張辰　彭玉旭

摘要：針對(duì)經(jīng)典CAMshift（continuouslv Adaptive Meanshift，連續(xù)自適應(yīng)均值偏移算法）算法易受色度相似背景像素干擾的問(wèn)題，提出了基于HSV非均勻量化的CAMshift目標(biāo)跟蹤算法，有效地解決了經(jīng)典算法存在的缺陷。通過(guò)在經(jīng)典CAMshift算法顏色直方圖中引入亮度和飽和度分量，并對(duì)顏色空間進(jìn)行非均勻量化，提高目標(biāo)與背景的區(qū)分度，抑制背景像素對(duì)目標(biāo)的干擾。在多個(gè)視頻數(shù)據(jù)上的仿真實(shí)驗(yàn)結(jié)果表明，該算法有效地克服了經(jīng)典CAMshift算法對(duì)背景像素敏感的問(wèn)題，提高了與背景色調(diào)相近場(chǎng)景下目標(biāo)跟蹤的準(zhǔn)確性。

關(guān)鍵詞：CAMshift；目標(biāo)跟蹤：非均勻量化：顏色直方圖

0引言

運(yùn)動(dòng)目標(biāo)跟蹤技術(shù)是計(jì)算機(jī)視覺(jué)領(lǐng)域的核心研究?jī)?nèi)容，旨在根據(jù)設(shè)定的目標(biāo)初始信息，查找每一幀視頻或序列圖像中的興趣目標(biāo)。該技術(shù)廣泛應(yīng)用于人機(jī)交互、人類行為分析、物體偵查、視頻檢索、視頻監(jiān)控、虛擬現(xiàn)實(shí)、遠(yuǎn)程醫(yī)療等領(lǐng)域。近年來(lái)，目標(biāo)跟蹤算法得到了擴(kuò)展與更新，根據(jù)目標(biāo)跟蹤算法的原理，可分為基于區(qū)域的跟蹤、基于主動(dòng)輪廓跟蹤、基于模型的跟蹤、基于特征的跟蹤四類。當(dāng)前，目標(biāo)跟蹤算法面臨的難題則包括有諸如目標(biāo)形變、尺度變化的內(nèi)在因素，以及諸如背景干擾、光照變化、遮擋的外在因素。

其中，在基于特征的目標(biāo)跟蹤算法中，顏色信息作為基礎(chǔ)性的頂級(jí)直觀的物理特征，因其不受圖像的空間位置影響且對(duì)目標(biāo)物體的尺度變化、旋轉(zhuǎn)、平移均有良好的適應(yīng)性等優(yōu)勢(shì)而被廣泛應(yīng)用。在實(shí)際應(yīng)用中，常采用顏色直方圖作為目標(biāo)跟蹤的依據(jù)。顏色直方圖是用來(lái)表達(dá)目標(biāo)物體顏色信息的重要統(tǒng)計(jì)特征，是指將顏色空間劃分為一組顏色區(qū)間，然后從數(shù)學(xué)的角度統(tǒng)計(jì)像素值處于不同區(qū)間內(nèi)像素的數(shù)量，從而描述出圖像顏色。

目前，在目標(biāo)跟蹤領(lǐng)域中應(yīng)用上堪稱普及廣泛的即是Meanshift（均值漂移）算法，該算法通過(guò)對(duì)概率分布進(jìn)行梯度優(yōu)化以獲取目標(biāo)定位，對(duì)目標(biāo)物體諸如旋轉(zhuǎn)、形變、平移等運(yùn)動(dòng)均有良好的適應(yīng)性，可以實(shí)現(xiàn)對(duì)非剛性目標(biāo)的實(shí)時(shí)追蹤。在Meanshift算法的基礎(chǔ)上，Bradski提出了可以自適應(yīng)調(diào)整搜索窗口大小的CAMshift算法，該算法是對(duì)Meanshift算法的改進(jìn)與延伸，其核心思想是對(duì)視頻的每一幀圖像設(shè)計(jì)開展Meanshift運(yùn)算，從而能夠提供對(duì)目標(biāo)模型的實(shí)時(shí)自動(dòng)更新，與此同時(shí)，也繼承了Meanshift算法對(duì)目標(biāo)尺度變化具有良好適應(yīng)性的優(yōu)點(diǎn)。

現(xiàn)有目標(biāo)跟蹤算法在面對(duì)復(fù)雜場(chǎng)景，尤其是當(dāng)興趣目標(biāo)與背景顏色相近時(shí)，易受到干擾，導(dǎo)致跟蹤失敗。針對(duì)這種情況，本文提出了一種新的CAMshift目標(biāo)跟蹤算法，通過(guò)對(duì)圖像的非均勻量化，以顯著強(qiáng)化反投影概率圖中目標(biāo)與背景的區(qū)分度，從而提高跟蹤的精度。