基于Mean Shift算法和灰度模板匹配的運動目標主動跟蹤

摘要:該文提出了一種綜合Mean Shift算法和灰度模板匹配的主動跟蹤算法。該算法利用灰度模板匹配與運動目標在圖像的位置無關的特點，在視角和焦距發生變化后用灰度模板進行窮盡搜索，再用匹配結果更新Mean Shift搜索窗口，解決了Mean Shift算法要已知目標區域才能正確跟蹤的問題。該算法能在視角和焦距發生變化的情況下能正確的跟蹤運動目標并能使被跟蹤的運動目標始終保持在圖像的中心區域。實驗表明，該算法具有較好的可行性。

關鍵詞:Mean Shift算法;主動跟蹤;目標跟蹤;灰度模板匹配

中圖分類號:TP391文獻標識碼:A 文章編號:1009-3044(2010)11-2727-03

Move Target Active Tracking Based on Mean Shift Algorithm and Grayscale Template Matching

ZHANG De-xiu ， SHANG Zhen-hong， SHANG Jin-xia， LIU Hui-zhen

(College of Information Engineering and Automation，Kunming University of Science and Technology， Kunming 650051， China)

Abstract:An active tracking algorithm synthesized Mean Shift Algorithm and grayscale template matching was proposed. The algorithm used features that the grayscale template matching with the move target was independent of the position in the image to exhaustively search with a gray-scale template after changing the angle and focal length， and then updated Mean Shift search windows with match results to solve the problem that the Mean Shift algorithm to track correctly according to the known target area. The algorithm can track the move target correctly and keep track of the target area in the center of the image in the case of changes of angle and focal length. Experiments show that the algorithm is feasible.

Key words: Mean Shift algorithm; Active tracking; Object tracking; Grayscale template matching

主動跟蹤的目的是使攝像機實時的跟隨目標運動，讓運動目標始終處于攝像機的視野中。目前比較常見的處理方法有兩種，一種方法是基于目標檢測的方法，通過圖像穩像技術穩定背景[1]，穩像后就可以使用在固定攝像機上的方法檢測運動目標并進行跟蹤。另一種方法是不進行穩像處理，先在攝像機靜止的情況下進行運動目標檢測，得到目標的位置和尺寸信息，然后將包含目標的前后兩幀圖像進行拼接[2]，在拼接后的圖像中，對運動目標進行跟蹤。這兩種方法的計算量都很大，很難實現實時跟蹤。

本文提出了一種不依賴于圖像穩像技術和圖片拼接技術的主動跟蹤方法。該方法在靜止背景的前幾幀中檢測運動目標，然后選擇感興趣的運動目標作為跟蹤對象，保存目標的信息并結束檢測。開始對運動目標進行跟蹤，得到運動目標在圖像中的坐標，計算出目標到圖像中心的距離，根據這個距離判斷攝像頭是否需要轉動。這種方法因為沒有使用穩像和拼接技術，計算量比較小，能控制攝像機云臺進行實時的跟蹤。本文的方法需要用到跟蹤方法，目前比較常用的跟蹤方法包括粒子濾波器[3]，Kalman濾波器[4]，Mean Shift算法[5]等。這些算法用于運動目標跟蹤都取得了較好的效果。其中，Mean Shift算法由于計算量比較小，在目標區域已知的情況下可以做到實時跟蹤。并且Mean Shift是一個無參數密度估計算法，可以作為一個模塊和其它方法集成[6]。但是Mean Shift算法缺乏必要的模板更新算法，而且目標位置發生突變時可能導致跟蹤失敗。在主動跟蹤時攝像機的轉動會導致目標位置發生突變，而灰度模板匹配方法不依賴目標在前面幾幀圖像中的位置也能找到目標，因此可以結合Mean Shift算法和模板匹配方法完成主動跟蹤。

1 主動跟蹤

本文提出的主動跟蹤方法流程如圖1。

其中Mean Shift算法是本文在攝像機轉動之前使用的跟蹤方法。灰度模板匹配算法是在攝像機改變視角后的一幀中，搜索位置發生突變的目標的方法，并用灰度模板匹配的結果更新Mean Shift算法的搜索窗口，更新搜索窗口之后Mean Shift算法就可以繼續跟蹤攝像機轉動之前的目標。

2 基于Mean Shift 的目標跟蹤

選定感興趣的目標之后，根據提取出來的目標信息建立跟蹤模型，通過在前后兩幀中對目標和候選目標進行匹配，獲得運動目標的運動軌跡，從而實現對運動目標的實時跟蹤。

2.1 建立跟蹤模型

在選定感興趣的目標之后，可以根據提取出來的目標建立目標顏色概率直方圖模型。將目標中心標記為y0，候選目標中心為y，則可確定目標與候選目標的直方圖模式分別為:

目標:Py0={Pu(y0)}，u=1， …，m (1)

候選目標: Py={Pu(y)}，u=1， …，m (2)

目標直方圖模式是包含感興趣目標的各個成像灰度級所對應的概率密度。假設候選目標中心點為y，感興趣目標區域是以y為中心、窗寬為h的矩形，像素位置以{xi}i=1， …，n表示，其灰度值表示為b(xi)并將其值量化為m級，則各級灰度的概率密度為:

(3)

式中C為歸一化常數，k為像素位置的權值分配函數，h為窗寬，由于目標周邊像素的可靠性較低，所以離中心越遠的像素分配的權值應該越小。

2.2 相似度計算

建立好跟蹤模型之后，就可以對候選目標和目標進行相似度計算。本文采用Bhattacharyya系數[7]度量目標與候選目標直方圖的相似性，則目標與候選目標的相似性表示為:(4)

2.3 目標定位

基于顏色直方圖的跟蹤就是在當前幀中找到Bhattacharyya系數ρy最大的候選目標區域。將ρy在Pu(y1)處(其中y1為搜索的起始點)進行泰勒展開并整理得:

(5)

其中

(6)

對于確定的y1，在式(5)中的第一項是定值，要使目標模型與后選目標模型區域的相似性ρy最大，就要使式(5)中的第二項取最大值。第二項是加權的非參數核密度估計，可以通過Mean Shift算法來求得此密度估計的最近鄰眾數，從而獲得新的候選目標的位置

(7)

通過循環迭代式(7)直至收斂點到正確的目標位置，從而實現對目標的跟蹤。

3 灰度模板匹配

在實際運動目標跟蹤中，常用的相關匹配算法有兩類:其中一類強調景物之間的差別程度，即最小誤差法。最小誤差法的思想是，將模板圖像T在搜索圖像S上平移，在每個位置上求模板覆蓋下的子圖Si，j的絕對差:

(8)

模板圖像大小為M×N，E(i，j)為最小值時認為匹配成功。

4 實驗結果和分析

實驗采用Microsoft visual 2005可視化軟件開發工具和OpenCV 2.0開源計算機視覺庫。處理的圖像序列大小為702×576(像素)。

選擇感興趣的目標之后，提取出目標圖像。

對提取出來的目標建立顏色概率直方圖，并運行Mean Shift算法跟蹤目標。

在攝像機視角發生變化時，本文提出的基于Mean Shift算法和灰度模板匹配的主動跟蹤方法如圖4所示。

圖4在第156幀圖像中采用Mean Shift算法進行跟蹤(紅色橢圓畫出了跟蹤結果)，并計算目標的位置到圖像中心位置的距離，如果距離大于50(像素)則控制攝像機云臺轉動。第157幀圖像是在云臺轉動后用灰度模板進行搜索(藍色矩形區域是匹配結果)，并用匹配結果更新Mean Shift算法的搜索窗口。第158幀圖像是根據灰度模板匹配結果更新Mean Shift搜索窗口之后的Mean Shift跟蹤結果。

表1中分別是Mean Shift算法、灰度模板匹配和本文的結合Mean Shift算法和灰度模板匹配方法在兩幀圖像中的處理時間。如果在幀頻為 也就是每40ms一幀的情況下，本文的方法可以滿足實時的需求。

從實驗結果可以看出，結合Mean Shift算法和灰度模板匹配方法能主動的跟蹤運動目標。在跟蹤過程中灰度模板能搜索到改變了視角的目標，并正確的更新Mean Shift搜索窗口，輔助Mean Shift進行實時跟蹤。

5 結束語

本文提出了結合Mean Shift算法和灰度模板匹配方法，可以在攝像頭改變視角后利用灰度模板搜索結果更新Mean Shift搜索窗口，實驗驗證了方法的有效性。進一步的工作將把灰度模板匹配改成彩色模板或是跟蹤準確性更高的方法。

參考文獻:

[1] 黃亞博，焦建彬，葉齊祥，陳志國. 一種魯棒的抖動視頻穩像算法[J].光電子#8226;激光，2008，19(3):394-399.

[2] 胡社教，葛西旺，陳宗海.基于角點特征的KLT跟蹤全景圖像拼接算法[J].系統仿真學報，2007，19(8):1742-1745.

[3] Doucet A， Gordon N， Krishnamurthy V. Particle filter for nonlinear problems[J].IEEE Proc Radar，Sonar，Naving，1999，2(1):216-228.

[4] Welch G，Bishop G.An Introduction to the Kalman Filter[M].SIGGRAPH，2001:1-81.

[5] Dorin C， Peter M. Mean Shift: A Robust Approach Toward Feature Space Analysis [J].IEEE. Transactions on Pattern Analysis and Machine Intelligence，2002，24(5):603-619.

[6] 歐靜，林宏基.基于Mean Shift算法和粒子濾波器的目標跟蹤[J].福建電腦，2008(1):19-20.

[7] Dorin C， Visvanathan Ra， Peter M. Kerne1-based object tracking[J].IEEE Tram on Pattern Analysis and Machine Intelligence，2003，25(5):564-577.