聯合多顏色直方圖的Camshift行人跟蹤算法

楊繼蘭

摘 ?要：針對目標容易受背景干擾或局部的、不完全遮擋時Camshift算法易產生局部最大值導致丟失目標的問題。通過人體姿態估計算法檢測到行人邊界框和關節點位置，依據的關節點位置提取行人的身體部分，進而得到局部顏色直方圖;通過行人邊界框，計算全局直方圖均衡化;利用行人間局部直方圖的相似性得分，預測下一幀中目標行人可能的位置，并以此確定Camshift算法的搜索區域。通過實驗證明，改進后的算法可以更好地跟蹤行人。

關鍵詞：人體姿態估計 ?顏色直方圖 ?Camshift ?直方圖均衡

中圖分類號：TP391 ? 文獻標識碼：A 文章編號：1672-3791（2019）10（c）-0011-02

行人跟蹤是計算機視覺領域重要的研究方向，尤其是在視頻監控領域愈發發達的今天，行人跟蹤算法的提出可以大大地減少人工成本，應用到生活中的許多方面。

目前，國內外許多學者對行人跟蹤算法開展廣泛研究。其中，Camshift算法因計算量小，易于實現而被廣泛使用，文獻[1]提出了一種多特征融合的Camshift算法，提取行人的多個特征，然后把各個特征的相似度作為權值系數，通過加權融合方法得到最優中心位置。文獻[2]把kalman與Camshift相結合，通過kalman濾波器預測目標行人可能的位置，但當行人被遮擋時預測值會不準確。

1 ?顏色特征

1.1 局部顏色直方圖

該文通過AlphaPose[3]算法得到行人的關節點位置，通過關節點框出人體的各個部分[4]。包括上臂、下臂、上腿、下腿、頭肩、上軀干和下軀干等肢體區域。人體的顏色信息主要表現在上軀干和下軀干，并且這兩部分很少收到背景的干擾，可以充分地代表這個人的顏色特征。局部顏色直方圖針對的是這兩部分。

為了減少光照對圖片造成的影響，顏色直方圖在HSV坐標系下提取。

1.2 全局顏色直方圖

全局顏色直方圖是對由AlphaPose算法檢測到的行人框圖像的顏色直方圖，所提取的圖像不僅包括行人的信息還包括大量的背景信息，全局顏色直方圖的做法與局部提取顏色特征的方法相同。但當行人的顏色信息與背景的顏色信息相似時，提取的局部顏色信息與全局顏色信息差別不是很大，容易導致跟蹤的過程中目標丟失。該文使用直方圖均衡化來處理[5]，更加突出行人顏色信息。

上面的過程是灰度圖像的直方圖均衡化，若對該文中所采用的圖片進行直方圖均衡化，需要將彩色圖像的每路通道進行量化，在依次采用上述的方法，最后可以得到均衡化后的彩色圖像的顏色直方圖。

2 ?預測目標位置

該文通過AlphaPose算法檢測出下一幀圖像中所有行人的邊界框和關節點，計算出現的行人與目標行人的局部顏色直方圖的相似性得分，采用巴氏系數來計算：

3 ?改進的Camshift算法

Camshift算法是對Mean-Shift算法的改進，Camshift算法的基本思路是利用運動目標的顏色特征對其跟蹤窗口的尺寸及位置進行確定，并能不斷地調整跟蹤窗口的尺寸以適應運動目標大小的變化。

實現過程如下。

（1）讀取一張包含目標人物的行人圖像，并把RGB顏色模型變為HSV顏色模型，并提取其中的H分量。

（2）利用AlphaPose算法得到目標人物的邊界框和關節點，把這個邊界框作為跟蹤窗口。

（3）計算行人邊界框的H、S、V分量的均衡化顏色直方圖和由通過關節點得到的上軀干和下軀干的局部顏色直方圖，得到顏色概率分布圖I（x，y）。

（4）計算目標人物邊界框的質心位置，并把跟蹤窗口中心點移動至質心位置，判斷跟蹤窗口的移動距離是否滿足大于設定的閾值的條件，若不滿足條件，需要重新計算質心位置，直到滿足條件為止。

（5）通過計算局部顏色直方圖的相似度來預測下一幀中目標人物的質心位置。

（6）重復上述的步驟（3）-步驟（5），直到完成檢測完所有的圖像。

4 ?實驗結果與分析

該文的程序是Python3.7及OpenCV3.0函數庫編寫。該文選擇了大小為12801080的PRW數據集，圖1為從PRW數據集選取的一部分連續幀，該文選取方框中的男人作為跟蹤對象，跟蹤結果如圖1（a）（b）所示。

由圖1（a）可知，當目標人物沒有遮擋，沒有大的場景變化時，可以很好地跟蹤目標，即使出現（b）的情況，也可以很好地跟蹤目標。

5 ?結語

該文提出了一種改進的Camshift算法。該算法通過AlphaPose算法得到的行人邊界框和關節點位置，通過得到的關節點位置提取行人上軀干和下軀干，得到局部顏色直方圖，根據局部顏色直方圖的相似性得分預測下一幀中行人目標的位置;通過對行人邊界框進行全局顏色直方圖均衡化，增強行人與背景間的對比度。實驗表明，該算法有很好的跟蹤效果。

參考文獻

[1] 吳瑋，鄭娟毅，杜樂.多特征融合的Camshift運動目標跟蹤算法[J].計算機科學，2018，45（7）：252-258.

[2] 楊軍，湯全武，張昊楠.基于Kalman算法改進的Camshift運動目標跟蹤算法[J].信息通信，2018（12）：78-81.

[3] Fang Haoshu，Xie Shuqin，Tai Yuwing，et al.RMPE： Regional Multi-Person Pose Estimation[A].IEEE International Conference on Computer Vision （ICCV）[C].2016.

[4] Xu Jing，Zhao Rui，Zhu Feng，et al.Attention-Aware Compositional Network for Person Re-identification[J]. CVPR，2018（5）：2119-2128.

[5] 付麗梅.使用彩色直方圖均衡法改進的Mean Shift行人跟蹤算法[J].軟件工程，2019，22（2）：17-19.