新，以更新輸出的最優(yōu)狀態(tài)估計值代替Camshift 輸出值作為跟蹤框?qū)崿F(xiàn)對受遮擋目標(biāo)的有效跟蹤。此外，為實現(xiàn)系統(tǒng)的小型化，使其能夠適用于資源受限的情況，本研究在樹莓派4B 平臺打造了基于改進(jìn)Kalman 濾波與Camshift 相結(jié)合的目標(biāo)跟蹤系統(tǒng)，在保證實時性的同時，具有高準(zhǔn)確度和魯棒性。

1 基于改進(jìn)Kalman 濾波與Camshift 相結(jié)合的目標(biāo)跟蹤算法

1.2 改進(jìn)Kalman 濾波與Camshift 結(jié)合的跟蹤算法

Camshift 算法該算法是基于顏色概率分布圖進(jìn)行跟蹤的，具有計算量小、實時性高等優(yōu)點，但存在遮擋情況下無法有效跟蹤目標(biāo)的問題，跟蹤準(zhǔn)確率較低，該算法流程如圖1 所示。

Kalman 濾波包括兩個部分：預(yù)測和校正。預(yù)測過程用來預(yù)測系統(tǒng)當(dāng)前的狀態(tài)變量和誤差協(xié)方差值；校正過程負(fù)責(zé)卡爾曼濾波增益、狀態(tài)值和誤差協(xié)方差的更新[15]。Kalman 濾波器的主要作用是對當(dāng)前時刻的觀測變量和前一時刻的狀態(tài)預(yù)測值來去更新對狀態(tài)變量的估計，求出當(dāng)前時刻的最優(yōu)狀態(tài)估計變量并對其進(jìn)行輸出[16]，Kalman 濾波器算法流程如圖2 所示。

本研究提出一種基于改進(jìn)Kalman 濾波與Camshift相結(jié)合的目標(biāo)跟蹤方法，能夠有效解決跟Camshift跟蹤過程中產(chǎn)生的遮擋干擾問題，實現(xiàn)對物體的持續(xù)跟蹤。

基于Kalman濾波的Camshift改進(jìn)算法有以下步驟。

⑴ 通過樹莓派讀取視頻序列，通過鼠標(biāo)選取第一幀目標(biāo)的跟蹤區(qū)域并以該區(qū)域的中心位置和大小初始化搜索窗口。

⑵ 初始化Kalman 濾波器，并以初始搜索窗口的大小和中心位置初始化狀態(tài)變量X?0。

⑶ 將圖像從RGB 顏色空間轉(zhuǎn)換為HSV 空間，并計算搜索窗口內(nèi)H 通道的顏色直方圖，并對其進(jìn)行反向投影得到顏色概率分布圖[17]。

⑷ 利用MeanShift 跟蹤算法求出最優(yōu)候選區(qū)域，并計算出搜索窗口的質(zhì)心位置和窗口大小。

⑸ 根據(jù)窗口的像素值來綜合調(diào)整窗口大小，并將搜索窗口的中心位置移動到質(zhì)心處，如果移動距離大于閾值，則跳轉(zhuǎn)到第⑷步繼續(xù)往下執(zhí)行；如果搜索窗口中心移動到質(zhì)心的距離小于設(shè)定的閾值，則滿足收斂條件，繼續(xù)向下執(zhí)行。

⑹ 采用巴氏距離d （y）和遮擋率α來判斷目標(biāo)是否受到遮擋，d （y）、α 的計算公式分別如式⑴和式⑵所示，當(dāng)d （y）大于0.65或α 小于0.3時，則判斷為目標(biāo)受到遮擋；反之，則未受到遮擋。

其中，d （y）可以用來比較兩個顏色直方圖的相似度，它的取值范圍在[0，1]之間，值越小表示兩個直方圖越相似；式⑾中Current_area 為當(dāng)前Camshift 算法輸出的搜索窗口大小，Origin_area為初始搜索窗口的大小。

⑺ 如果目標(biāo)未受到遮擋，以Camshift 算法輸出的最優(yōu)搜索窗口中心位置和大小作為跟蹤框標(biāo)注出目標(biāo)在視頻當(dāng)中的位置，并以該值作為觀測變量Zk，用Zk 來更新Kalman 濾波器，得到k 時刻的目標(biāo)質(zhì)心位置和大小的最優(yōu)狀態(tài)估計值X?k，并以該值初始化下一幀搜索窗口的大小和中心位置。

⑼ 最后判斷視頻序列是否結(jié)束，若未結(jié)束則繼續(xù)執(zhí)行下一幀的目標(biāo)跟蹤。

2 實驗測試及分析

為了驗證所提算法的有效性，本研究通過在Raspbian 操作系統(tǒng)上使用Python 語言結(jié)合OpenCV 庫來編寫程序，分別實現(xiàn)基于Camshift 的目標(biāo)跟蹤算法與基于Camshift 與Kalman 結(jié)合的改進(jìn)目標(biāo)跟蹤算法，對目標(biāo)進(jìn)行跟蹤，并設(shè)置多次實驗對兩種算法進(jìn)行性能對比和分析。

2.1 實驗運行環(huán)境

目標(biāo)跟蹤系統(tǒng)硬件環(huán)境主要由樹莓派4B 主板構(gòu)成，本研究通過Win32 Disk Imager 工具將鏡像文件寫入SD 卡中，配置樹莓派連接手機熱點，并使計算機通過MobaXterm_Personal 軟件遠(yuǎn)程連接樹莓派，然后在樹莓派系統(tǒng)中搭建Python 3.7.2 環(huán)境，安裝pip 指令庫，使用pip 指令安裝Numpy（1.21.5），OpenCV（4.5.5）等必要庫，完成在樹莓派上軟件環(huán)境的配置。

2.2 評估指標(biāo)

本研究采用BH 距離和有效幀率r 用來衡量目標(biāo)跟蹤算法的準(zhǔn)確性與魯棒性，有效幀率計算式為：

r = valid_frame/all_frame ⑶

其中，valid_frame 為檢測到的有效幀數(shù)，all_frame 為視頻序列的總幀數(shù)。

2.3 測試結(jié)果

為了驗證所提改進(jìn)算法的有效性，本研究通過樹莓派讀取測試視頻序列進(jìn)行跟蹤實驗，分別將改進(jìn)Kalman 濾波算法與Camshfit 算法跟蹤效果進(jìn)行比較，跟蹤效果如圖3 和圖4 所示。

由圖3 可知，視頻序列當(dāng)中存在一個遮擋物，當(dāng)目標(biāo)未經(jīng)過遮擋物時，Camshift 算法能夠有效跟蹤目標(biāo)，當(dāng)目標(biāo)在第98 幀被部分遮擋時，Camshift 通過縮小輸出的搜索窗口大小能夠?qū)δ繕?biāo)進(jìn)行跟蹤，但在第133 幀，目標(biāo)被完全遮擋，顏色信息完全丟失，導(dǎo)致Camshift 算法輸出的搜索窗口無法與物體匹配上，跟蹤失敗。由圖4 可知，改進(jìn)的Kalman 濾波算法輸出的跟蹤框能夠自適應(yīng)匹配Camshift 算法輸出的搜索窗口大小，當(dāng)目標(biāo)在第133 幀受到遮擋時，通過自適應(yīng)改變a 和h 參數(shù)進(jìn)行預(yù)測和更新來擴大輸出的跟蹤框大小，并標(biāo)注出遮擋目標(biāo)在視頻當(dāng)中的位置，從而實現(xiàn)對其持續(xù)有效的跟蹤。

本研究分別對基于傳統(tǒng)的Camshift 跟蹤算法和改進(jìn)的Camshift 與Kalman 濾波跟蹤算法相結(jié)合在樹莓派上進(jìn)行100 次實驗，分別得到了這兩種算法的平均有效幀率和BH 距離，并進(jìn)行性能對比分析，實驗結(jié)果見表1 和圖5。

根據(jù)表1 的結(jié)果顯示，本文所提改進(jìn)算法有效幀率高達(dá)85.4%，顯著高于傳統(tǒng)Camshift 算法42.6%，平均BH 距離為0.78，相較于傳統(tǒng)Camshift 算法降低了0.27，具有較高的精度和魯棒性。從圖10 可以看出，傳統(tǒng)Camshift 算法在遇到遮擋物后BH 距離基本在0.9左右，表明搜索窗口與跟蹤目標(biāo)的匹配度很低，然而，改進(jìn)算法在遇到遮擋物后，BH 距離會有所提升，但是當(dāng)目標(biāo)越過遮擋物之后，BH 距離會快速下降至0.45左右，更證明了改進(jìn)算法能夠有效跟蹤被遮擋后的目標(biāo)，相較于原算法具有更好的跟蹤性能。

3 結(jié)論

本研究在樹莓派4B 上設(shè)計了一種嵌入式目標(biāo)跟蹤系統(tǒng)，該系統(tǒng)采用了一種改進(jìn)Kalman濾波與Camshift算法相結(jié)合的策略極大改進(jìn)了原始Camshfit 算法在目標(biāo)跟蹤上的缺陷，并解決了傳統(tǒng)Kalman 濾波器未考慮目標(biāo)大小信息無法輸出跟蹤框的問題。實驗結(jié)果表明，所提改進(jìn)算法能夠在遮擋干擾下穩(wěn)定地跟蹤目標(biāo)，在存在遮擋干擾的情況下具有較高的魯棒性和準(zhǔn)確度。此外，該系統(tǒng)在嵌入式平臺上實現(xiàn)，適用于資源受限的環(huán)境，具備較大的應(yīng)用潛力和實際價值。