基于三维直方图改进Camshift目标跟踪算法.docVIP

基于三维直方图改进Camshift目标跟踪算法 　　摘 要： 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。 　　关键词： 目标跟踪； Camshift算法； 边缘梯度； 三维直方图 　　中图分类号： TN919?34； TP391.4 文献标识码： A 文章编号： 1004?373X（2014）02?0029?05 　　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??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]：[H=0， if max=min（60°×g-bmax-min+360°）mod360°， if max=r60°×b-rmax-min+120°， if max=g60°×r-gmax-min+240°， if max=b] （1） 　　[S=0， if max=0max-minmax=1-minmax， otherwise] （2） 　　[V=max] （3） 　　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。 　　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[116）]。 　　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。 　　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