基于改進(jìn)CamShift的目標(biāo)跟蹤系統(tǒng)算法

敖邦乾，楊 莎，劉小雍，葉振環(huán)

(1.遵義師范學(xué)院工學(xué)院，貴州 遵義 563006；2.遵義師范學(xué)院物理與電子科學(xué)學(xué)院，貴州 遵義 563006)

0 引言

無(wú)人水面艇(unmanned surface vessel，USV)經(jīng)常被用于執(zhí)行特殊且不適合載人的任務(wù)，能完成情報(bào)收集、環(huán)境監(jiān)測(cè)、水面搜救和水文地理勘查等任務(wù)，應(yīng)用十分廣泛。對(duì)于正在執(zhí)行任務(wù)的USV進(jìn)行檢測(cè)跟蹤，可以有效實(shí)施操作及控制。其中，基于區(qū)域的跟蹤[1]對(duì)整個(gè)圖像區(qū)域進(jìn)行搜索，通過(guò)對(duì)比運(yùn)動(dòng)目標(biāo)相鄰兩幀的位置變化實(shí)現(xiàn)區(qū)域跟蹤；基于活動(dòng)輪廓的算法[2]將運(yùn)動(dòng)目標(biāo)的邊界輪廓作為跟蹤模板，并對(duì)輪廓進(jìn)行實(shí)時(shí)的跟蹤；基于模型的方法[3]通過(guò)對(duì)運(yùn)動(dòng)模板的外形特征建立2D或3D模型來(lái)完成跟蹤任務(wù)。這些算法中，基于區(qū)域的跟蹤方法需要搜索整個(gè)圖像區(qū)域，計(jì)算量大，實(shí)時(shí)性較差；基于活動(dòng)輪廓的跟蹤方法，目標(biāo)輪廓的更新比較困難；基于模型的跟蹤方法則難以建立精確的模型，且易受外界影響。

基于特征的跟蹤方法[4]通過(guò)提取運(yùn)動(dòng)目標(biāo)的物理特征，利用相關(guān)的跟蹤算法實(shí)現(xiàn)對(duì)目標(biāo)有效的跟蹤，其中，MeanShift是基于迭代收斂到概率最大的局部極大的非參數(shù)估計(jì)法[5]；Camshift則是對(duì)MeanShift的一種改進(jìn)[6]，通過(guò)調(diào)整核函數(shù)來(lái)適應(yīng)跟蹤目標(biāo)在圖像中的大小，能有效解決目標(biāo)變形和遮擋的問(wèn)題，同時(shí)算法對(duì)系統(tǒng)資源要求不高，時(shí)間復(fù)雜度低，在較簡(jiǎn)單背景下能夠取得較好的跟蹤效果，但是傳統(tǒng)的CamShift只對(duì)HSV中的H分量進(jìn)行統(tǒng)計(jì)分析，易導(dǎo)致跟蹤特征單一，當(dāng)背景較為復(fù)雜或有許多與目標(biāo)顏色相似像素干擾的情況下，會(huì)導(dǎo)致跟蹤失敗，文獻(xiàn)[7]引入S分量，通過(guò)構(gòu)建H-S二維直方圖對(duì)原算法進(jìn)行改進(jìn)；文獻(xiàn)[8]繼續(xù)加入V分量，組成三維直方圖跟蹤模板進(jìn)一步改進(jìn)了算法，跟蹤性能得到了進(jìn)一步的提升，但是這類方法只是單純地考慮顏色直方圖，忽略了目標(biāo)的空間分布特性。

為了提升目標(biāo)跟蹤效果的魯棒性，文獻(xiàn)[9]提出將MeanShift與Kalman濾波相結(jié)合的跟蹤方法，充分發(fā)揮Kalman濾波器的預(yù)測(cè)功能和MeanShift跟蹤器的搜索功能，提高了跟蹤的精度和實(shí)時(shí)性；文獻(xiàn)[10]提出了一種改進(jìn)的CamShift和Kalman組合的目標(biāo)跟蹤算法，能對(duì)被嚴(yán)重阻擋或在與目標(biāo)顏色相近的背景環(huán)境下的運(yùn)動(dòng)目標(biāo)進(jìn)行連續(xù)跟蹤。

對(duì)于運(yùn)動(dòng)的跟蹤目標(biāo)，當(dāng)運(yùn)動(dòng)目標(biāo)發(fā)生形變或遮擋時(shí)，需要進(jìn)行大量的計(jì)算，同時(shí)跟蹤的實(shí)時(shí)性較差，魯棒性不是很強(qiáng)，本文針對(duì)以上的問(wèn)題，提出一種基于目標(biāo)邊緣檢測(cè)的改進(jìn)CamShift和Kalman濾波相結(jié)合的跟蹤算法，改進(jìn)了當(dāng)跟蹤目標(biāo)與環(huán)境顏色相近時(shí)魯棒性較差的問(wèn)題，同時(shí)對(duì)于快速運(yùn)動(dòng)及被障礙物遮擋的跟蹤目標(biāo)也具有很好的跟蹤性能。

1 CamShift目標(biāo)跟蹤算法

RGB顏色空間對(duì)光線較為敏感，為了減少光照變化對(duì)檢測(cè)目標(biāo)的影響，將需要檢測(cè)跟蹤的目標(biāo)圖像從RGB顏色空間轉(zhuǎn)換到HSV顏色空間，轉(zhuǎn)換后效果如圖1所示，其中，HSV顏色空間的h值計(jì)算如下：

圖1 被跟蹤目標(biāo)原始及轉(zhuǎn)換后的圖像Fig.1 The original image and converted image of the target

(1)

式(1)中，r(紅色)、g(綠色)、b(藍(lán)色)分別表示在RGB顏色空間中的坐標(biāo)值，其取值為[0, 1]。在HSV顏色空間中，h取值范圍為[0, 360]，它的值被歸一化為介于0和180之間以匹配8位灰度圖像(0，255)，HSV顏色空間的s值為：

(2)

HSV顏色空間的v值為：

(3)

本文算法采用HSV色彩空間進(jìn)行處理，對(duì)于前方目標(biāo)由于轉(zhuǎn)向及變速等引起的形狀及顏色變化具有一定的魯棒性，通過(guò)分離出其中的H(色調(diào))分量進(jìn)行該區(qū)域的色調(diào)直方圖計(jì)算，得到目標(biāo)模板的顏色直方圖，根據(jù)獲得的顏色直方圖將原始輸入圖像轉(zhuǎn)化成顏色概率分布圖像，即輸入圖像在已知目標(biāo)顏色直方圖的條件下的顏色概率密度分布圖，同時(shí)對(duì)其進(jìn)行歸一化處理，如圖2所示。其中包含了目標(biāo)在當(dāng)前幀中的相干信息，對(duì)于輸入圖像中的每一個(gè)像素點(diǎn)，建立目標(biāo)模型顏色直方圖：

圖2 目標(biāo)原始及歸一化直方圖Fig.2 The original histogram and normalized histogram

(4)

式(4)中，u,m,δ,|R|分別表示顏色向量、被量化的級(jí)數(shù)、Kronecker Delta函數(shù)和區(qū)域R內(nèi)的像素點(diǎn)個(gè)數(shù)，h(x,y)為像素點(diǎn)(x,y)色度分量H量化后的值。對(duì)于目標(biāo)區(qū)域內(nèi)的像素，可得到該像素屬于目標(biāo)像素的概率，而對(duì)于非目標(biāo)區(qū)域內(nèi)的像素，該概率為0，這是一個(gè)反向投影過(guò)程。

算法設(shè)定閾值或最大迭代次數(shù)并進(jìn)行迭代，通過(guò)尋找目標(biāo)中心在當(dāng)前幀中的位置來(lái)進(jìn)行檢測(cè)跟蹤，首先在顏色概率分布圖中選擇搜索窗口的大小和初始位置，然后計(jì)算搜索窗口的質(zhì)心位置。設(shè)像素點(diǎn)(x,y)位于搜索窗口內(nèi)，I(x,y)為顏色直方圖的反向投影圖中該像素點(diǎn)對(duì)應(yīng)的直方圖概率值：

I(x,y)={H(u)|h(x,y)=u},(x,y)∈R

(5)

搜索目標(biāo)窗口步驟如下：

步驟1 計(jì)算零階矩m00，搜索窗口內(nèi)所有點(diǎn)的概率之和：

(6)

計(jì)算一階矩及概率在x,y方向的加權(quán)和：

(7)

步驟2 計(jì)算搜索窗口的質(zhì)心(xc,yc)：

(8)

步驟3 設(shè)置初始化窗口大小，其中寬度為s，長(zhǎng)度為l：

(9)

步驟4 計(jì)算二階矩：

(10)

則目標(biāo)運(yùn)動(dòng)窗口的方向?yàn)椋?/p>

(11)

初始化式(9)得到移動(dòng)跟蹤窗口，根據(jù)式(11)提供的運(yùn)動(dòng)方向，將其移動(dòng)到式(8)目標(biāo)的質(zhì)心位置，判斷跟蹤窗口的移動(dòng)距離是否大于設(shè)定的閾值，若是，則重復(fù)步驟1到步驟4的搜索過(guò)程，直到相鄰搜索窗口的質(zhì)心變化小于給定的閾值或者達(dá)到迭代次數(shù)的最大值，同時(shí)為了實(shí)現(xiàn)連續(xù)跟蹤，將上一幀圖像搜索窗口的大小、質(zhì)心作為下一幀搜索窗口的大小和質(zhì)心，如此循環(huán)迭代，則可以完成對(duì)運(yùn)動(dòng)目標(biāo)的連續(xù)跟蹤，具體流程圖如圖3所示。

圖3 Camshift跟蹤算法流程圖Fig.3 The flow chart of Camshift tracking algorithm

將目標(biāo)的RGB圖像轉(zhuǎn)換成HSV圖片空間后，對(duì)外界光照變化有了較強(qiáng)的魯棒性，但當(dāng)運(yùn)動(dòng)目標(biāo)的顏色與運(yùn)行環(huán)境顏色區(qū)域比較接近或運(yùn)動(dòng)目標(biāo)被障礙物遮擋時(shí)，其跟蹤效果則很容易受到干擾，如圖4所示，在目標(biāo)附近區(qū)域，由于被跟蹤目標(biāo)與環(huán)境顏色比較相似，因此其概率直方圖也混淆有環(huán)境顏色的概率，目標(biāo)的跟蹤窗口有較大的誤差，容易丟失目標(biāo)，而在遇到被障礙物遮擋時(shí)，其跟蹤窗口無(wú)法進(jìn)行均值計(jì)算，也很容易丟失目標(biāo)，需要進(jìn)一步的優(yōu)化算法設(shè)計(jì)。

圖4 跟蹤目標(biāo)顏色與環(huán)境相似直方圖Fig.4 The histogram of similarity between target and environment

2 目標(biāo)跟蹤算法設(shè)計(jì)

2.1 目標(biāo)邊緣算法檢測(cè)

本文使用Canny邊緣檢測(cè)算法[11]來(lái)對(duì)跟蹤目標(biāo)進(jìn)行邊緣的提取，加強(qiáng)其跟蹤的魯棒性，具體設(shè)計(jì)如下：

表1 像素點(diǎn)I(x,y)為中心的3×3高斯濾波器Tab.1 3×3 Gaussian filter centered on pixel I (x, y)

(12)

步驟2 沿著x軸和y軸使用Sobel算子(Sx,Sy)來(lái)計(jì)算圖形中每個(gè)像素點(diǎn)的梯度強(qiáng)度和方向，判斷其邊緣是水平、垂直還是對(duì)角線的。

(13)

(14)

(15)

(16)

Angle(θ)=arctan(Gy/Gx)

(17)

步驟3 應(yīng)用非極大值抑制使得邊界變細(xì)的同時(shí)銳化邊緣部分，消除邊緣檢測(cè)算法帶來(lái)的雜散響應(yīng)，對(duì)于每個(gè)像素，如果它是先前計(jì)算的梯度方向的局部最大值M(x,y)，則保留該值;反之，它的像素值會(huì)被歸零并且被極大值抑制。

(18)

步驟4 經(jīng)過(guò)步驟3的處理，在保留下來(lái)的值中，確認(rèn)強(qiáng)像素點(diǎn)是否位于邊緣的最終圖中，應(yīng)用雙閾值檢測(cè)來(lái)確定真實(shí)的和潛在的邊緣，根據(jù)經(jīng)驗(yàn)設(shè)定兩個(gè)閾值minVal和maxVal，任何強(qiáng)度梯度高于maxVal的像素都是邊緣，任何強(qiáng)度梯度低于minVal的像素都不是邊緣并丟棄，在minVal和maxVal之間具有強(qiáng)度梯度的像素，只有當(dāng)它們連接到具有高于maxVal的強(qiáng)度梯度的像素才被認(rèn)為是邊緣，通過(guò)抑制孤立的弱邊緣最終完成邊緣檢測(cè)。

Canny邊緣檢測(cè)算法能較好地完成環(huán)境中物體的輪廓邊緣檢測(cè)，但是其對(duì)目標(biāo)以外的物體也能進(jìn)行無(wú)差別的輪廓檢測(cè)，如圖5 所示。只有綜合考慮兩種算法，結(jié)合它們的優(yōu)點(diǎn)，才能改進(jìn)跟蹤效果，本文使用Camshift算法和Canny邊緣檢測(cè)算法共同組成目標(biāo)的跟蹤模板，設(shè)計(jì)不同的權(quán)值ρcs、ρcn，假設(shè)跟蹤過(guò)程中Camshift算法和Canny算法的反向投影分別為Fcs、Fcn，則加權(quán)后得到的合成反向投影為：

圖5 不同環(huán)境下跟蹤目標(biāo)邊緣提取Fig.5 The edge extraction in different environment

(19)

從式(19)可以看出，在跟蹤過(guò)程中，加入的Canny邊緣檢測(cè)算法和原來(lái)的Camshift跟蹤算法共同作用于跟蹤目標(biāo)，當(dāng)目標(biāo)顏色與環(huán)境顏色較為相近時(shí)，邊緣檢測(cè)算法占有較大的權(quán)值，可以抑制環(huán)境的影響，而當(dāng)目標(biāo)顏色與環(huán)境不同時(shí)，Camshift算法占有較大的權(quán)值比重，在總的概率密度分布圖中可以自適應(yīng)地調(diào)整相應(yīng)的權(quán)值來(lái)增加系統(tǒng)跟蹤算法的魯棒性。

經(jīng)過(guò)上述設(shè)計(jì)以后，跟蹤系統(tǒng)對(duì)環(huán)境顏色的變化不敏感，具有較強(qiáng)的穩(wěn)定性，但是當(dāng)跟蹤目標(biāo)部分或者全部被障礙物遮擋時(shí)，上述設(shè)計(jì)的算法就容易丟失目標(biāo)，而且上述設(shè)計(jì)的算法對(duì)運(yùn)動(dòng)目標(biāo)的下一步動(dòng)作無(wú)法做出預(yù)測(cè)，對(duì)快速運(yùn)動(dòng)的目標(biāo)的普適性較差。

2.2 Kalman濾波算法

Kalman濾波[12]和粒子濾波[13]是比較常用的兩種預(yù)測(cè)目標(biāo)下一幀位置的算法，Kalman濾波是一種線性計(jì)算算法，具有計(jì)算量小、實(shí)時(shí)性高等特點(diǎn)，Kalman濾波算法在目標(biāo)跟蹤領(lǐng)域得到了廣泛的應(yīng)用，尤其對(duì)動(dòng)態(tài)目標(biāo)的跟蹤檢測(cè)，由于其算法很容易控制，并具有較強(qiáng)的魯棒性，在工程上得到了廣泛的應(yīng)用。該算法的核心為采用信號(hào)和噪聲的狀態(tài)空間模型，主要是通過(guò)在狀態(tài)上和時(shí)間上的不斷更新來(lái)完成對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行跟蹤，其模型如圖6所示。算法利用系統(tǒng)的觀測(cè)值來(lái)更新系統(tǒng)的狀態(tài)向量，是一種對(duì)隨機(jī)信號(hào)進(jìn)行最優(yōu)估計(jì)的實(shí)時(shí)遞推算法，濾波器通過(guò)輸入的系統(tǒng)觀測(cè)量對(duì)隨機(jī)信號(hào)進(jìn)行估計(jì)，更新后得到的信號(hào)作為濾波器的輸出，其不斷地把協(xié)方差進(jìn)行遞歸，從而估算出系統(tǒng)的最優(yōu)值。

圖6 Kalman濾波模型Fig.6 Kalman filtering model

Kalman濾波預(yù)測(cè)算法有兩個(gè)重要的方程：

系統(tǒng)狀態(tài)方程：

X(k)=AX(k-1)+BU(k)+W(k)

(20)

系統(tǒng)測(cè)量值方程：

Z(k)=HX(k)+V(k)

(21)

式(20)、式(21)中，X(k)和X(k-1)為k時(shí)刻和k-1時(shí)刻的狀態(tài)向量；Z(k)為k時(shí)刻的系統(tǒng)狀態(tài)測(cè)量向量；A、B、H分別表示狀態(tài)轉(zhuǎn)移矩陣、控制矩陣以及測(cè)量矩陣；U(k)為外部輸入控制量；W(k)和V(k)分別表示狀態(tài)過(guò)程噪聲和測(cè)量噪聲，通常應(yīng)用中假設(shè)成零均值高斯白噪聲，服從正態(tài)分布，即Noise～Guasian(0,σ)，協(xié)方差矩陣分別為R和Q。 算法主要包括預(yù)測(cè)與更新兩個(gè)階段，其對(duì)系統(tǒng)的預(yù)測(cè)公式組為：

1) 狀態(tài)預(yù)測(cè)公式：

X(k|k-1)=AX(k-1|k-1)+BU(k)

(22)

2) 相對(duì)應(yīng)的誤差協(xié)方差預(yù)測(cè)公式：

P(k|k-1)=AP(k-1|k-1)AT+Q

(23)

現(xiàn)在狀態(tài)的預(yù)測(cè)結(jié)果更新公式組為：

3) 狀態(tài)校正公式:

X(k|k)=X(k|k-1)+
Kg(k)[Z(k)-HX(k|k-1)]

(24)

4) 誤差協(xié)方差校正公式：

P(k|k)=[I-Kg(k)H]P(k|k-1)

(25)

5) Kalman增益系數(shù)公式：

Kg(k)=P(k|k-1)HT·
[HP(k|k-1)HT+R]-1

(26)

(27)

協(xié)方差矩陣Q和R分別為：

(28)

Kalman算法對(duì)于運(yùn)動(dòng)速度過(guò)快或者被遮擋的目標(biāo)，能夠比較精確地預(yù)測(cè)其在下一幀視頻圖像中可能出現(xiàn)的位置，很大程度上解決了外界動(dòng)態(tài)環(huán)境變化所引起的跟蹤失敗問(wèn)題，在實(shí)際工程應(yīng)用中具有較大的應(yīng)用價(jià)值。本文基于HSV顏色空間，同時(shí)加入Canny邊緣檢測(cè)算法改進(jìn)CamShift跟蹤算法，在對(duì)運(yùn)動(dòng)目標(biāo)與環(huán)境顏色相近時(shí)的檢測(cè)跟蹤時(shí)，很大地加強(qiáng)了跟蹤檢測(cè)的光魯棒性；同時(shí)，Kalman算法的加入，使其在高速運(yùn)動(dòng)或有障礙物時(shí)不至于丟失目標(biāo)，使其能連續(xù)跟蹤，其流程圖如圖7所示。

圖7 本文算法流程圖Fig.7 The flow chart of this article

3 實(shí)驗(yàn)測(cè)試及分析

為驗(yàn)證本文算法的實(shí)用性及優(yōu)越性，設(shè)置如表2所示的軟硬件及參數(shù)環(huán)境，三種算法在正常環(huán)境情況下，跟蹤的效率差距不是很大，不影響系統(tǒng)的檢測(cè)跟蹤性能，因此本文進(jìn)行了兩種較極端情況下的仿真測(cè)試。

表2 軟硬件環(huán)境及相關(guān)參數(shù)Tab.2 The H/S environment and related parameters

本文使用Bhattacharyya距離[14](BH系數(shù))d(y)和有效幀率[15-16]ω作為其衡量標(biāo)準(zhǔn)。BH系數(shù)ρ(0<ρ<1)用于衡量CamShift算法中檢測(cè)模塊與目標(biāo)模塊的相似程度，其值越大，表示其相似度越高，算法跟蹤效果越好；有效幀率ω則表示在目標(biāo)跟蹤過(guò)程中檢測(cè)到的有效幀數(shù)與總幀數(shù)的比值，用來(lái)衡量目標(biāo)跟蹤算法的有效性。而判斷某一幀是否為有效幀的方法仍然可以采用BH系數(shù)，設(shè)定適當(dāng)?shù)拈撝?，?dāng)BH系數(shù)超過(guò)這個(gè)閾值時(shí)，則認(rèn)為其為有效幀。

測(cè)試1 運(yùn)動(dòng)目標(biāo)顏色與環(huán)境顏色相似時(shí)測(cè)試效果

從圖8可以看出，當(dāng)跟蹤目標(biāo)顏色與環(huán)境顏色相近時(shí)，傳統(tǒng)的CamShift算法仍然可以跟蹤目標(biāo)，但是其跟蹤窗口會(huì)變大，總是要滯后幾幀，隨著顏色的越來(lái)越接近，這種滯后會(huì)更嚴(yán)重，而且當(dāng)跟蹤目標(biāo)遇到有與其顏色相近的類似目標(biāo)時(shí)，可能還會(huì)檢測(cè)到其他目標(biāo)，導(dǎo)致檢測(cè)到的有效幀減少，其測(cè)試效果如圖8(a)所示；CamShift和Kalman濾波相結(jié)合的算法，由于加入了Kalman濾波預(yù)測(cè)算法，跟蹤窗口基本接近于物體的物理長(zhǎng)寬度，能較好地跟蹤目標(biāo)，其測(cè)試結(jié)果如圖8(b)所示；本文算法綜合了CamShift和Kalman濾波的優(yōu)點(diǎn)，同時(shí)加入了跟蹤目標(biāo)的邊緣檢測(cè)算法，因此其跟蹤窗口能實(shí)時(shí)準(zhǔn)確地跟蹤到目標(biāo)，不存在延時(shí)和失真等現(xiàn)象，尤其是在遇到顏色與跟蹤目標(biāo)顏色相近的障礙物或者其他物體時(shí)跟蹤效果更好，采用的顏色直方圖和邊緣檢測(cè)算法相結(jié)合的算法，對(duì)跟蹤目標(biāo)而言，其是唯一的，因此檢測(cè)效果會(huì)更好，測(cè)試結(jié)果如圖8(c)所示。

圖8 不同算法測(cè)試效果Fig.8 The test result of different algorithms

對(duì)三種算法的BH系數(shù)進(jìn)行了比較，如圖9所示，本文算法中的BH系數(shù)達(dá)到最高，且在遇到與跟蹤目標(biāo)顏色相近的其他物體或在跟蹤目標(biāo)與環(huán)境顏色相近的極端情況時(shí)，也能達(dá)到很好的效果，其BH系數(shù)基本保持不變，同時(shí)表3中也對(duì)比了三種算法的有效幀率，本文算法可以達(dá)到對(duì)跟蹤目標(biāo)的完全有效跟蹤，具有良好的穩(wěn)定性和魯棒性。

圖9 不同算法BH系數(shù)Fig.9 BH coefficient of different algorithms

表3 顏色相似時(shí)的測(cè)試結(jié)果Tab.3 The effective frames in similar colors

測(cè)試2 有遮擋干擾下的測(cè)試結(jié)果

在跟蹤目標(biāo)穿過(guò)障礙物時(shí)，傳統(tǒng)的CamShift算法在跟蹤目標(biāo)遇到障礙物時(shí)，跟蹤窗口會(huì)停留在目標(biāo)消失的最后位置，并且其窗口也會(huì)不停地變化，但是當(dāng)目標(biāo)出現(xiàn)在障礙物的前方時(shí)，跟蹤窗口還是停留在原來(lái)的位置，并不會(huì)隨著目標(biāo)的重新出現(xiàn)而繼續(xù)匹配窗口，其測(cè)試效果如圖10(a)所示，同時(shí)從圖11中也可以看出，其BH系數(shù)快速地降為零，目標(biāo)繼續(xù)運(yùn)動(dòng)后，CamShift算法失去了目標(biāo)，可能導(dǎo)致跟蹤失??；CamShift和Kalman濾波相結(jié)合的算法在遇到障礙物時(shí)，可以達(dá)到較好的效果，其BH系數(shù)也可以在跟蹤目標(biāo)穿過(guò)障礙物時(shí)，比較快速地恢復(fù)到一個(gè)穩(wěn)定的值，同時(shí)不會(huì)丟失目標(biāo)，如圖10(b)所示；本文算法中，其BH系數(shù)在整個(gè)跟蹤過(guò)程中都比較穩(wěn)定，在遇到障礙物時(shí)，其值會(huì)減小，但是當(dāng)跟蹤目標(biāo)重新出現(xiàn)時(shí)，跟蹤窗口馬上匹配目標(biāo)，BH系數(shù)也快速地恢復(fù)到一個(gè)比較穩(wěn)定的值，不會(huì)產(chǎn)生較大的波動(dòng)，整個(gè)跟蹤過(guò)程BH系數(shù)都很穩(wěn)定，沒(méi)有明顯的波動(dòng)變化過(guò)程，其測(cè)試效果如圖10(c)所示。對(duì)于復(fù)雜環(huán)境中經(jīng)常被障礙物遮擋的跟蹤目標(biāo)，在整個(gè)跟蹤過(guò)程中都能表現(xiàn)出很好的跟蹤性能，從表4的對(duì)比中也可以看出，本算法的有效率是最高的。

圖10 有障礙物環(huán)境測(cè)試效果Fig.10 The test results with obstacle

圖11 有障礙物環(huán)境下BH系數(shù)Fig.11 The BH coefficients of different algorithms

表4 有障礙物時(shí)測(cè)試結(jié)果Tab.4 The effective frames in different algorithms

4 結(jié)論

由于環(huán)境變化的復(fù)雜性，以及光照強(qiáng)度的不斷變化，增加了對(duì)特定目標(biāo)檢測(cè)跟蹤的難度，本文提出結(jié)合Canny邊緣檢測(cè)的改進(jìn)CamShift跟蹤算法，該算法克服了目標(biāo)與環(huán)境顏色相近時(shí)無(wú)法檢測(cè)或檢測(cè)目標(biāo)誤差較大的難點(diǎn)，同時(shí)Kalman算法對(duì)目標(biāo)的預(yù)測(cè)，尤其是有障礙物時(shí)的目標(biāo)跟蹤，具有較強(qiáng)的魯棒性。仿真測(cè)試實(shí)驗(yàn)結(jié)果表明，算法極大地改進(jìn)了原始CamShift算法在目標(biāo)檢測(cè)跟蹤上的缺陷，本文所設(shè)計(jì)算法的跟蹤效果比較穩(wěn)定，具有較大的應(yīng)用價(jià)值。