一種改進的Camshift目標跟蹤方法
【專利摘要】本發(fā)明屬于圖像處理與目標跟蹤領(lǐng)域，具體為一種改進的Camshift目標跟蹤方法，利用色度-微分二維聯(lián)合特征建立目標模型。將每個像素8鄰域的色度最大差分值作為該像素的微分值，用以描述像素的相對位置信息和圖像的細節(jié)信息。根據(jù)目標模型的色度-微分二維特征聯(lián)合直方圖，利用反向投影獲得跟蹤圖像的色度-微分二維特征聯(lián)合概率分布圖。利用均值平移方法在跟蹤窗內(nèi)實現(xiàn)目標的定位。對目標尺寸和方向的過大調(diào)整加以限制。本發(fā)明在復(fù)雜的背景情況下具有更強的抗干擾性能，能夠有效提高目標跟蹤的穩(wěn)定性。本發(fā)明適用于運動目標跟蹤系統(tǒng)中。
【專利說明】-種改進的Camsh i ft目標跟蹤方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像處理與目標跟蹤領(lǐng)域，涉及一種基于Camshifit算法的改進跟蹤 方法，特別涉及一種采用二維聯(lián)合特征模型的Camshift目標跟蹤方法。

【背景技術(shù)】
[0002] 運動目標的識別與跟蹤一直是計算機視覺領(lǐng)域研究的熱點問題，在自動化生產(chǎn) 線、視頻監(jiān)控系統(tǒng)、以及軍事國防等諸多領(lǐng)域有著重要的應(yīng)用價值。由于跟蹤系統(tǒng)通常具有 較嚴格的實時性要求，因此計算量較大的識別與跟蹤方法往往很難應(yīng)用到實際系統(tǒng)中。而 計算量較小的方法通常識別準確性又不高。鑒于這一要求，在各種目標識別與跟蹤算法中， 均值漂移（MeanShift)算法由于具有快速匹配的特性，在目標識別與跟蹤領(lǐng)域得到了廣泛 的應(yīng)用。但該方法在跟蹤過程中對模型不進行更新，當(dāng)運動目標由于遠近不同而造成尺寸 發(fā)生較大變化時，容易造成目標丟失，進而導(dǎo)致跟蹤失敗。連續(xù)自適應(yīng)的MeanShift跟蹤方 法，即CamShift(Continuously Apative MeanShift)跟蹤方法能夠自適應(yīng)調(diào)整目標尺寸， 對于運動目標的平移、旋轉(zhuǎn)以及縮放變化都具有一定的適應(yīng)性。當(dāng)目標與背景對比明顯時， 該方法具有穩(wěn)定的跟蹤特性。例如，由于膚色特征與非膚色的背景特征具有較明顯的區(qū)別， 因此，CamShift算法在人臉識別與跟蹤領(lǐng)域得到了成功的應(yīng)用。但當(dāng)目標與背景的對比不 明顯時，目標識別準確性降低，算法工作不夠穩(wěn)定，經(jīng)常出現(xiàn)丟失目標的情況。
[0003] 因此，設(shè)計一種具有較強抗干擾能力的跟蹤方法具有很好的應(yīng)用價值。


【發(fā)明內(nèi)容】

[0004] 本發(fā)明所要解決的技術(shù)問題是，針對CamShift跟蹤算法抗背景干擾能力差的缺 點，設(shè)計一種具有較強抗干擾性的改進跟蹤方法。
[0005] 本發(fā)明所采用的技術(shù)方案是：一種改進的Camshift目標跟蹤方法，利用色度-微 分二維聯(lián)合特征建立目標模型。對每個像素8鄰域的色度進行差分計算，最大差分值作為 該像素的微分值，用以描述像素的相對位置信息和圖像的細節(jié)信息。根據(jù)目標模型的色 度-微分二維特征聯(lián)合直方圖，利用反向投影獲得跟蹤圖像的色度-微分二維特征聯(lián)合概 率分布圖，以減少單獨特征建立模型時所產(chǎn)生的冗余信息的干擾。利用均值平移方法在跟 蹤窗內(nèi)實現(xiàn)目標的定位。對目標尺寸和方向的過大調(diào)整加以限制，防止過多背景信息干擾 目標識別的準確性。
[0006] 本發(fā)明的目的在于在現(xiàn)有的CamShift算法的基礎(chǔ)上設(shè)計了一種改進的CamShift 跟蹤算法，在目標模型的建立過程中，根據(jù)原圖像色度分布信息建立微分圖像，利用微分信 息所反映的目標細節(jié)信息以及像素的相對位置分布信息來提高目標識別的準確性。采用二 維聯(lián)合特征建立目標模型，減少獨立特征模型所產(chǎn)生的冗余信息。另外，對目標模板的大尺 度調(diào)整進行了限制，提高了目標跟蹤的穩(wěn)定性。具有很好的實用性。

【專利附圖】

【附圖說明】
[0007] 圖1是像素點（Xi, yi)的8鄰域分布圖。
[0008] 圖2是本發(fā)明方法跟蹤效果圖。

【具體實施方式】
[0009] 下面結(jié)合附圖對本發(fā)明作進一步詳細說明。
[0010] 為了提高跟蹤方法的穩(wěn)健性，減少光照亮度對目標識別的影響，CamShift算法一 般選擇色度、飽和度和亮度具有獨立性的HSV顏色空間中的色度信息為特征建立目標的直 方圖模型。再利用目標直方圖反向投影得到跟蹤窗的顏色概率分布圖，利用均值漂移算法 不斷將跟蹤窗的中心移至質(zhì)心位置實現(xiàn)目標的定位，并將跟蹤窗作為下一幀圖像的初始搜 索窗口，重復(fù)迭代計算即可實現(xiàn)目標的跟蹤。
[0011] 由于CamShift算法僅采用色度信息建立顏色概率分布圖，當(dāng)被跟蹤目標與背景 顏色相似時，很容易出現(xiàn)錯誤識別目標的現(xiàn)象。因此CamShift算法通常只適用于目標與背 景有明顯區(qū)別的情況。當(dāng)目標與背景顏色相接近時，目標識別的準確性降低，CamShift算法 很難實現(xiàn)目標的長時有效識別與跟蹤?，F(xiàn)有的改進CamShift算法采用融合輔助特征的方 式在一定程度上能夠解決上述問題，但一方面過多的輔助特征會增加算法的計算量，另一 方面，現(xiàn)有的多特征融合方法通常是建立各種輔助特征的獨立模型，然后再將各個模型確 定的目標位置進行融合。由于不同的特征從不同的角度對目標進行了描述，當(dāng)背景復(fù)雜時， 背景與目標的某些輔助特征可能相似，例如紋理、邊緣等，這些獨立的輔助特征模型不但無 法有效將目標從背景中有效識別出來，反而對其他特征的識別結(jié)果還會產(chǎn)生錯誤干擾，造 成信息的冗余與錯誤，從而降低了算法的識別性能。
[0012] 為了解決這一問題，本發(fā)明設(shè)計一種基于色度-微分二維聯(lián)合特征模型的改進 CamShift方法。根據(jù)圖像的色度信息提取圖像的微分信息，建立目標的色度-微分二維聯(lián) 合直方圖模型。由于微分信息能夠反映圖像的細節(jié)信息和像素分布的空間相對位置，而聯(lián) 合模型能夠?qū)煞N特征有機地結(jié)合，對目標模型進行更嚴格的描述，從而提高了目標識別 的準確性，可有效對圖像中的目標與背景進行區(qū)分，擴大了算法的適用范圍。該方法的具體 描述如下：
[0013] St印L計算目標的微分信息。設(shè){(Xi，yi)}，i = 1，2,…，s，為目標的各個像素 的位置，b(Xi，yi)為（Xi， yi)位置處像素所對應(yīng)的色度特征值，該像素點（Xi，yi)的8鄰域像 素分別為{(Xi-l，yi+l)，（Xi，yi+1)，（Xi+l，yi+l)，（X i-Lyi)，（Xi+Lyi)，（Xi-Ly i-I)，（Xi， Yi-I), (XfLyi-I)K其分布圖如圖I所示。
[0014] 按照8個方向計算該像素色度的差分，其最大值作為該像素點的微分特征信息 Ab (Xi, Yi)，艮P :
[0015] Ab (Xi, Yi) = max{|b(Xi，yi)-b(xi+l, Y1) \ , |b(Xi，Yi)^(Xi-I, Y1) \ ,
[0016] IMxi, yJ-bUi, y^l) I，IMxi, yJ-bUi, Yi-I) I， (I)
[0017] IMxi, yJ-bUfl，y「l) I，IMxi, yJ-bUi+l，y^l) |}
[0018] Step2.建立色度-微分二維聯(lián)合直方圖。將色度特征劃分為m個等級，微分特征 劃分為η個等級，利用像素的色度特征和微分特征構(gòu)建二維聯(lián)合特征直方圖模型q = {qm}， U = 1，2,…，m;v = 1，2,…，η:

【權(quán)利要求】
1. 一種改進的Camshift目標跟蹤方法，其特征在于利用色度-微分二維聯(lián)合特征建立 目標模型；對每個像素8鄰域的色度進行差分計算，最大差分值作為該像素的微分值，用以 描述像素的相對位置信息和圖像的細節(jié)信息；根據(jù)目標模型的色度-微分二維特征聯(lián)合直 方圖，利用反向投影獲得跟蹤圖像的色度-微分二維特征聯(lián)合概率分布圖，以減少單獨特 征建立模型時所產(chǎn)生的冗余信息的干擾；利用均值平移方法在跟蹤窗內(nèi)實現(xiàn)目標的定位； 對目標尺寸和方向的過大調(diào)整加以限制，防止過多背景信息干擾目標識別的準確性。
2. 根據(jù)權(quán)利要求1所述的一種改進的Camshift目標跟蹤方法，其特征在于，跟蹤方法 的步驟如下： St印1.計算目標的微分信息；設(shè)Kx^yiM,i= 1,2,. .. ,s,為目標的各個像素的位置，b(Xi，yi)為（Xi，yi)位置處像素所對應(yīng)的色度特征值，該像素點（Xi，yi)的8鄰域像素分別 為Kxi-LyJl), (X^yJl), (Xi+Lyi+l)，（Xi-Lyi), (X^Lyi), (Xi-Lyi-I), (X^yi-I), (Xi+1，yi_l)}，按照8個方向計算該像素色度的差分，其最大值作為該像素點的微分特征信 息AbUi,y)，即： Ab(Xi,Yi) =max{|b(Xi，yi)-b(xi+l,Yi) | , |b(Xi，yi)-b(xi-l,Yi) | , (I) b(Xi，yi)-b(Xi，Yi+1) | , |b(Xi，yi)-b(xi,Yi-I) | ,b(Xi，Yi)-b(Xi-I,Yi-I)I, |b(Xi，yi)-b(xi+l,y^l) |} Step2.建立色度-微分二維聯(lián)合直方圖；將色度特征劃分為m個等級，微分特征劃分 為η個等級，利用像素的色度特征和微分特征構(gòu)建二維聯(lián)合特征直方圖模型《=從,,.}，u= 1?2j...jm；V-Ij2j. . .jπ：
/ = 1 Step3.建立概率分布圖；在被跟蹤圖像中設(shè)定搜索窗，搜索窗包含上一幀圖像的運動 目標區(qū)，且比目標所在區(qū)稍大；根據(jù)目標的色度-微分聯(lián)合直方圖進行反向投影，建立起搜 索窗的色度-微分二維聯(lián)合概率投影圖；設(shè)搜索窗中像素點（x，y)的色度特征值為u，微分 特征為v，則該像素點的色度-微分概率投影圖的像素值P(x，y)為：
其中，U為取整操作； Step4.計算搜索窗的零階矩和一階矩：
Step5.計算搜索窗的質(zhì)心（xe，yc):
(8) Step6.自適應(yīng)調(diào)整搜索窗口的邊長： .V = 2^7〇_/256 (9) 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)Step3_Step6， 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； Step7.計算二階矩
\ ) 更新跟蹤目標的方向和大小：
其中，W為目標區(qū)的短軸長度，L為目標區(qū)的長軸；
目標運動方向與水平方向夾角更新為：
其中，
St印8.返回Stepl繼續(xù)對下一幀圖像進行目標識別與跟蹤。
【文檔編號】G06T7/20GK104463914SQ201410826824
【公開日】2015年3月25日 申請日期:2014年12月25日 優(yōu)先權(quán)日:2014年12月25日
【發(fā)明者】修春波, 魏世安 申請人:天津工業(yè)大學(xué)