復雜背景下的運動目標跟蹤技術研究

周慶芳

【摘 要】隨著社會發展需要，基于算法的視頻跟蹤成為一個軟件研發熱點。而Camshift算法作為一種低資源消耗，高可擴展性的算法，是目前視頻跟蹤算法研究的熱點之一，對于需要低成本大范圍運行的視頻跟蹤系統提供了一種有效的解決方案。

【關鍵詞】運動目標跟蹤;Mean shift;Camshift

1.視頻跟蹤概述

視頻目標跟蹤是計算機視覺研究領域的核心要點之一，其研究成果在諸多領域有非常廣泛的實際應用。隨著社會生產設備的升級，越來越多的視頻捕捉設備被應用到生活中，僅2011年，上海市僅為治安監控就設置了超過4000人的專職視頻監控人員，而在其他地區，人均攝像頭比例有的竟高達1：15。計算機視頻處理能發現運動對象同時進行跟蹤，準確標示目標在畫面中的位置，并且隨著畫面內容同步跟進，可以在預先設置好警報事件的情況下為觸發警報的事件報警。

2.Camshift算法簡介

英國薩利大學的的研究成果TLD被認為是目前最高效的視頻目標跟蹤算法，然而該算法是一個面對高配置精確單目標跟蹤的高效算法，卻不是一個普適解決方案。大部分問題都沒有一個普適的最優解，實際問題情況復雜，沒有算法時間空間下界的標準，因此，視頻目標跟蹤的研究和開發工作依然存在著非常巨大的延伸空間。連續自適應的Mean Shift算法（Continuously Adaptive Mean-SHIFT algorithm），最初是Gary、Bradski等人1999年提出的基于mean shift算法的一種人臉追蹤算法。實際上，Camshift算法是Mean Shift算法的一個改進，除了面部跟蹤，它在其他跟蹤問題中依然能達到較好的跟蹤效果。

3.算法流程及實現

Camshift算法過程可以如下描述：

（1）讀取第一幀視頻圖像，將RGB顏色模式轉換為HSV顏色模式，提取出其中的Hue顏色分量。

（2）外界干預選擇確定初始目標及其區域，并以此區域初始化搜索框，統計目標區域的Hue色相直方圖。（如圖1 （a））

（3）以搜索框中心為圓心，根據目標區域的色相概率標注搜索半徑內的像素矩陣，轉換該范圍內圖像為反向投影圖。（如圖1 （b））

（4）對（3）得到的反向投影圖用Mean Shift算法計算出搜索窗新的質心位置，移動搜索框的中心到新計算的質心位置，并更新搜索框大小。

（5）獲取下一幀圖像，用前一幀計算得到的搜索框的中心和大小來初始化當前幀的搜索框，統計目標區域的Hue色相直方圖，轉到（3）圖直到目標離開視頻畫面或視頻畫面序列結束。（如圖1）

Camshift算法可以用的是基于C的OpenCV庫代碼，OpenCV對Camshift主要函數Mean Shift和求反向投影圖函數有良好的優化封裝，執行效率較高，而且執行速度快。

4.本章小結

Camshift算法對背景復雜的彩色視頻適應性強，效率較高，算法流程清晰易懂，具有良好的擴展性。Camshift算法不需要預讀取整個視頻系列，可以逐幀進行，節省存儲空間，同時能實現實時采集系統的跟蹤功能。同時其Mean Shift算法可證明在有限次迭代后總可以得到收斂的結果。

所以Camshift算法作為一種低資源消耗，高可擴展性的算法，是目前視頻跟蹤算法研究的熱點之一，對于需要低成本大范圍運行的視頻跟蹤系統提供了一種有效的解決方案。

【參考文獻】

[1]薛牧青.外媒關注中國大規模安裝攝像頭[N].青年參考，2011年08月10日 （24 版）

[2]Kalal Z， Mikolajczyk K， Matas A J. Tracking-Learning-Detection[J].IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE， 2010.6（1）：1-14

[3]袁國武. 智能視頻監控中的運動目標檢測和跟蹤算法研究[D]. 云南大學， 2012

[4]劉艷麗， 唐先琪， 陳躍東. 基于改進Camshift的運動目標跟蹤算法應用研究[J].安徽工程大學學報，2012.27（2）：74-77

[5]文志強，蔡自興. MeanShift算法的收斂性分析[J]. Journal of Software，2007.2（18）：205-212