結(jié)合Kalman濾波和LBP紋理的CAMShift改進(jìn)算法

于國慶 吳賽敏

摘 ?要： 針對傳統(tǒng)CAMShift算法，在顏色相似干擾、目標(biāo)快速運(yùn)動(dòng)等復(fù)雜背景中跟蹤目標(biāo)丟失的問題，提出一種結(jié)合Kalman濾波和LBP紋理的CAMShift改進(jìn)算法。為了驗(yàn)證提出算法的合理性，使用農(nóng)田作業(yè)機(jī)械安裝的攝像頭實(shí)現(xiàn)圖像的動(dòng)態(tài)采集，選取圖像中的特定目標(biāo)作為目標(biāo)模板，采用Kalman濾波器預(yù)測下一幀特定目標(biāo)的位置區(qū)域，用改進(jìn)LBP算法的紋理特征與色彩概率分布圖進(jìn)行相與運(yùn)算，將得到的結(jié)果應(yīng)用到特定目標(biāo)跟蹤中。實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的算法在跟蹤特定目標(biāo)方面具有較高的準(zhǔn)確性和魯棒性。

關(guān)鍵詞： CAMshift算法; Kalman濾波器; LBP紋理; 圖像采集; 位置預(yù)測; 目標(biāo)跟蹤

中圖分類號： TN713?34; TP391.41 ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識碼： A ? ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2020）12?0065?04

Abstract： As the traditional CAMShift algorithm has the problem that the tracking object is lost in the complex backgrounds such as color similarity interference and fast target motion， an improved CAMShift algorithm combining with Kalman filtering and LBP texture is proposed. In order to verify the rationality of the proposed algorithm， the dynamic image acquisition is realized by the camera installed by the farm machinery， the specific objective in the images are selected as the target template， and the Kalman filter is used to predict the location area of the specific targets in the next frame. The texture feature and color probability distribution map of the improved LBP algorithm are combined and operated， and the obtained results are applied to the specific target tracking. The experimental results show that the improved algorithm has has higher accuracy and robustness in tracking specific targets.

Keywords： CAMshift algorithm; Kalman filter; LBP texture; image collection; location prediction; target tracking

0 ?引 ?言

在計(jì)算機(jī)視覺研究領(lǐng)域，目標(biāo)跟蹤問題是當(dāng)前研究的熱點(diǎn)話題[1]。近年來，Meanshift算法已被廣泛應(yīng)用于目標(biāo)跟蹤，但也有不足之處。當(dāng)跟蹤目標(biāo)的尺度發(fā)生變化時(shí)， Meanshift算法[2]無法對目標(biāo)模型進(jìn)行更新，影響目標(biāo)跟蹤的準(zhǔn)確性。

為解決Meanshift算法無法實(shí)時(shí)更新目標(biāo)模型的問題，Bradski在Meanshift算法的基礎(chǔ)上提出CAMShift算法，它是一種基于顏色概率信息的半自動(dòng)跟蹤算法[3]，當(dāng)存在顏色相似、目標(biāo)快速運(yùn)動(dòng)等干擾時(shí)，會(huì)出現(xiàn)目標(biāo)跟蹤丟失的情況。為解決目標(biāo)快速運(yùn)動(dòng)導(dǎo)致跟蹤效果不理想的問題，國內(nèi)外學(xué)者對CAMShift算法進(jìn)行了改進(jìn)，Huang等人提出采用Kalman濾波器預(yù)測下一幀中特定目標(biāo)的位置，但目標(biāo)位置的準(zhǔn)確性會(huì)受到顏色相似干擾的影響[4]。為解決顏色相近干擾問題，Ojala等人提出了LBP算法[5]，它計(jì)算量小，滿足實(shí)時(shí)跟蹤目標(biāo)的需求，將LBP特征融合CAMShift算法中，解決了傳統(tǒng)CAMShift算法以顏色概率特征跟蹤的不足。

針對目標(biāo)快速運(yùn)動(dòng)、顏色干擾導(dǎo)致目標(biāo)跟蹤丟失的問題，提出一種結(jié)合Kalman濾波和LBP紋理的CAMShift改進(jìn)算法。利用色彩概率分布圖和紋理概率分布圖的融合來確定跟蹤目標(biāo)的特征。為了減少CAMShift算法的計(jì)算量，可利用Kalman濾波[6]預(yù)測特定目標(biāo)位置區(qū)域。實(shí)驗(yàn)結(jié)果證明，本文提出的方法能更準(zhǔn)確地跟蹤特定目標(biāo)。

1 ?算法研究

1.1 ?CAMShift算法

CAMShift算法以視頻圖像中的目標(biāo)顏色信息為基礎(chǔ)進(jìn)行跟蹤。另外，該算法可根據(jù)特定目標(biāo)尺度變化連續(xù)調(diào)整搜索窗口的大小，視頻的每幀圖像都采用Meanshift算法來找最佳迭代結(jié)果[7?8]。算法的思想過程如下[9]：

1） 選擇特定跟蹤目標(biāo)作為模板目標(biāo)，確定搜索窗口的大小;

2） 計(jì)算搜索窗口的色彩概率分布圖;

3） 用Meanshift算法迭代當(dāng)前幀的搜索窗口;

4） 由步驟3）獲得的搜索窗口信息繼續(xù)跟蹤下一幀圖像，再執(zhí)行步驟2）以實(shí)現(xiàn)目標(biāo)的連續(xù)跟蹤。

1.2 ?LBP算法

局部二值模式（LBP）算法分析固定區(qū)域內(nèi)相鄰像素灰度值和中心像素的灰度值，最終得到LBP紋理特征。LBP算子的計(jì)算過程如圖1所示。

為減少算法的計(jì)算量，可根據(jù)特定目標(biāo)的信息利用Kalman濾波器預(yù)測下一幀圖像中特定目標(biāo)的位置區(qū)域[12]。

2 ?結(jié)合Kalman濾波和LBP紋理的CAMShift改進(jìn)算法

在視頻圖像的特定目標(biāo)跟蹤過程中，如果存在顏色相似干擾，采用傳統(tǒng)CAMShift算法跟蹤目標(biāo)時(shí)，跟蹤的準(zhǔn)確度下降，甚至發(fā)生丟失現(xiàn)象，而此時(shí)用改進(jìn)的LBP算法融合CAMShift算法，有效地解決了顏色相近干擾問題。另外，利用Kalman濾波器估計(jì)特定目標(biāo)的位置，不僅降低了LBP紋理的改進(jìn)型CAMShift算法的計(jì)算量，還提高了目標(biāo)跟蹤的有效性。因此，將LBP紋理的改進(jìn)型CAMShift算法和Kalman濾波器相組合，得到了結(jié)合Kalman濾波器和LBP紋理的CAMShift改進(jìn)算法，具體步驟如下：

1） 讀取視頻序列，選取特定目標(biāo);

2） 確定搜索窗口并初始化卡爾曼濾波器的相關(guān)參數(shù);

3） 利用Kalman濾波器預(yù)測特定目標(biāo)在下一幀中的位置;

4） 根據(jù)特定目標(biāo)的顏色特征，用CAMShift算法統(tǒng)計(jì)搜索窗口的直方圖，通過反向投影獲得色彩概率分布圖;

5） 當(dāng)前幀的搜索窗口內(nèi)每一個(gè)像素與其周圍8個(gè)點(diǎn)的像素值進(jìn)行比較，統(tǒng)計(jì)搜索窗口中各個(gè)紋理級別像素的個(gè)數(shù)，用紋理直方圖的形式表示，將得到的紋理直方圖反向投影，得到紋理概率分布圖;

6） 將紋理概率分布圖與色彩概率分布圖進(jìn)行相與運(yùn)算，得到的灰度圖像作為CAMShift算法的輸入圖像，以便確定當(dāng)前幀的候選目標(biāo)信息;

7） 在下一幀圖像中，將步驟6）中得到的候選目標(biāo)的信息更新Kalman濾波器，確定搜索窗口，返回步驟3）繼續(xù)執(zhí)行，連續(xù)跟蹤目標(biāo)。

改進(jìn)算法的流程圖如圖2所示。

3 ?實(shí)驗(yàn)結(jié)果分析

實(shí)驗(yàn)在VS2010開發(fā)平臺(tái)上進(jìn)行仿真，利用VC++語言和開源代碼OpenCV聯(lián)合編程實(shí)現(xiàn)。由安裝在農(nóng)田作業(yè)機(jī)械上的USB攝像頭拍攝的視頻作為測試序列，選取視頻圖像中的特定目標(biāo)進(jìn)行跟蹤，驗(yàn)證改進(jìn)后的算法在目標(biāo)跟蹤方面，具有較高的準(zhǔn)確性和魯棒性。

本文使用兩組視頻圖像分別在農(nóng)田作業(yè)機(jī)械快速運(yùn)動(dòng)和存在相似顏色背景情況下對本文算法進(jìn)行驗(yàn)證。圖3、圖4為安裝攝像頭的農(nóng)田作業(yè)機(jī)械做快速運(yùn)動(dòng)時(shí)，拍攝的視頻圖像。在圖3中，從第12～43幀農(nóng)田作業(yè)機(jī)械快速運(yùn)動(dòng)時(shí)，矩形框逐漸變大，不能很精確地跟蹤特定目標(biāo)，產(chǎn)生很大的誤差，甚至往后的視頻圖像中出現(xiàn)跟蹤丟失目標(biāo)現(xiàn)象，所以傳統(tǒng)CAMShift算法在穩(wěn)定性和效果方面有一定的降低。圖4采用改進(jìn)后的算法來跟蹤特定目標(biāo)，在第12～43幀中，矩形框可更準(zhǔn)確地跟蹤目標(biāo)，這是由于局部二值模式反映的是圖像的紋理特征，即使出現(xiàn)外部因素的變化時(shí)，局部二值模式的值也不變。因此改進(jìn)后的算法在特定目標(biāo)跟蹤方面穩(wěn)定性較好。

圖5、圖6為顏色相似干擾的復(fù)雜背景環(huán)境、農(nóng)田作業(yè)機(jī)械勻速運(yùn)動(dòng)時(shí)的代表圖片，將遺落的農(nóng)作物作為跟蹤的特定目標(biāo)，選取第28幀視頻圖像的農(nóng)作物作為跟蹤特定目標(biāo)的初始幀。圖5僅采用傳統(tǒng)的CAMShift算法跟蹤農(nóng)作物，地里的玉米秸稈對目標(biāo)跟蹤造成了干擾，可以看出從第56幀開始，跟蹤目標(biāo)的矩形框逐漸變大，直到第68幀矩形框幾乎遍布整個(gè)圖像，出現(xiàn)目標(biāo)丟失情況。這是因?yàn)閭鹘y(tǒng)的CAMShift算法以顏色特征作為目標(biāo)跟蹤的主要依據(jù)，所以存在顏色干擾時(shí)，跟蹤效果較差。圖6采用改進(jìn)后的跟蹤算法，視頻圖像中的農(nóng)作物與周圍環(huán)境顏色相似，但跟蹤并沒有受到干擾物影響，農(nóng)作物得到了很好的跟蹤，并未出現(xiàn)丟失跟蹤目標(biāo)的情況。

4 ?結(jié) ?語

為了提高傳統(tǒng)CAMShift算法在目標(biāo)跟蹤方面的準(zhǔn)確性和魯棒性，本文提出一種結(jié)合Kalman濾波和LBP紋理的CAMShift改進(jìn)算法。該算法將紋理概率分布圖與色彩概率分布圖進(jìn)行融合，作為目標(biāo)特征進(jìn)行跟蹤，當(dāng)存在目標(biāo)與背景顏色大面積相似干擾時(shí)，不會(huì)影響目標(biāo)跟蹤的效果，并用Kalman濾波器估計(jì)特定目標(biāo)的位置，解決了農(nóng)田作業(yè)機(jī)械快速運(yùn)動(dòng)時(shí)目標(biāo)丟失的問題。實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的算法在目標(biāo)跟蹤方面達(dá)到了期望的效果，具有較高的準(zhǔn)確性和魯棒性，是一種可以進(jìn)行廣泛應(yīng)用的算法。

參考文獻(xiàn)

[1] 高琳，唐鵬，盛鵬，等.復(fù)雜場景下基于條件隨機(jī)場的視覺目標(biāo)跟蹤[J].光學(xué)學(xué)報(bào)，2010，30（6）：1721?1728.

[2] SUN J. A fast Meanshift algorithm?based target tracking system [J]. Sensors， 2012， 12（6）： 8218?8235.

[3] 陳向平，李平.基于色彩特征的CamShift視頻圖像汽車流量檢測[J].沈陽工業(yè)大學(xué)學(xué)報(bào)，2015，37（2）：183?188.

[4] HUANG S L， HONG J X. Moving object tracking system based on camshaft and Kalman filter [C]// International Conference on Consumer Electronics， Communications and Network. Xianning： IEEE， 2011： 1423?1426.

[5] OJALA T， VALKEALAHTI K， OJA E， et al. Texture discrimination with multi?dimensional distributions of signed gray level differences [J]. Pattern recognition， 2001， 34（3）： 727?739.

[6] 瞿衛(wèi)欣，程承旗.基于Kalman濾波的Camshift運(yùn)動(dòng)跟蹤算法[J].北京大學(xué)學(xué)報(bào)（自然科學(xué)版），2015，51（5）：799?803.

[7] 尚波，胡鵬，柳玉炯.基于改進(jìn)Mean?shift與自適應(yīng)Kalman濾波的視頻目標(biāo)跟蹤[J].計(jì)算機(jī)應(yīng)用，2010，30（6）：1573?1576.

[8] 儲(chǔ)珺，杜立輝，汪凌峰，等.基于局部背景感知的目標(biāo)跟蹤[J].自動(dòng)化學(xué)報(bào)，2012，38（6）：1985?1995.

[9] 劉士榮，孫凱，張波濤，等.基于改進(jìn)CamShift算法的移動(dòng)機(jī)器人運(yùn)動(dòng)目標(biāo)跟蹤[J].華中科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2011，39（z2）：223?226.

[10] 劉富，宗宇軒，康冰，等.基于優(yōu)化紋理特征的手背靜脈識別系統(tǒng)[J].吉林大學(xué)學(xué)報(bào)（工學(xué)版），2017（11）：1?6.

[11] 余彥霖，祖家奎，廖智麟.基于卡爾曼濾波的MUH姿態(tài)信號融合算法研究[J].電子測量技術(shù)，2015，38（5）：106?110.

[12] HOWARD M， PAUL Z. Fundamentals of Kalman filtering： a practical approach， second edition [J]. Progress in astronautics & aeronautics， 2015， 190（8）： 8218?8235.