Camshift目標跟蹤算法改進研究

王偉程

(上海理工大學，上海 200093)

運動目標跟蹤一直是計算機視覺研究領域的熱門課題之一，它是視頻監(jiān)控和安防系統(tǒng)中不可或缺的一部分。傳統(tǒng)的目標跟蹤方法通常存在著魯棒性和實時性的矛盾，一般情況下，在視頻圖像序列中，被跟蹤的物體存在著旋轉、被遮擋、與背景相融合等現(xiàn)象，在進行目標跟蹤時，利用簡單的模板匹配方法難以達到理想的效果，且容易出現(xiàn)誤匹配和目標跟蹤丟失等情況。

目前，傳統(tǒng)的Camshift算法被用來解決上述問題，該算法利用目標的顏色直方圖表示目標顏色概率出現(xiàn)的大小，目標的顏色直方圖僅和目標自身的顏色相關，不受其形狀變化的影響，可以有效地解決物體變形的問題。雖然傳統(tǒng)的Camshift算法原理簡單，運算效率高，然而卻無法很好地處理物體被遮擋或與背景融合等情況。針對傳統(tǒng)的Camshift算法的不足之處，本文在傳統(tǒng)Camshift目標跟蹤方法的基礎上，提出了Kalman濾波算法預測運動目標位置和粒子濾波算法進行目標中心位置校正的Camshift改進算法，并通過實驗驗證了該算法的有效性和魯棒性。

1 Camshift算法

Camshift算法是對Mean-Shift算法的改進，Camshift算法能夠根據(jù)目標的形變大小自動調節(jié)搜索窗口大小來適應目標尺寸的變化，從而可以有效地避免物體形變導致的目標丟失情況，Camshift算法主要包括反向投影、Mean-Shift算法、自適應迭代過程[1]。

Camshift算法以視頻圖像中目標的顏色信息作為特征，對輸入的每幀圖像分別作Mean-Shift運算，并將上一幀得到的目標中心和搜索窗口大小[2]作為下一幀Mean-Shift算法的目標中心和搜索窗口大小的初始化值[3]，進行迭代運算，直到迭代終止或滿足搜索要求為止，實現(xiàn)了目標的連續(xù)跟蹤。

1.1 反向投影

RGB顏色空間對光照亮度變化敏感，在目標跟蹤中為了減少光照強度變化對目標跟蹤的影響，將目標圖像由RGB顏色空間映射到HSV顏色空間進行處理。HSV顏色空間中的H表示物體顏色色調，它直觀地反映了物體的顏色信息，根據(jù)圖像中H統(tǒng)計的顏色色調目標直方圖，計算得到目標圖像的顏色概率查找表。將輸入的每幀圖像的像素值用顏色概率查找表中對應的值進行替換，并歸一化到[0， 255]像素值范圍內，從而得到圖像的顏色概率分布，如圖1所示，圖像反向投影顏色概率分布是一張灰度圖。

圖1 圖像反向投影顏色概率分布示意

1.2 Mean-Shift算法

Mean-Shift算法是一種非參數(shù)密度梯度估計算法[4]，它根據(jù)搜索框的樣本點反復迭代搜索目標圖像特征空間中樣本點最密集的區(qū)域，搜索點沿著樣本點密度增加最快的方向“漂移”到局部密度極大值點處，Mean-Shift算法設立1個“漂移”閾值和迭代終止條件，從而尋找到目標位置。Mean-Shift算法原理簡單、計算復雜度小，算法流程示意如圖2所示。實現(xiàn)的過程包括如下步驟：

1) 設置搜索窗的初始大小和位置。

2) 計算搜索窗的重心。

3) 將搜索窗的中心設置在重心處，迭代移動搜索框的重心到質心處。

4) 每幀圖像重復步驟2)和3)，直至迭代收斂或迭代計算的搜索窗質心移動的距離小于設定的移動閾值。設I(x，y)是圖像概率分布圖中位于(x，y)處的像素值，則有：

1.3 自適應迭代過程

Camshift算法是對視頻序列中每幀圖像分別作Mean-Shift運算，將位置結果和目標大小作為下一幀Mean-Shift算法搜索窗位置的中心和搜索框大小的初始化值[5]，進行迭代運算以實現(xiàn)對視頻圖像中目標的持續(xù)跟蹤。

1.4 粒子濾波算法

粒子濾波算法又被稱為條件概率密度傳播算法，核心思想是用狀態(tài)空間傳播的隨機樣本對概率密度函數(shù)進行近似計算[6]，以樣本均值結果替代積分結果，從而獲得狀態(tài)最小方差分布的過程。當樣本容量很大時，該方法近似于狀態(tài)變量的真實后驗概率分布，從而接近最優(yōu)的貝葉斯估計。

狀態(tài)轉移方程如式(1)所示：

x(t)=f(x(t-1),u(t),w(t))

(1)

觀測方程如式(2)所示：

y(t)=h(x(t),e(t))

(2)

式中：x(t)——粒子的t時刻狀態(tài)；u(t)——控制量；w(t)，e(t)——狀態(tài)噪音和觀測噪音。開始時，由于初始狀態(tài)x(0)沒有前項參考值，因此認為x(0)平均地分布在整個狀態(tài)空間；然后將所有采樣值代入狀態(tài)轉移方程中，得到初始化預測粒子。

粒子濾波算法主要包括下面幾個階段：

1) 預測階段。粒子濾波算法根據(jù)x(t-1)的概率分布情況生成大量的采樣，樣本點即為粒子，根據(jù)狀態(tài)轉移方程和控制量可以得到每個粒子的預測粒子。

2) 校正階段。觀測值y到達后，利用觀測方程即條件概率P(y|xi)對所有的粒子進行評價。條件概率指： 假設真實狀態(tài)x(t)取第i個粒子xi時，獲得觀測y的概率值，令P為第i個粒子的概率值，然后計算圖像幀的所有粒子的概率值，從而得到每個粒子的概率值。

3) 重新采樣。根據(jù)粒子退化程度判斷是否需要重新采樣，重新采樣的目的是去除概率低的粒子，盡可能地復制概率高的粒子，從而估算出需要的真實狀態(tài)x(t)。重新采樣后的粒子集對應真實狀態(tài)的概率分布情況，再次迭代濾波時，將重新采樣后的粒子集輸入到狀態(tài)轉移方程中，即可得到預測粒子集。

粒子濾波算法根據(jù)粒子和目標的相似性，不斷地更新粒子的權重，在粒子退化嚴重時，須重新采樣。從上面的算法和圖2所示的流程圖中可以看出，粒子濾波的計算復雜度隨著粒子數(shù)目的增加而增加。相比于Mean-Shift算法，粒子濾波算法擁有較好的跟蹤魯棒性。

圖2 粒子濾波算法流程示意

2 算法改進

Camshift算法復雜度低、計算量小，具有良好的實時跟蹤性。當目標被遮擋時，Camshift算法跟蹤目標易發(fā)生錯誤，會造成跟蹤目標丟失的情況。針對Camshift算法的不足之處，文中提出了一種改進的Camshift算法[7]。運用Kalman算法預測當前幀目標的中心位置，并結合粒子濾波算法校正搜索目標中心[8]。

1) 運用Kalman算法預測當前幀目標的中心位置，并對每幀圖像進行Camshift運算，將得到的實際結果反饋給Kalman濾波器修正參數(shù)[9]，進而預測跟蹤目標的下一幀位置[3]，形成1個目標位置反饋環(huán)路。利用Kalman濾波改進的Camshift算法[10-11]如圖3所示。

2) 跟Camshift算法相比，根據(jù)Kalman算法改進的Camshift算法[9]在物體被遮擋時能有效地跟蹤到物體，擁有更強的跟蹤魯棒性。然而，由于Kalman的預測是基于物體前期狀態(tài)進行預測，當跟蹤物體被長時間遮擋或改變運動路徑時，由Kalman算法改進的Camshift算法難以在被跟蹤物體再次出現(xiàn)時進行有效跟蹤[10]。針對該問題，本文引入粒子濾波算法進行目標中心位置校正，粒子濾波的改進作用是在物體長時間被遮擋后當再次出現(xiàn)時能被快速的捕捉，并把粒子濾波計算得到的期望位置反饋給Camshift算法，完成后續(xù)跟蹤，達到增強跟蹤魯棒性的作用，改進算法流程如圖4所示。

圖4 改進的Camshift算法示意

首先初始化目標圖像窗口，標定待跟蹤物體，初始化Kalman濾波器，在Kalman期望的位置附近使用Camshift算法搜索目標圖像，把檢測到的目標圖像的實際位置反饋給Kalman濾波器更新Kalman參數(shù)值。在連續(xù)的視頻幀中，每10幀圖像使用粒子濾波算法計算目標期望中心，并把期望中心對Kalman的期望中心進行一次參數(shù)校正處理，對于長時間遮擋的物體，當它再次出現(xiàn)時能夠及時有效地校正Kalman的中心，使得長時間遮擋的物體再次出現(xiàn)時能夠得到有效的跟蹤。

3 實驗結果及分析

軟件調試環(huán)境為visual studio 2017，圖5～圖7顯示了運動目標跟蹤的情況，圖中標定的物體是方形盒子，最大的方框是Kalman濾波算法和粒子濾波算法改進的Camshift算法跟蹤物體搜索出的矩形框，細框代表單個粒子濾波粒子產(chǎn)生的期望方框。

3.1 不規(guī)則運動

跟蹤物體在平面內做不規(guī)則運動，通過圖5所示的4幅圖像可以看出，改進的算法能夠很好地跟蹤平面內的運動物體，并沒有造成丟失和誤匹配等問題。該實驗表明： 改進的算法能夠有效地跟蹤不規(guī)則運動物體。

3.2 運動物體被遮擋的情況下和傳統(tǒng)的Camshift算法比較

圖6～圖7中的4幅圖像分別代表物體未被遮擋、物體被半遮擋、物體被完全遮擋以及物體被遮擋后再次出現(xiàn)時算法對物體的跟蹤情況，圖6表示使用傳統(tǒng)的Camshift跟蹤算法，圖7表示使用改進的Camshift跟蹤算法。可以看出，隨著物體被遮擋程度的提高，傳統(tǒng)的Camshift算法對物體的跟蹤能力越來越差，而本文提出的改進Camshift算法始終可以有效地跟蹤物體。另外，當物體被遮擋后再次出現(xiàn)時，傳統(tǒng)的Camshift算法未能準確地跟蹤到物體，而本文提出的改進Camshift算法可以實現(xiàn)該功能。

圖6 傳統(tǒng)Camshift跟蹤算法示意

圖7 改進Camshift跟蹤算法示意

實驗結果表明： 與傳統(tǒng)的Camshift算法比較可以看出，改進的Camshift算法具有更強的魯棒性，傳統(tǒng)的Camshift算法容易發(fā)生錯誤的跟蹤，當物體長時間被遮擋后，被跟蹤物體再次出現(xiàn)時，傳統(tǒng)的Camshift算法未能成功檢測并重新跟蹤。因此，改進的Camshift算法在魯棒性和穩(wěn)定性上優(yōu)于傳統(tǒng)的Camshift算法。

4 結束語

本文提出了結合Kalman濾波和粒子濾波算法改進的Camshift算法，該算法在跟蹤實驗中表現(xiàn)出良好的跟蹤性能。該算法首先在Camshift算法基礎上利用Kalman對搜索窗口進行運動位置預測，然后引入粒子濾波算法校正Camshift的目標中心位置。實驗結果表明： 改進的Camshift算法可以在不影響跟蹤實時性的前提下有效提高目標跟蹤的魯棒性。