改進的Mean Shift跟蹤算法在車輛跟蹤上的應(yīng)用

丁 磊，宮寧生，俞克強

(南京工業(yè)大學(xué)電子與信息工程學(xué)院，江蘇 南京 211316)

在視頻圖像處理技術(shù)中，目標跟蹤算法是一項關(guān)鍵技術(shù)，在視頻監(jiān)控、商場人流量監(jiān)控和車輛監(jiān)控等方面具有廣泛的應(yīng)用。目標跟蹤算法的主要作用是估計出運動目標的位置。由于運動目標在連續(xù)幀圖像中存在連續(xù)性的對應(yīng)關(guān)系，因此在跟蹤技術(shù)中只要找到這種對應(yīng)的關(guān)系就能實現(xiàn)運動目標的跟蹤。本文使用Mean Shift跟蹤算法［1－3］實現(xiàn)對每幀視頻圖像中運動目標的跟蹤。

Mean Shift跟蹤算法是一種非參數(shù)密度估計方法，1975年Fukunaga等人［4］首次提出了 Mean Shift理論，而Yizong Cheng［5］對 Mean Shift理論進行了推廣，將 Mean Shift算法成功的應(yīng)用到視頻圖像處理中。Comaniciu等人［6］討論了Mean Shift算法在運動目標跟蹤中的應(yīng)用，從而使得運動目標的跟蹤可以實時進行。因此Mean Shift算法在目標跟蹤方面取得了較好的效果。

在整個跟蹤過程中，Mean Shift跟蹤算法中使用的目標跟蹤框的大小是固定不變的。但是視頻序列中，運動目標的大小可能是變化的，特別是當運動目標由遠及近時，運動目標逐漸變大，常常會因為跟蹤框大小不變導(dǎo)致跟蹤效果不好。

針對Mean Shift目標跟蹤算法中存在的跟蹤框大小不變的情況，本文采用結(jié)合背景幀差［7］的Mean Shift跟蹤算法，從而自動地調(diào)整目標跟蹤框的尺寸。文中將背景幀差提取的運動目標的位置信息和Mean Shift跟蹤算法得到的位置信息做比較，如果兩個位置的信息相符合，則將背景幀差提取的運動目標的尺寸表示為運動目標的跟蹤框大小。本文的算法計算量不大，通過本文的改進算法，達到了優(yōu)化跟蹤效果的目的。

1 Mean Shift算法原理

視頻圖像序列中，首先應(yīng)該預(yù)先選定目標檢測區(qū)域，計算出初始幀的每個像素點在特征空間中每個特征值的概率，從而可以建立起目標模型。在后續(xù)的每幀圖像中，計算出可能會存在目標的區(qū)域中所有像素點在特征空間中的特征值概率，從而可以建立起候選目標模型。因此，可以用相似性函數(shù)計算當前幀候選目標模型和初始幀目標模型的相似度，從而求解相似性函數(shù)的最大值，通過這種方法可以得到運動目標的Mean Shift向量，而求解得到的向量即為運動目標向正確位置移動的向量值。因為Mean Shift算法是具有收斂性的，所以可以使用迭代的方法得到在當前幀中運動目標的真實位置。

在運動目標區(qū)域中，Mean Shift算法將顏色空間分成m個子空間，從而可以計算出運動目標的初始模型和候選模型的概率密度函數(shù)。

1.1 目標模型的建立

對于初始幀圖像目標區(qū)域內(nèi)的所有像素點，可以計算得到在特征空間中特征值的概率密度值，運動目標模型中m個特征值的密度函數(shù)為

假定用 {xi}i=1，2，…，n表示目標模型中有 n 個像素點，則目標模型的特征值u=1，2，…，m的概率密度函數(shù)公式為

1.2 候選模型的建立

在后續(xù)的圖像幀中的候選目標區(qū)域中，候選目標模型有m個特征值

候選目標的中心位置為y，候選目標區(qū)域的像素點用{xi}i=1，2，…，nh表示，則候選目標模型的特征值u=1，2，…，m的概率密度公式為

式中:Ch為歸一化的常量。

1.3 目標模型和候選目標模型的相似性

在連續(xù)幀中，目標模型和候選目標模型的相似度可以通過相似性函數(shù)來判斷，理想情況下，兩個模型的概率密度分布是完全一致的。本文選擇Bhattacharyya系數(shù)來判斷目標模型和候選模型的相似度，則有

1.4 目標的定位

在當前幀中，可以先由前一幀目標的位置y0開始匹配最優(yōu)化的目標位置，可以用y表示。計算候選目標模型的概率密度函數(shù)(y0)，對式(5)在)處進行一階泰勒展開，此時Bhattacharyya系數(shù)為

由式(4)可得

式中:wi為候選目標區(qū)域的像素點權(quán)重。則有

核函數(shù)k(x)的中心位置從初始位置y0開始不斷向新的位置移動，從而進行匹配，新的位置描述為

式中:g(x)=-k′(x)。

2 自適應(yīng)目標跟蹤框

在Mean Shift目標跟蹤算法中，運動目標的跟蹤過程中會出現(xiàn)跟蹤框的大小固定不變的情況。當運動目標遠離鏡頭時，目標變小，但是跟蹤框大小不變，可能會對其他運動目標的跟蹤帶來干擾;當運動目標靠近鏡頭時，目標變大，但是跟蹤框大小依舊不變，可能會出現(xiàn)目標跟丟的情況。

如圖1所示，本文應(yīng)用Surendra背景更新算法［8］獲取背景，再通過背景差分法提取出運動目標，得到運動目標后，將此運動目標的位置信息和上文中Mean Shift跟蹤算法得到的目標的位置信息做比較，如果兩者相符合，則認為檢測出的兩個運動目標是同一個。記錄Surendra背景更新算法提取出運動目標的位置信息(左端點xmin、右端點xmax、上端點ymin和下端點ymax)，從而得到目標的長和寬信息，最后用方框表示出運動目標的位置。在連續(xù)幀內(nèi)，隨著目標的運動，會發(fā)現(xiàn)運動目標的跟蹤框的大小實時變化。

2.1 Surendra背景更新算法

在Surendra背景更新算法中，當算法處理的次數(shù)達到最大的迭代次數(shù)時，Surendra背景更新會停止，把取到的背景圖像當作固定的背景，這不適合亮度有變化的場景。在本文中，取消設(shè)置最大迭代次數(shù)，使得Surendra背景更新算法一直在處理，從而得到實時的背景。Surendra背景更新算法流程圖如圖1所示。

圖1 Surendra背景更新算法流程圖

取第一幀圖像f0作為初始背景B0，當前幀和前一幀的差分結(jié)果的二值化圖像為Di

通過得到的兩幀差值結(jié)果Di可知，背景更新可以由式(11)表示

式中:α為更新因子。

2.2 背景差分提取運動目標跟蹤框

通過Surendra背景更新算法得到實時背景后，將當前幀圖像fi和得到的背景Bi相減。如式(12)和式(13)所示，如果得到的差值Di小于閾值T，則認為是背景圖像;反之，則認為是前景圖像。

通過背景差分提取出運動目標后，可以得到目標的位置信息(左端點xmin、右端點xmax、上端點ymin和下端點ymax)，把兩種方法得到的位置信息做比較，如果兩者相符，則認為是同一目標;反之，則認為不是同一目標。如式(14)和式(15)可示，背景差分得到的運動目標中心坐標位置和長寬分別為

式中:(xi，yj)為運動目標所在像素點的坐標位置。

3 實驗結(jié)果

本文采用TI公司的DM642數(shù)字信號處理器對采集到的D1格式的視頻進行處理。在處理時，本文采用2塊DM642處理器同時對Mean Shift算法和改進的Mean Shift算法進行視頻幀圖像的處理。圖2表示的是Mean Shift目標跟蹤算法的處理效果，圖3表示的是改進的Mean Shift跟蹤算法的處理效果。

對比兩種算法在實際場景下的處理結(jié)果可以知道，運動目標由遠及近的過程中，改進算法可以明確看出目標跟蹤框是隨著目標的變大不斷變大的。因此，本文中的改進算法能很好地解決Mean Shift跟蹤算法存在的跟蹤框大小不變的問題，具有較好的效果;并且DM642處理器的處理速度也沒有受到大的影響，可以保證本文的算法可以在DM642處理器上正常運行，實時地進行圖像幀的處理。

4 總結(jié)

本文以Mean Shift目標跟蹤算法來實現(xiàn)運動目標的跟蹤，由于傳統(tǒng)Mean Shift目標跟蹤算法中存在跟蹤框大小不變的情況，可能會導(dǎo)致在跟蹤過程中目標跟丟的情況發(fā)生。本文提出了結(jié)合背景差分法來實現(xiàn)目標跟蹤框的大小自適應(yīng)變化，在實際的工程應(yīng)用中，改進的Mean Shift跟蹤算法在DM642上可以流暢地運行，算法的實時性可以保證。由于車輛的速度過快，從而導(dǎo)致跟蹤框滯后于車輛的情況發(fā)生，對車輛的跟蹤以及后續(xù)的車速的計算有一定的影響，但是影響不大。

［1］COLLONS R T.Mean－Shift Blob tracking through scale space［C］//Proc.2003 IEEE Computer Society Conference on Computer Vision and Pattern Recognition.［S.l.］:IEEE Press，2003:234－240.

［2］王宇.基于Mean Shift的序列圖像手勢跟蹤算法［J］.電視技術(shù)，2010，34(6):97－99.

［3］梁靜，支琤，周軍.基于Mean Shift的抗遮擋運動目標跟蹤算法［J］.電視技術(shù)，2008，32(12):82－85.

［4］FUKUNAGE K，HOSTETLER L D.The estimation of the gradirent of a density function with application in pattern recognition［J］.IEEE Trans.Information Theory，1975，21(1):32－40.

［5］CHENG Y.Mean Shift，mode seeking，and clustering［J］.IEEE Trans.Pattern Analysis and Machine Intelligence，1995，17(8):790－799.

［6］COMANICIU D，MEER P.Mean Shift:a robust approach toward feature space analysis［J］.IEEE Trans.Pattern Analysis and Machine Intelligence，1999，24(5):603－619.

［7］胡彪，龔曉峰.基于改進背景差法的運動目標檢測［J］.計算機工程與設(shè)計，2010，31(17):3841－3844.

［8］GUPTE S.Detection and classification of vehicles［J］.IEEE Trans.Intelligent Transportation Systems，2002，3:37－40.