基于改進的幀差法和Mean?shift結(jié)合的運動目標(biāo)自動檢測與跟蹤

鄧文浩　唐立才　張南鋒　紀(jì)曦　王兵

摘 要： 為了實現(xiàn)在靜態(tài)背景下對運動目標(biāo)的自動檢測跟蹤，提出基于改進的幀差法和Mean?shift結(jié)合的運動目標(biāo)自動檢測與跟蹤算法。該算法改進了傳統(tǒng)的三幀差分法，引入單高斯背景模型參與目標(biāo)檢測。此外，傳統(tǒng)的Mean?shift算法，在起始幀需要手動選定目標(biāo)，且選定窗口大小固定不變，不能根據(jù)目標(biāo)尺寸變化而變化，從而導(dǎo)致失去目標(biāo)。這里提出的方法先利用改進的幀差法檢測目標(biāo)，確定目標(biāo)的位置窗口和中心，然后結(jié)合Mean?shift算法，根據(jù)是否超出設(shè)定的閾值來確定是否需要更新模板，從而實現(xiàn)該算法對運動目標(biāo)的自動跟蹤。實驗表明，該算法計算速度快，具有較高的準(zhǔn)確率。

關(guān)鍵詞： 目標(biāo)檢測； 幀差法； 目標(biāo)跟蹤； Mean?shift算法

中圖分類號： TN944.4?34 文獻標(biāo)識碼： A 文章編號： 1004?373X（2016）04?0108?04

Abstract： To realize the automatic detection and tracing of the moving target in static background， the moving target automatic detection and tracking algorithm based on the integration of modified frame difference method and Mean?shift algorithm is proposed， in which the traditional three?frame different method is modified， and the single?Gaussian background model is introduced into target detection. Since the traditional Mean?shift method has some difficulties， that is， a manual operation is needed at the start frame to select the target， and the selected window size is fixed and cant change with the target size， the target will be lost. The modified frame difference method is used to detect the target to conform the target location window and centre， and then the Mean?Shift algorithm is combined to determine whether the new template needs to be updated by judging whether the target window and centre exceed the setting threshold. The automatic tracing of moving target can be implemented by the algorithm. The experimental results show this algorithm has fast computation speed and high accuracy.

Keywords： target detection； frame difference method； target tracking； Mean?shift algorithm

0 引 言

運動目標(biāo)的自動檢測與跟蹤是國內(nèi)外研究的熱點，并廣泛應(yīng)用于軍事、交通、安防等領(lǐng)域。目前，運動目標(biāo)的檢測方法主要包括背景差分法[1]、光流法[2]和幀差法[3?5]。背景差分法利用當(dāng)前幀和背景幀相對比提取運動目標(biāo)的方法，雖然易于實現(xiàn)，但是對背景的變化過于敏感。光流法分析圖像中每個像素點的速度矢量特征，對圖像動態(tài)分析，當(dāng)目標(biāo)運動時光流失量會發(fā)生相應(yīng)的變化，從而檢測出運動目標(biāo)。但是光流法實時性差，容易被噪聲影響。幀差法通過比對相鄰幀的像素的時間差分并通過閾值化來提取運動目標(biāo)，幀差法算法簡單，無需建立背景模型，但容易漏檢緩慢移動的目標(biāo)。目標(biāo)的跟蹤方法主要采用Mean?shift算法。Mean?shift是一種密度梯度的無參估計方法，采用核函數(shù)直方圖建模，計算量小，實時性好，在邊緣遮擋和背景運動不均的情況下，也能很好地完成跟蹤過程。但是Mean?shift算法必須是起始人為確定搜索窗口，并且在跟蹤過程中搜索窗口始終保持初始大小，在目標(biāo)大小發(fā)生改變時搜索窗口的大小無法跟隨目標(biāo)而變化，從而導(dǎo)致跟丟目標(biāo)的現(xiàn)象。

本文提出一種基于改進的幀差法和Mean?shift結(jié)合的運動目標(biāo)自動檢測與跟蹤的方法，首先改進了幀差法容易漏檢緩慢移動目標(biāo)的缺陷，然后將幀差法檢測出的目標(biāo)與Mean?shift相結(jié)合，實現(xiàn)了Mean?shift的搜索窗口可以隨著物體大小的改變而實時更新適應(yīng)。

1 通過改進的幀差法檢測并提取運動目標(biāo)

1.1 算法流程

利用上述改進的方法檢測到的運動目標(biāo)有一些小的空洞，可利用圖像形態(tài)學(xué)[4]中二值圖像的膨脹和腐蝕方法來消除。

1.4 提取運動目標(biāo)

當(dāng)檢測到運動目標(biāo)時，即可確定目標(biāo)的運動區(qū)域。為了提取出運動目標(biāo)，還需去除運動目標(biāo)區(qū)域包含的大量陰影，陰影的存在嚴(yán)重地干擾了運動目標(biāo)的邊緣檢測。陰影的檢測方法基于陰影特征和基于幾何模型兩大類。其中基于陰影特征的檢測方法是通過檢測陰影的幾何特征、顏色和亮度來處理圖像。由于陰影的存在只影響像素點的亮度，并不會給像素點的顏色帶來太大影響。本文采用基于HSV顏色空間的陰影檢測方法[1]并結(jié)合邊緣檢測[5]提取運動目標(biāo)。首先，利用邊緣檢測方法得到目標(biāo)運動區(qū)域的邊緣。然后，利用HSV法檢測出目標(biāo)運動區(qū)域的陰影，再利用邊緣檢測得到陰影部分的邊緣。最后，用目標(biāo)運動區(qū)域的邊緣減去陰影部分的邊緣即可得到準(zhǔn)確的目標(biāo)邊緣信息。

2 Mean?shift目標(biāo)跟蹤

2.1 Mean?shift算法概述

經(jīng)典的目標(biāo)跟蹤方法有：模板匹配、光流法、Kalma濾波、基于顏色直方圖特征分布的Mean?shift算法[6?7]。Mean?shift最早是由Fukunaga于1975年在一篇關(guān)于概率密度梯度函數(shù)的估計中提出的，最初的含義是偏移的均值向量[8]。本文中Mean?shift是一個名字指代一個向量，隨著Mean?shift的發(fā)展，Mean?shift的含義也發(fā)生了變化，現(xiàn)在提到的Mean?shift算法是一個迭代的過程，先通過計算得到當(dāng)前點的偏移均值，將這個點移動到它的偏移均值處，并以此點為新的起點，繼續(xù)重復(fù)上述過程，直到滿足條件。隨后Yizong Cheng對基本的Mean?shift算法做了改進，首先定義了一族核函數(shù)，使偏移量對均值偏移向量的貢獻隨著樣本與被偏移點的距離不同而變化，其次設(shè)定了一個權(quán)重系數(shù)，使不同的樣本點重要性不同，擴大了Mean?shift的適用范圍。

3 實 驗

本文實驗采用室內(nèi)拍攝的一段視頻作為視頻源驗證算法的有效性。算法運行在Matlab上，通過觀察目標(biāo)檢測的結(jié)果是否出現(xiàn)大量的孔洞以驗證改進的幀差法的有效性，在目標(biāo)跟蹤效果上，通過觀察搜索框的大小和中心位置是否實時跟隨目標(biāo)的變化而變化，來驗證Bhattacharyya相似性度量系數(shù)[ρ（y）]的變化量是否超過閾值[r]，并且成功地重新啟動了目標(biāo)檢測算法并更新了搜索窗。若目標(biāo)檢測結(jié)果清晰，沒有出現(xiàn)空洞，并且Mean?shift算法的跟蹤窗口的大小和位置可以根據(jù)目標(biāo)物體變化實時更新大小和位置，即可驗證算法的有效性。

實驗步驟如下：

（1） 讀取視頻序列。

（2） 提取靜態(tài)背景，以及連續(xù)的5幀圖像[p1]，[p2]，[p3]，[p4]，[p5]。

（3） 將中間幀與提取的靜態(tài)背景作幀差得到[DifpM]。

（4） 利用本文上述5幀差算法檢測得到運動目標(biāo)[D]。

（5） 對檢測得到的目標(biāo)區(qū)域進行HSV變換，結(jié)合邊緣檢測信息，消除陰影并提取出目標(biāo)邊框和中心點。

（6） 將步驟（5）中得到的目標(biāo)邊框和中心點作為Mean?shift算法的模板。

（7） 對后續(xù)幀進行逐幀目標(biāo)跟蹤，并判斷Bhattacharyya相似性度量系數(shù)[ρ（y）]是否超過閾值；若沒有超過閾值，則繼續(xù)跟蹤直到視頻幀結(jié)束；若超過給定閾值，從當(dāng)前幀開始轉(zhuǎn)入步驟（2），重新檢測并獲得目標(biāo)窗口。

目標(biāo)檢測實驗結(jié)果如圖2所示。

由圖2可以看出，傳統(tǒng)的三幀差分法處理出的圖像具有明顯的空洞，目標(biāo)人物輪廓模糊。而改進后的算法得到的圖像人物輪廓清晰，說明本算法提取精度較高，效果理想。

目標(biāo)跟蹤實驗結(jié)果如圖3所示。圖3（a）～圖3（d）為不同幀的跟蹤效果圖。從圖3中可以明顯看出，隨著目標(biāo)人物位置及尺寸的變化，搜索窗口的位置和大小也在隨之改變。說明Bhattacharyya相似性度量系數(shù)[ρ（y）]的變化量超過了閾值[r]，并且成功地重新啟動了目標(biāo)檢測算法。在整個跟蹤過程中，沒有出現(xiàn)“跟丟”的現(xiàn)象，此外整個過程沒有人參與，實現(xiàn)了目標(biāo)的自動跟蹤。

4 結(jié) 語

隨著智能監(jiān)控等技術(shù)的應(yīng)用，目標(biāo)檢測與跟蹤技術(shù)變得尤為重要。本文提出一種基于改進的幀差法與Mean?shift算法結(jié)合的運動目標(biāo)檢測與跟蹤算法，適用于靜態(tài)背景的條件下。

該算法有效地克服了傳統(tǒng)幀差法和Mean?shift算法的不足，消除了傳統(tǒng)算法在檢測和跟蹤過程中有可能出現(xiàn)的空洞和邊緣斷裂等現(xiàn)象，準(zhǔn)確地檢測到目標(biāo)邊緣信息，完整地提取出了目標(biāo)的輪廓，并且用提取到的目標(biāo)輪廓作用于Mean?shift實時更新了目標(biāo)的跟蹤窗口，對于靜態(tài)背景下的運動目標(biāo)檢測與追蹤有很好的效果；并且程序采用的方法簡單，運算速度快，可以滿足實時性的要求。

參考文獻

[1] 陳磊，鄒北驥.基于動態(tài)閾值對稱差分和背景差法的運動對象檢測算法[J].計算機應(yīng)用研究，2008，25（2）：488?490.

[2] JI X P， WEI Z Q， FENG Y W. Effective vehicle detection technique for traffic surveillance systems [J]. Journal of visual communication and image representation， 2006， 17（3）： 647?658.

[3] 張玲，陳麗敏，何偉，等.基于視頻的改進幀差法在車流量檢測中的應(yīng)用[J].重慶大學(xué)學(xué)報（自然科學(xué)版），2004，27（5）：31?33.

[4] 李鵬杰，楊樹元.運動目標(biāo)自動特征提取與跟蹤[J].計算機科學(xué)，2002，29（z2）：174?178.

[5] 裹娟娟，秦勃，王勝科，等.基于移動區(qū)域的快速車輛檢測[J].計算機應(yīng)用，2008，28（3）：804?807.

[6] CHENG Yizong. Mean shift， mode seeking， and clustering [J]. IEEE transactions on pattern analysis and machine intelligence， 1995， 17（8）： 790?799.

[7] 盧曉鵬，殷學(xué)民，鄒謀炭.一種基于顏色分布的混合視頻跟蹤方法[J].電子與信息學(xué)報，2008，30（2）：259?262.

[8] LEE H P， FOSKEY M， LEVY J， et al. The estimation of the gradient of a density function， with applications in pattern recognition [J]. IEEE transactions on information theory， 1975， 21（1）： 32?40.

[9] 蔣建國，孫洪艷，齊美彬.基于Mean?shift算法的人臉實時跟蹤方法[J].計算機應(yīng)用研究，2008，25（7）：2225?2227.