Kalman濾波融合優化Mean Shift的目標跟蹤探討

摘 要：Mean Shift目標跟蹤算法具有簡單穩定的特性，因此被廣泛地應用于目標跟蹤實際行動中，但同時也存在一定的局限性，在被跟蹤目標和目標所在背景的顏色比較接近、目標正在快速運動或者存在較大比例遮蔽物遮擋目標時，Mean Shift目標跟蹤算法由于缺少相應的空間信息，經常導致無法識別相似度量函數，使跟蹤任務失敗。為了避免這些情況的發生，提高目標跟蹤效率，文章根據Mean Shift算法在空間顏色以及相似度量方面的缺陷，提出了Kalman濾波和Mean Shift算法融合的優化目標跟蹤方法，即使用Kalman濾波根據目標運動狀態確定Mean shift目標跟蹤算法的初始跟蹤位置，然后搜索鄰近區域內的目標位置并建立目標模型，最后根據相似系數匹配確定最終位置，如此迭代，以達到準確跟蹤運動目標的目的。

關鍵詞：Kalman 濾波；Mean Shift算法；融合優化；目標跟蹤；目標運動狀態突變

引言

為了提升目標跟蹤效果，文章結合這兩種目標跟蹤算法的優缺點進行實驗分析，提出了Kalman濾波融合優化Mean Shift的目標跟蹤算法，解決了目標跟蹤中目標遮擋、速度過快、背景變化等情況造成的無法跟蹤問題。

1 Mean Shift 目標跟蹤算法

Mean Shift 目標跟蹤算法是一個利用均值漂移向量對目標進行迭代跟蹤，通過核函數顏色直方圖建模描述目標特征，同時使用相似性函數度量被跟蹤運動目標模型和當前幀候選模型相似性，比對相似性函數大小確定目標的Mean shift向量，進而通過不斷迭代計算確定目標實際位置，以達到跟蹤目的的過程。整個過程可以分為四大階段：

1.1 目標模型的描述

首先，確立目標模型需要建立一個目標模型的坐標系。假設x0為目標模型的中心坐標，并規定{xi}，i=1，2，…，n為其各像素坐標位置集合，m為核函數顏色直方圖特征個數，概率特征為u，則可建立目標模型表達式。當用一個單調遞減的各向同性凸核函數k（x）對目標模型各點進行加權時，由于靠近邊界的像素值非常容易被背景干擾或者被遮蔽物遮擋等原因，離目標模板中心距離越近的位置的像素點權重越大，而目標像素位置與模型中心距離越遠所受的影響越小。

1.2 候選目標模型的描述

Mean Shift算法是通過迭代的方式進行目標跟蹤的，迭代起始于候選區域，即當前幀的后一幀圖像中原來目標所在區域，而候選目標模型即為在候選區域所得的目標核直方圖特征。我們可以采用與建立目標模型表達式同樣的方式建立候選目標模型計算表達式，然后進行相應的計算分析。

1.3 相似性函數

相似形函數是用來將前后兩幀目標模型圖像與候選目標模型圖像進行比較重要關鍵數據。通常使用Bhattacharyya系數來進行相似度描述，該系數范圍在0～1之間，數值越大表明目標圖像與候選目標圖像越相似，證明兩個圖像離散分布間的距離越小。

1.4 目標定位

Mean shift算法是通過反復迭代定位的，為了使相似性函數達到最大值，必須在前一幀的y0起始基礎上尋找后一幀y1位置，并以此類推，只有當‖yb-y0‖<ε時，y=y1，才能確定后一幀的最終位置，進行下一幀候選核直方圖計算，重復計算得到均值便宜向量，如此迭代以得到最終目標位置。

2 Kalman濾波融合Mean Shift目標跟蹤仿真

將Kalman濾波與Mean Shift算法融合進行仿真目標跟蹤，主要包括三個步驟，即初始化分割運動目標、提取運動目標的特征、使用優化的Mean Shift算法融合Kalman濾波器實現目標跟蹤，通過此系列步驟形成一個完整快速準確的目標跟蹤系統。

2.1 初始的運動目標分割

運動目標分割是為了將需要被跟蹤的運動目標分離出來并提取其能夠用于跟蹤的特征，我們經常使用傳統簡單的幀差法與區域生長算法對感興趣的運動目標進行有效分割。

2.2 提取運動目標特征

在指定運動目標后，假設目標處于背景靜止的初始狀態，通過將檢測到的連續幀模板圖像轉化為灰度直方圖，根據概率分布圖像的反向投影結果分析其差分信息，提取運動目標的特征結果。

2.3 使用優化的Mean Shift算法融合Kalman濾波器實現目標跟蹤

使用優化的Mean Shift算法融合Kalman濾波器實現目標跟蹤，首先需要對Mean Shift算法進行優化，根本目的是使搜索框的重心通過不斷地計算調整達到匯聚的效果，這可以通過區域內的概率分布圖像與模板反向投影特征的符合度來進行評判。其次，需要結合Kalman濾波器，因為在運動目標速度過快或光線變化較大的情況下，Mean Shift算法已經不能滿足要求，需要Kalman濾波器對目標運動的動態系統進行一個狀態序列的線性計算。通常，采用可以以任一點為起點并且計算量小、可實時計算的遞歸濾波方法。最后，確定目標的狀態模型并據此進行計算分析，得到Kalman濾波的跟蹤過程，預測跟蹤目標在當前幀的可能所在位置，進而結合Mean Shift算法找到最佳匹配位置，實現運動目標檢測和實時跟蹤。

3 結果與性能分析

本次實驗平臺為 Matlab 7.0，2G內存，硬件配置是Pentium，雙核2.6GHz中央處理器，操作系統為Windows XP，取灰度級m=16。

實驗結果表明，在運動目標被遮擋之前，文章算法與對比算法都能有效跟蹤目標，當目標被遮擋后，文章算法表現出了良好的穩定性，且隨著遮擋的范圍增加，對比算法根本無法追蹤目標，而文章算法由于及時更新，提高了對遮擋的不敏感性，具有較高的追蹤精度；目標旋轉跟蹤時，對比算法會出現明顯的漂移現象，甚至完全失敗，而Kalman濾波融合優化Mean Shift目標跟蹤算法采用灰度相似性匹配方式，及時更新模板，適應了旋轉目標，能夠有效跟蹤。

從實驗結果分析可以得出，Kalman濾波融合優化Mean Shift目標跟蹤算法在目標被部分遮擋時，不會出現跟蹤區域偏離的情況，跟蹤穩定，并且迭代時間縮短，距離誤差減小；目標被嚴重遮擋時，依然可以保持良好的狀態跟蹤目標，不會出現跟丟的情況，跟蹤誤差距離及迭代次數也相對降低；而對于目標的旋轉和變形，Kalman濾波融合優化Mean Shift目標跟蹤算法隨著跟蹤模板的不斷更新表現出了極高的不敏感性及跟蹤穩定性，沒有如對比算法一樣出現跟蹤窗口偏離的情況。同時，跟蹤失敗次數、跟蹤誤差距離和算法迭代時間也都有所減少。

根據以上結論分析可得出，Kalman濾波融合優化Mean Shift目標跟蹤算法與其他跟蹤算法相比，跟蹤失敗次數明顯減少，并且跟蹤精度高，迭代次數和時間少，具有良好的實時性和魯棒性，具有非常高的實用價值。

參考文獻

[1]楊海燕，李春光，劉國棟.基于Kalman 濾波和改進的 Mean Shift 算法的目標跟蹤[J].江南大學學報（自然科學版），2013，12（6）：693-697.

[2]姜濤，蔣元友，廖敏江.基于Mean Shift和Kalman濾波相結合的運動目標跟蹤方法[J].廣東通信技術，2015，1：42-46.

[3]韓濤，吳衡，張虎龍.Kalman濾波融合優化Mean Shift的目標跟蹤算法[J].光電工程，2014，41（6）：56-62.