一種避免遮擋物影響的運動目標檢測方法

任世卿++王思思++薛桐

摘要：隨著計算機軟件和硬件的快速發(fā)展，基于計算機視覺的智能視頻監(jiān)控技術(shù)日益重要。其中，運動目標檢測是重要的技術(shù)之一。CamShift算法利用目標區(qū)域在HSV顏色空間下的H分量作為目標特征，對目標形變敏感度低，具有復雜度低、計算量小、實時性好等優(yōu)點，被廣泛用于運動目標檢測領(lǐng)域。但是，當運動目標接近遮擋物時，CamShift算法會出現(xiàn)明顯偏移的問題。本文提出運用單高斯背景模型對運動目標進行背景建模，進而確定運動過程中出現(xiàn)的遮擋物位置，再利用H分量灰度圖計算運動目標所在位置的方法。實驗結(jié)果表明，該方法有效地解決了原CamShift算法在接近遮擋物時跟蹤出現(xiàn)偏移的問題，在一定程度上增加了原算法的準確性。

關(guān)鍵詞：CamShift算法；運動目標檢測；單高斯背景模型

中圖分類號：TP3 文獻標識碼：A 文章編號：1009-3044（2015）17-0160-03

視頻監(jiān)控技術(shù)是在無人工處理的情況下，利用圖像處理等相關(guān)技術(shù)，對實時拍攝的視頻流進行自動處理，完成對視頻中的運動目標的檢測、跟蹤、識別、行為分析等。在視頻監(jiān)控領(lǐng)域所包含的眾多重要技術(shù)中，運動目標跟蹤技術(shù)一直是很活躍的研究對象，它結(jié)合了很多領(lǐng)域內(nèi)的高級技術(shù)，在理論研究上有很高的價值。運動目標的跟蹤，首先對圖像序列中的每一幀圖像提取目標的位置和特征信息，然后根據(jù)特征值對不同幀中的同一目標關(guān)聯(lián)起來，再通過計算得到每幀圖像中目標的運動參數(shù)及在相鄰圖像幀中的位置關(guān)系，最后得到運動目標的運動軌跡[1]。

在運動目標自動檢測過程中，當運動目標接近遮擋物時，特別是接近與運動目標顏色相近的遮擋物時，自動檢測算法會出現(xiàn)明顯的偏移。針對這一問題，本文改進了Camshift算法，在計算運動目標所在位置之前先確定目標運動過程中出現(xiàn)的遮擋物位置，從而避免了檢測過程中的遮擋物的影響，為準確檢測各種環(huán)境下運動目標目標打下了堅實的基礎(chǔ)。

1 Camshift算法

Bradski針對Mean Shift算法不足之處，在1998年提出了Camshift算法[2-5]。該算法的主要思想是，首先選取運動目標區(qū)域，設(shè)目標區(qū)域內(nèi)像素點用[（x，y）]來表示；其次提取目標區(qū)域在HSV顏色空間模型的H分量直方圖作為目標特征；然后建立H分量直方圖的反向投影圖，用[H（x，y）]表示；最后通過計算[H（x，y）]的零階矩和一階矩，確定目標區(qū)域的質(zhì)心。零階矩和一階矩具體計算如下所示。

零階矩：

對得到的搜索窗口的質(zhì)心位置和大小參數(shù)，進行Mean Shift迭代運算。通過預(yù)先設(shè)定的閾值以及迭代次數(shù)，判斷收斂性，停止迭代運算，得到收斂過的搜索窗口的質(zhì)心和大小參數(shù)，并把搜索窗口顯示出來。在進行Mean Shift算法時，只對搜索窗口內(nèi)的像素進行匹配計算，這樣就大大減少了計算量，另外CamShift算法有很好的實時性、魯棒性、算法復雜度低等優(yōu)點，在目標跟蹤領(lǐng)域被廣泛使用。但是CamShift算法是利用HSV顏色空間模型中的H分量作為運動目標的特征，所以在當目標與背景色度相近時，跟蹤會出現(xiàn)明顯的偏移，甚至丟失的現(xiàn)象。

2 改進的Camshift算法

隨著目標的運動，遮擋物在目標周圍出現(xiàn)的體積是一個逐漸增大的過程，準確地得到這個從小到大的區(qū)域是非常重要的一步。本文提出首先利用單高斯模型建立對運動目標進行背景建模，通過計算可以得到遮擋物的位置。算法主要過程如下：

2.1 確定初始搜索窗口

為便于實驗，使用手動選擇運動目標目標。

2.2 取運動目標周圍得到一張小圖像

以運動目標為中心向四周擴展一定大小，將此部分單獨拿出來作為一張小圖像代替整幀參與計算。這樣不僅可以減少計算量，而且可以避免背景的一些變化對背景建模的干擾。本文中該大小取為向四周擴展20個像素值。

2.3 利用單高斯模型對運動目標進行背景建模

利用單高斯背景模型，對前幾幀小圖像進行背景建模，得到背景模型二值化圖像img1。

2.4 確定遮擋物的位置

1）將背景幀img1和當前幀img2進行與運算，即img1&img2，提取二者的公共部分，再用當前幀和公共部分相減，即img2-（img1&img2），得到與公共部分有差異的區(qū)域，并將此結(jié)果重新賦給img1，如圖1所示。

2） 對建模結(jié)束后的每一幀圖像，取小圖像，提取H分量灰度圖并重新賦給img2；

3）利用重新得到的img1和img2再次計算img2-（img2&img1），若當前幀img2中沒有出現(xiàn)遮擋物，則此結(jié)果不會改變目標特征H分量各像素點的值；若當前幀中出現(xiàn)遮擋物，則可以確定其在img2中的位置。如圖2所示。

2.5 獲取新的運動目標H分量灰度圖

利用得到的遮擋物位置，將當前幀H分量灰度圖中對應(yīng)的位置置0，利用當前幀的新的H分量灰度圖進行后續(xù)CamShift算法的運算。

3 實驗結(jié)果分析

采用的實驗環(huán)境為Matlab2012a軟件，實驗圖像序列大小為[272×489]像素。圖像序列描述的是一個緩慢移動的小杯子（目標），逐漸靠近一個固定的體積比目標略大的遮擋物，并且遮擋物與目標的顏色非常相似，目標與遮擋物的灰度值對比如表1所示（X、Y分別表示橫坐標和縱坐標）。隨著目標的移動，遮擋物在目標運動方向上出現(xiàn)的體積逐漸變大。

通過對比圖3和圖4可以看出，改進后的算法的跟蹤結(jié)果明顯優(yōu)于原算法。圖5以目標實際位置中心的橫縱坐標（藍色）為基準，表達了原算法（紅色）與改進算法（綠色）的跟蹤窗口質(zhì)心的橫縱坐標與基準坐標的偏差，在計算目標實際位置質(zhì)心時，選擇的是整個目標，而計算原算法與改進算法時使用的是跟蹤窗口內(nèi)的目標，所以會出現(xiàn)圖5中原算法與改進算法計算的質(zhì)心位置都偏離目標實際位置的情況。從圖中可以看到，在跟蹤初期目標離遮擋物稍遠時，原算法與改進算法計算的結(jié)果曲線基本重合，隨著目標的移動慢慢靠近相近顏色遮擋物時，原算法的跟蹤結(jié)果（紅色標記）出現(xiàn)了很大的偏差，而改進算法的跟蹤結(jié)果（綠色標記）浮動較小，基本在跟蹤初期時結(jié)果的上下浮動，所以，通過此誤差對比，進一步說明了當目標接近相似顏色固定遮擋物時，改進算法能夠取得更好的跟蹤結(jié)果。

4 結(jié)論

CamShift算法在目標接近與其顏色相似的固定遮擋物時會發(fā)生偏移。這對這一問題，本文提出使用背景模型來確定固定遮擋物的位置，并修改H分量灰度圖中相應(yīng)位置上像素值的方法，完成了對CamShift算法在跟蹤過程中的改進，并通過實驗證明了這一改進方法的有效性。要得到準確的遮擋物位置，關(guān)鍵的是背景模型的建立是否準確。此外，本文算法多次使用二值圖像進行運算，轉(zhuǎn)換二值圖像時使用的閾值直接影響轉(zhuǎn)換的結(jié)果，從而影響遮擋物位置的確定，對于不同的圖像序列，需要根據(jù)圖像中顏色分布的不同來選取不同的分割閾值，所以閾值大小的選取是非常重要的。

參考文獻：

[1] 方帥. 計算機智能視頻監(jiān)控系統(tǒng)關(guān)鍵技術(shù)研究[D]. 東北大學博士論文， 2005.1-2[2]A.

[2] G. R. Bradski. Real Time Face and Object Tracking as a Component of a Perceptual User Interface[J]. Proc. IEEE Workshop Applications of Computer Vision， 1998： 214-219.

[3] Allen John G， Xu Richard Y D， Jin Jesse S. Object Tracking Using Camshift Algorithm and Multiple Quantized Feature Spaces[C]. Pan-Sydney Area Workshop on Visual Information Processing VIP2003. Sydney， Australia.2003： 1-5.

[4] 張宏志， 張金換， 岳卉等. 基于Camshift 的目標跟蹤算法[J]. 計算機工程與設(shè)計， 2006， 6（27）： 212-214.

[5] Patrick Cavanagh， George A， Alvarez. Tracking multiple targets with multifocal attention[J]. Trends in Cognitive Sciences， 2005， 7（9）： 349-354.