基于Camshift 算法的運動目標(biāo)跟蹤系統(tǒng)研究

趙海茹，李玉秀，李國瑞，崔建紅，李銀兵

（玉溪師范學(xué)院 物理與電子工程學(xué)院，云南 玉溪 653100）

隨著智能電網(wǎng)的提出及快速發(fā)展，無人值守或少人值守變電站在一定程度上決定了電網(wǎng)的智能化發(fā)展，而變電站環(huán)境中的運動目標(biāo)跟蹤系統(tǒng)研究是實現(xiàn)變電站無人值守或少人值守的必要條件.

運動目標(biāo)跟蹤一直是國內(nèi)外研究的熱點問題，近年來的研究也取得了較好的效果.完成運動目標(biāo)跟蹤的算法很多，經(jīng)典跟蹤算法如均值偏移、粒子濾波和卡爾曼濾波等，基于統(tǒng)計學(xué)、基于檢測和基于深度學(xué)習(xí)的目標(biāo)跟蹤算法等，每種算法都有其適用范圍和優(yōu)缺點.為了解決變電站場景內(nèi)的移動目標(biāo)容易出現(xiàn)人員跟丟、身份變換、目標(biāo)被遮擋無法識別等問題，筆者在對運動目標(biāo)跟蹤算法進(jìn)行分析和比較的基礎(chǔ)上，選擇Camshift 算法來實現(xiàn)運動目標(biāo)跟蹤.

本文的實驗表明，Camshift 算法能夠快速準(zhǔn)確地檢測出變電站內(nèi)的運動目標(biāo)并對其實現(xiàn)有效跟蹤，解決了變電站內(nèi)存在的安全隱患，提高了變電站的自動識別水平并實現(xiàn)實時預(yù)警，降低了監(jiān)控人員的工作量，為電力系統(tǒng)安全提供了充分的保障.

1 Camshift 算法的原理

Camshift 算法是在Meanshift 算法的基礎(chǔ)上，針對其存在的不足進(jìn)行改進(jìn)而提出的，其算法的基本思想是對視頻圖像的多幀進(jìn)行Meanshift 運算，將上一幀結(jié)果作為下一幀的初始值，不斷迭代.該算法采用不變矩對目標(biāo)的尺寸進(jìn)行估算，實現(xiàn)了連續(xù)自適應(yīng)地調(diào)整跟蹤窗口的大小和位置，并將其應(yīng)用在對連續(xù)彩色圖像序列中的運動目標(biāo)的快速跟蹤.以下對其原理進(jìn)行說明.

1.1 計算色彩投影圖（反向投影）

反向投影就是首先計算某一特征的直方圖模型，然后使用模型去尋找測試圖像中存在的該特征.反向投影過程按照以下三個步驟進(jìn)行：

（1）RGB 顏色空間對光照亮度變化較為敏感，為了減少此變化對跟蹤效果的影響，首先將圖像從RGB 空間轉(zhuǎn)換到HSV 空間；

（2）對其中的H分量（色調(diào)）作直方圖，在直方圖中代表了不同H分量值出現(xiàn)的概率或者像素個數(shù)，就是可以查找出H分量大小為h的概率或者像素個數(shù)，即得到了顏色概率查找表；

（3）將圖像中每個像素的值用其顏色出現(xiàn)的概率對應(yīng)替換，就得到了顏色概率分布圖，這個過程就叫反向投影，顏色概率分布圖是一個灰度圖像.

1.2 Meanshift 算法

Meanshift 算法也叫做均值偏移，本質(zhì)上是質(zhì)心逐漸向樣本點越來越密的地方進(jìn)行偏移，最后算法收斂，質(zhì)心就處在樣本點最密的地方.這其實是一種密度函數(shù)梯度估計的非參數(shù)方法，通過迭代尋優(yōu)找到概率分布的極值來定位目標(biāo).Meanshift 算法可以按照以下四個步驟進(jìn)行：

（1）在顏色概率分布圖中選取搜索窗W；

（2）按照公式（1）-（5）分別計算零階距、一階距和搜索窗的質(zhì)心；

（3）調(diào)整搜索窗大小，其中，寬度的調(diào)整按照公式（6）計算，長度調(diào)整為1.2 s；

（4）移動搜索窗的中心到質(zhì)心，如果移動距離大于預(yù)設(shè)的固定閾值，則重復(fù)步驟（2）-（4），直到搜索窗的中心與質(zhì)心間的移動距離小于預(yù)設(shè)的固定閾值，或者循環(huán)運算的次數(shù)達(dá)到某一最大值，停止計算.

1.3 Camshift 算法

將Meanshift 算法擴展到連續(xù)圖像序列，就是Camshift 算法.它將視頻的所有幀做Meanshift 運算，并將上一幀的結(jié)果，即搜索窗的大小和中心，作為下一幀Meanshift 算法搜索窗的初始值，如此迭代下去，就可以實現(xiàn)對目標(biāo)的跟蹤.

Camshift 算法的步驟如為：

（1）初始化搜索窗；

（2）計算搜索窗的顏色概率分布（反向投影）；

（3）運行Meanshift 算法，獲得搜索窗新的大小和位置；

（4）在下一幀視頻圖像中用（3）中的值重新初始化搜索窗的大小和位置，再跳轉(zhuǎn)到（2）繼續(xù)進(jìn)行計算.

2 基于Camshift 算法的運動目標(biāo)跟蹤流程

本文使用Camshift 算法對變電站環(huán)境中的運動目標(biāo)（人、動物或者車輛等）進(jìn)行跟蹤研究，算法的流程圖如圖1.

圖1 基于Camshift 算法的運動目標(biāo)跟蹤流程圖

上述算法的流程說明如下.

Step1：確定初始目標(biāo)及其區(qū)域，計算出目標(biāo)的色度分量的直方圖.將輸入圖像轉(zhuǎn)化為HSV 顏色空間的圖像，對其中的H 分量（色調(diào)）作直方圖，在直方圖中代表了不同H 分量值出現(xiàn)的概率或者像素個數(shù)，目標(biāo)區(qū)域為初始的搜索窗口范圍，分離出色調(diào)H 分量做該區(qū)域的色調(diào)直方圖計算.因為RGB 顏色空間對光線亮度變化較為敏感，要減小該因素對跟蹤效果的影響，首先將圖像從RGB 空間轉(zhuǎn)換到HSV 空間，當(dāng)然也可以用其它顏色空間計算.這樣即得到目標(biāo)模板的顏色直方圖.

Step2：利用直方圖計算輸入圖像的反向投影圖.根據(jù)獲得的顏色直方圖將原始輸入圖像轉(zhuǎn)化成顏色概率分布圖像，該過程稱為“反向投影”.反向投影利用了其原始圖像（或目標(biāo)區(qū)域）的直方圖，將該直方圖作為一張查找表來找對應(yīng)像素點的像素值，即將目標(biāo)圖像像素點的值設(shè)置為原始圖像（或目標(biāo)區(qū)域）直方圖上對應(yīng)的bin 值.該bin 值代表了（目標(biāo)區(qū)域）上該像素值出現(xiàn)的概率.從而得到一幅圖像的概率值.從而我們可以通過這幅概率圖可以得知在這幅圖像中，目標(biāo)出現(xiàn)可能出現(xiàn)的位置.

Step3：Meanshift 迭代過程.目的在于找到目標(biāo)中心在當(dāng)前幀中的位置.首先在顏色概率分布圖中選擇搜索窗口的大小和初始位置，然后計算搜索窗口的質(zhì)心位置.設(shè)像素點（x，y）位于搜索窗口內(nèi)，I（x，y）是顏色直方圖的反向投影圖中該像素點對應(yīng)的值，定義搜索窗口的零階矩和一階矩，接著調(diào)整搜索窗口中心到質(zhì)心.零階矩反映了搜索窗口尺寸，依據(jù)它調(diào)整窗口大小，并將搜索窗口的中心移到質(zhì)心，如果移動距離大于設(shè)定的閾值，則重新計算調(diào)整后的窗口質(zhì)心，進(jìn)行新一輪的窗口位置和尺寸調(diào)整.直到窗口中心與質(zhì)心之間的移動距離小于閾值，或者迭代次數(shù)達(dá)到某一最大值，認(rèn)為收斂條件滿足，將搜索窗口位置和大小作為下一幀的目標(biāo)位置輸入，開始對下一幀圖像進(jìn)行新的目標(biāo)搜索.

3 實驗分析

為了驗證Camshift 算法的可行性和有效性，本文從網(wǎng)絡(luò)中獲取了變電站環(huán)境中的視頻資料，并對其中的運動目標(biāo)進(jìn)行跟蹤實驗.從圖2 和圖3 可以看出，當(dāng)運動目標(biāo)部分被遮擋的情況下，Camshift 算法也能夠?qū)崿F(xiàn)對運動目標(biāo)的檢測和跟蹤；從圖4 和圖5 可以看出，即使在背景比較模糊、運動目標(biāo)邊緣不是很清晰的情況下，Camshift 算法依然能夠?qū)崿F(xiàn)對運動目標(biāo)的準(zhǔn)確跟蹤.

圖2 目標(biāo)部分被遮擋時的跟蹤（近）

圖3 目標(biāo)部分被遮擋時的跟蹤（遠(yuǎn)）

圖4 復(fù)雜環(huán)境下目標(biāo)的捕捉（近）

圖5 復(fù)雜環(huán)境下目標(biāo)的捕捉（遠(yuǎn)）

從上述實驗分析情況看，本文使用的Camshift 算法具有操作簡單、算法效率高的優(yōu)點，并且對于變電站場景中運動目標(biāo)被遮擋、背景模糊、不易識別邊緣等問題，也能夠取得較好的跟蹤效果，具有較高的可行性和實用性.

可以預(yù)見，如果將Camshift 算法應(yīng)用在變電站的環(huán)境中，能在一定程度上促進(jìn)智能電網(wǎng)的發(fā)展，降低變電站內(nèi)的安全隱患，減少監(jiān)控人員的工作量，保障電力系統(tǒng)的安全.