一種改進的Camshift結合Kalman濾波的車輛跟蹤定位算法

余江浩+王林

摘要：提出改進的Camshift算法結合Kalman濾波來檢測跟蹤交通擁擠情況下的車輛。Camshift是基于顏色的目標跟蹤，當相同顏色車輛并排行駛時，Camshift算法容易丟失目標， Camshift結合kalman濾波的目標跟蹤運用在道路交通檢測也因為為背景不斷更新而難以定位車輛。本文提出用改進自適應多高斯模型來對背景進行更新，進而再結合kalman濾波對運動目標估計預測來提高Camshift跟蹤定位。實驗結果表明改進后的算法跟蹤定位車輛效果更好。

關鍵詞：OpenCV；車輛跟蹤；Camshift算法；kalman濾波

中圖分類號：TP18 文獻標識碼：A 文章編號：1009-3044（2016）08-0162-02

隨著大數據、互聯網快速發展，產生了海量的數據，越來越多城市道路、高速公路上的網絡攝像頭視頻數據越來越多。越來越多研究學者投入對道路交通車輛跟蹤識別。Yilmaz等學者[1]、Wang[2]和Wu等學者[3]從單網絡探頭和多攝像機跟蹤方面對目標跟蹤算法進行較為詳細的研究，Huang等學者[4]、Andr-eopoulos等學者[5]、Zhang等人[6]對圖像中的目標分類識別算法進行了研究。通過對道路上車輛的速度研究，從相似車輛快速行駛到擁擠狀態下的緩慢行駛。提出一種對數型加權方法來改進kalman濾波算法對目標的預測，提高對目標位置預測的準確率，進而改進修正Camshift預測目標的位置，得到更好的車輛跟蹤效果。

1 傳統的車輛跟蹤算法

目前的車輛跟蹤算法大都是改進的Kalman算法、粒子算法、均值漂移（Me-anshift）算法，本文采用改進后的Camshift結合kalman算法，能提高對運動車輛的實時跟蹤，對速度時快時慢、車輛相似顏色和復雜背景下都能很好地進行車輛跟蹤。

1.1 Kalman濾波

Kalman濾波是一種線性濾波與估計預測方法。Kalman濾波分為2個步驟[7]，預測（predict）和修正（correct）。預測是基于上一時刻狀態對下一時刻估計當前時刻狀態，而修正則是綜合當前時刻的估計狀態與實際觀測狀態，估計出最優的狀態。預測與修正的過程如下：

預測：

2 Camshift算法

Camshift算法[8]實際是自適應MeanShift的算法。它首次由Gary提出和應用在人臉識別。由于它是利用顏色的概率信息進行的跟蹤，使得它的運行效率比較高。Camshift算法的過程由下面步驟組成[15]：

（1）根據搜索車輛確定初始車輛及其區域；

（2）計算零矩陣，x和y的一階矩陣：

（3）確定車輛中心：（x0，y0）；

（4）設定搜索區域顏色概率分布值，迭代搜索，直到其收斂或達到最大迭代次數。并保存零次矩；重復以上步驟。

3 基于非線性加權的Kalman濾波結合Camshift的車輛跟蹤

車輛跟蹤時，目標車輛與其他車輛沒有形成大連通域，即使有噪聲干擾，Camshift算法也能較好地對車輛進行實時跟蹤定位，但是當交通擁堵形成大連通域后再分開或者相同顏色的車同時擁擠通過時，此算法不能準確地分辨待跟蹤的車輛，本文首先使用混合高斯模型進行動態背景更新，同時引入具有計算量小、可實時計算特點的kalman濾波，利用非線性加權的二維Kalman濾波算法預測目標中心位置，進而不斷修正Camshift的預測目標質心。下面是本文提出的一種線性加權，權值是非線性表達式。

4 實驗結果及分析

實驗表明，其他車輛目標干擾情況下，特別是當目標車輛顏色相近超車時，只用Cam-shift算法跟蹤失敗，引入改進的Kalman濾波算法后，增強了跟蹤的穩定性。圖2和圖3是引入改進Kalman濾波結合Camshift算法前后的對比實驗效果，從用矩形框鎖定跟蹤的目標可以看出，采用Camshift算法時搜索窗口較大，車輛較多時形成連通域后再分開時，目標車輛跟蹤容易失敗，跟蹤窗口容易跳動。本文對算法的改進后，成功實現了車輛跟蹤，排除了其他車道的干擾，且搜索窗口比較小，丟失后能二次搜索或者擴大區域搜索。

文中以Camshift算法輸出的質心位置為測量信號，采用Kalman濾波算法校正目標中心位置，克服了Camshift算法的缺陷。改進后的Camshift算法結合Kalman 濾波能實時、準確地跟蹤車輛，能有效地處理干擾和目標部分被遮擋等問題，為下一步的行為分析作基礎。本文介紹了OpenCV函數庫，搭建VS2013+OpenCV2.4.9開發平臺。 提取單幀視頻圖像或者攝像頭實時圖像，采用各種算法對其進行圖像預處理，并對處理效果進行分析比較；綜合比較背景檢測幾種常用的方法，使用一種自適應混合高斯模型背景檢測算法，在閉值選擇方面使用OTSU閉值算法，得到較為精確的運動目標背景。但是對于背景復雜或者目標色度值很低的時候會出現跟丟的情況。由于研究時間和所學知識所限，我對本領域的相當一些內容了解還不夠透徹，仍有很多難題需要解決，如陰影的去除，目標的重疊，以及目標與背景色彩相近時的辨別，以及程序移植到嵌入式系統中的問題，同時程序本身也需要進一步地修改完善。

參考文獻：

[1] Kishore K， Mubarak K. Identification of 50 human action network video[J]. Computer vision and applications， 2013（5）.

[2] 詹群峰. 基于OpenCV的視頻道路車輛檢測與跟蹤[D].福建：廈門大學，2009.

[3] 黃凱奇，陳曉棠，康運鋒，等.智能視頻監控技術綜述[J].計算機學報，2015（6）.

[4] 陳曉棠.非重疊場景下的跨攝像機目標跟蹤研究[D].中國科學院，2013.

[5] Wang Heng， Cordelia Schmid， Liu Chenglin. Dense motion trajectory and moving boundary descriptor for motion recognition. International Journal of computer vision，2013（1）.