基于三维直方图的改进Camshift目标跟踪算法
- 格式：docx
- 大小：43.55 KB
- 文档页数：11
基于三维直方图的改进Camshift目标跟踪算法
覃跃虎;支琤;徐奕
【摘 要】The classcial Camshift (continuously adaptive mean-shift)
algorithm builds a one-dimensional histogram only with Hue component
from HSV color space,which may lead to the failure of tracking when
interferes by illumination variation and similar color object or background.
To solve this problem,an improved algorithm based on a three
dimensional histogram is proposed,which is built with hue and saturation
components from HSV space and edge gradient from object’s shape
informa-tion. The object tracking accuracy of the algorithm under
background interference was improved on the basis of the weighted value
of these three components of background model adaptive adjustment
histogram. Compared with the traditional Camshift al-gorithm,experimental results indicate that tracking failure incurred by
illumination variations and interference from similar color object or
background can be alleviated in the proposed algorithm. The improved
algorithm can meet the applicability require-ments of real-time tracking
systems.%经典的连续自适应均值漂移算法Camshift通过HSV空间的色调Hue分量建立一维直方图，在有光照变化及有相似颜色目标或背景的干扰下，跟踪效果不好。提出一种融合HSV空间中色调、饱和度以及反应物体形状信息的边缘梯度的三维直方图特征，并基于背景模型自适应调整特征直方图三种分量的权重值，提高了算法的跟踪准确度。通过与传统Camshift跟踪实验比较，提出的改进算法在光照变化及相似颜色目标/背景干扰下具有更好的鲁棒性，同样也满足跟踪系统的实时性要求。
【期刊名称】《现代电子技术》
【年(卷),期】2014(000)002
【总页数】6页(P29-33,37)
【关键词】目标跟踪;Camshift算法;边缘梯度;三维直方图
【作 者】覃跃虎;支琤;徐奕
【作者单位】上海交通大学 图像通信与信息处理研究所，上海 200240;上海交通大学 图像通信与信息处理研究所，上海 200240;上海交通大学 图像通信与信息处理研究所，上海 200240
【正文语种】中 文
【中图分类】TN919-34;TP391.4
0 引 言
目标的检测与跟踪是计算机视觉与模式识别领域一个非常活跃的课题，也是智能视频监控及机器人自动导航等领域的核心问题。在目前已经提出的各种目标跟踪算法中，Meanshift算法由于其计算简单以及良好的实时性而得到广泛的应用。
Camshift跟踪算法是对Meanshift的改进，它是由Gray R.Bradski等提出的自适应缩放跟踪模板尺寸的算法[1]。两种算法本质上都是爬山算法，即在一种数据的密度分布中通过反复迭代而寻找出局部极值稳定的方法。
传统的Camshift算法对于光照的变化以及在前景与背景颜色相似的条件下，跟踪效果并不理想。对此不少学者在Camshift算法中引入其他特征目标模型，如贝叶斯概率框架[2⁃4]，但由于贝叶斯概率框架等模型固有的计算复杂度，难以实现跟踪的实时性。
考虑到传统的Camshift算法仅引入了HSV空间中的色调Hue分量来建立直方图，从而导致颜色背景相似情形下跟踪效果变差这一事实，本文提出增加颜色空间的S分量以及边缘轮廓的形状信息建立三维联合直方图，以弥补在某些情况下只依靠色调来描述目标特征的不足。
由于该算法主要在目标的直方图统计特征上进行改进，没有涉及到复杂的计算操作，所以效率较高，在稳定性提高的同时易满足实时性的要求。
1 三维特征分量提取
1.1 Hue与Saturation分量
传统Camshift使用HSV空间中的色调Hue通道建立直方图，以致在饱和度S或亮度V变化较大的情形下，其跟踪灵敏度明显降低[5]。本实验首先把RGB颜色空间图像转换为HSV颜色空间图像，如图1（a），（b）所示，并提取H与S两个通道的分量[6]：
式中：设max等于r，g和b中的最大者；min等于这些值中的最小者。所提取的H与S两个通道的分量如图1（c），（d）所示。
图1 从RGB到HSV颜色空间的转换
在传统的Camshift算法中，对于Hue通道采用均匀量化以建立直方图模型。计算初始化的搜索窗口内H分量的直方图，对初始搜索窗口中每个像素的H通道值进行采样（如图2（a）蓝色方框所示），从而得到待跟踪目标的色调（Hue）直方图，将该直方图保存下来作为目标的颜色直方图模型，如图2（b）所示。本文提取H与S两通道，在量化HSV图像各通道的位数深度时，类似3通道8位的RGB图像每通道均占8 b为 0～255共256等级，H和S通道也都分配为8位深度。H分量的值域范围是 [0,360°]，S分量的值域范围是[0，1]，本实验中将H分量的值域范围量化为30个bin（量化长度为12°），将S分量的值域范围量化为16个bin（其中量化长度为）。
图2 色调H分量的一维直方图
对于初始化窗口区域的二维直方图的构成，可以看作由H分量与S分量联合而成的二维分布函数，如图3所示。
图3 色调H分量与饱和度S分量的二维直方图
图4的示意说明了一维直方图与二维直方图之间的关系，其中一维H直方图量化为6个bin，二维H⁃S联合直方图量化为6×5共30个bin，并且一维Hue通道直方图相当于其边缘分布函数。在本文实验中，实际采用的H⁃S二维直方图共30（色调）×16（饱和度）=480个bin。
图4 一维H直方图是二维H⁃S直方图的边缘分布示意
1.2 边缘梯度方向分量
对于框定的初始化目标跟踪区域进行RGB到灰度图转化，然后对该灰度图进行Canny边缘检测。再利用形态学方法先腐蚀后膨胀处理，将图中细小琐碎的边缘点与噪声删除，找到最主要的显著边缘轮廓。假设待跟踪目标的检测结果较为准确，采用Canny算子即可提取到较连续的显著轮廓边缘，如图5所示。
图5 初始化窗口内的目标灰度图与边缘轮廓
对于所有的边缘像素点，其梯度向量的定义为：
利用边缘像素点的梯度方向统计信息，可建立基于边缘梯度方向直方图[7]。实验中计算梯度向量时选用Sobel算子，其可采用如下两个方向模板卷积计算得到：
式中Mx与My为Sobel算子的水平与竖直模板矩阵，分别用于检测水平边缘与竖直边缘。若边缘上位于（i，j）处的像素点P的邻域灰度矩阵标记为：
则该点的梯度向量G的水平与竖直分量值Gx和Gy分别为：
该点梯度向量的方向z由水平方向梯度分量值与竖直方向梯度分量值的反正切函数表示为：
对目标边缘的所有的像素点的梯度方向进行统计，可建立基于边缘梯度方向统计分布的目标形状特征模型。图6为基于边缘梯度方向的一维直方图。其中，梯度方向的值域范围是[0,2π)，将其量化为16个bin（量化长度为）。
2 基于三维特征直方图的改进Camshift算法
2.1 权重选择与直方图修正
2.1.1 特征权重的选择
H⁃S⁃Grad三维联合直方图的构成类似H⁃S二维直方图。在初始化区域内统计每个像素点信息，建立一个30（色调）×16（饱和度）×16（边缘梯度方向）共7
680个bin的三维直方图。
图6 边缘梯度方向一维直方图
为了减少背景干扰，本文自适应减少目标特征直方图中与背景特征直方图相接近的直方图分量的权重，采用目标特征直方图分量自适应加权[8]策略，引入背景直方图，其定义仍为色调×饱和度×边缘梯度方向的共7 680个bin的三维直方图，该背景直方图每个bin值为：
将背景直方图的bi集合中最小的非零值记为bmin，则其对应的目标直方图hi的特征权重为：
考虑到目标窗口的特征直方图，当其某个bin分量与背景对应的bin分量近似一致时，该bin分量在目标特征直方图中的使用会造成对目标跟踪准确性的不良影响，因此应该适当降低其权重值。相应地，对于背景特征直方图中某个取值较大的bin分量，即bi越大，其在对应目标特征直方图hi中的权重应较小，即其对应的hi的权重wi越小。以特征权重值wi去加权目标窗口的直方图hi，从而可进行自适应的调整：
2.1.2 直方图的更新修正
目标直方图由于光照变化影响需要进行修正更新，根据对每次漂移前后窗口的直方图H1与H2的Bhat⁃tacharyya距离（也称巴氏距离）[8⁃9]的比较：
若巴氏距离d=0表示直方图完全相同，d=1表示完全不相同。如果漂移前后H1与H2巴氏距离小于0.4，则动态修正H2如下：
式中：H1表示漂移前直方图；H2表示漂移后直方图；H3表示初始化窗口的直方图，系数权重按照统计实验经验取值为：
由此，每次漂移后的直方图H2会受到漂移前和最初始的直方图两者的约束修正。可以看出，此约束主要由漂移后直方图H2决定，其贡献为95%。通过此修正更新的方式可以保证跟踪所用直方图在光照突变时不至于发生剧烈的偏离改变。
2.2 概率反向投影与均值漂移
反向投影过程先利用第2.1节得到的直方图计算整张图像关于该搜索窗口内三种特
