基于序列图像视觉跟踪技术的人体运动研究*

刘 洁

(西安工业大学，陕西 西安 710032)

基于序列图像视觉跟踪技术的人体运动研究*

刘 洁

(西安工业大学，陕西 西安 710032)

针对当前常用的视觉目标跟踪算法容易受到类目标颜色干扰的问题，提出在传统的ABCshift算法中引入 Kalman滤波器，从而通过CAMShift算法降低运动目标和其类似颜色物体的颜色相似度，并通过Kalman滤波器解决目标被遮挡干扰的问题。人体运动试验验证表明，该算法可有效实现对目标的跟踪，并具有很好的鲁棒性和实时性。

序列图像；CamShift算法； ABCshift算法；Kalman滤波器；视觉跟踪

序列图像是指其在不同时间、不同方位对某个目标进行连续观测，从而获取系列图像的过程。在序列图像中,目标跟踪被广泛地应用在医学和智能交通等各个领域，如基于滤波理论的Kalman算法和基于迭代搜索的 MeanShift算法、基于颜色特征的CamShift 算法等都是常用的目标跟踪算法；但是，传统的CamShift算法在对目标进行运动跟踪的过程中很容易受到颜色背景的干扰，从而失去对目标的跟踪，同时通过ABCshift算法对其进行改进存在严重遮挡，会使得跟踪失败。对此，本文提出了一种新型的、改进的目标跟踪算法，并通过人体运动试验对其进行了论证[1]。

1 自适应背景的ABCshift算法

1.1 算法的提出

针对传统MeanShift算法存在不能自动调节窗口大小的问题，引入了CamShift 算法，通过其中的目标颜色特征信息来实现对目标的跟踪。对上述算法进行改进，通过利用颜色特征的方式对目标进行跟踪，但是当存在着类似颜色的时候，采用MeanShift算法当中的迭代搜索则使得计算出的候选目标出现错误，并偏离了目标，导致最后的跟踪结果与实际存在真大的差异；同时，当目标受到严重遮挡时，在搜索框内的颜色概率密度直方图会发生变化，其迭代搜索时搜索的窗口也同样会出现偏离，使跟踪失败。为解决上述问题，在现有算法的基础上，结合Kalman滤波算法，提出跟踪目标当前帧的大概位置方法，也就是自适应的ABCshift算法。

1.2 CamShift算法的改进

CamShift算法主要以颜色作为特征，结合其中目标颜色直方图的反向投影作为其匹配的模板，在当前的帧当中确定其目标的大小和位置，并在下一帧的视频图像中，通过当前目标大小的搜索窗口，重复上述过程。其具体的步骤如下[2]。

1)构建RGB模型并转换为HSV模型。在任意 [0,1]内，R、G、B有与其相对应的HSV模型的分量：

V=max(R,G,B)

(1)

S=(V-min(R,G,B))/V(当V=0时，S=0)

(2)

(3)

if(H<0)thenH=H+360

(4)

2)反向投影。在当前的跟踪算法中，通过直方图特征获取2幅直方图的匹配程度，利用直方图特征跟踪算法，通过目标模型中的颜色直方图，求取概率，并将其反向投入到原来的图中。此处目标概率颜色的概率密度为:

(5)

式中，P(O|C)是颜色C作为其目标颜色概率；P(C|O)是目标颜色的概率分布；P(O)是目标区域在搜索区域内的先验概率，并且该值为恒定不变。通过上述描述，在该算法中，整个搜索窗内颜色概率密度的计算为：

P(C)=P(C|O)P(O)+P(C|B)P(B)

(6)

式中，P(C|B)是背景颜色占整个搜索区域内整体的概率。

假设其中的搜索区域为整体目标区域的r倍，则有P(B)=1-1/r，P(O)=1/r。当其搜索窗口的位置出现变化时，其在新搜索窗的位置中重新建立颜色直方图的模型，此时在搜索窗内的颜色概率密度P(C)出现了变化。通过这种方式，解决了目标在跟踪过程中出现的受到相似颜色干扰而失败的问题。

2 基于Kalman滤波算法的ABCshift算法

ABCshift算法原理为通过引入贝叶斯估计方法对搜索窗口当中的某种颜色属于目标颜色的概率密度进行计算，与目标某种颜色相似的背景颜色的概率在通过上述贝叶斯公式进行计算之后，其概率会被降低，属于目标并且和背景不相似的颜色概率通过贝叶斯计算后概率增加，解决了类似目标颜色受到干扰的问题；但是，上述方法在目标受到短暂、严重的遮挡时，其中的搜索窗口属于目标颜色的概率密度出现降低，非目标颜色的概率密度会增加，如果仅仅通过现在的颜色的信息来实现对目标的跟踪，往往会出现失败[3-4]。

为解决上述问题，本文提出通过结合Kalman 滤波的方法，对ABCshift 跟踪算法进行改进。在实际应用中，Kalman 滤波能够准确预测图像中目标位置，如果将Kalman和ABCshift结合起来，可以在目标被严重遮挡时，通过Kalman 预测值的功能代替原始ABCshift算法计算的最优值，并作为对Kalman更新的观测值。通过上述方法，既利用了其中的目标颜色信息，同时也应用到了其中的目标空间信息，增加了跟踪的准确性，解决了目标出现遮挡失败的问题。可见，将Kalman滤波与ABCshift 算法相结合，可同时解决背景干扰和目标遮挡的问题。

具体算法改进流程如图1所示。该流程的步骤为：1)通过鼠标选取目标的大小，并将统计目标区域内的颜色直方图作为目标区域的颜色概率模型P(C|O)，此时的初始窗口位置信息则为Kalman滤波当中的初始状态；2)通过公式计算出目标区域质心的位置，此时移动搜索窗中心和目标区域质心两者重合，然后将搜索窗的大小根据目标区域的大小进行调整，调整倍数为r倍，此时窗口的颜色直方图模型为P(C)；3)根据公式计算出搜索区域当中属于目标的颜色概率密度为P(O|C),并重新对计算搜索区域内的颜色分布图进行搜索，计算该新搜索区域内的质心并调整其中窗口的大小；4)在满足收敛的条件之下，更新Kalman滤波状态；5)重复上述步骤2～步骤4，直到视频结束。

图1 改进算法流程图

3 算法结果验证

为验证上述算法在颜色相似和被遮挡情况的跟踪效果，对目标进行了跟踪试验。采用室外人行走运动的视频对其进行跟踪试验，图像的分辨率为320 ×240，其中的帧率为30帧/s。

选取蓝衣男子在日光灯下行走运动的视频(见图2)，在跟踪中伴随着目标的形变，在第23帧跟踪窗口搜索到该目标，并且搜索窗口随着目标的变化而变化，具有很好的跟踪效果。同时，验证在有遮挡的情况下，加入Kalman 滤波的效果(见图3)。卡尔曼滤波首先充分利用其先前的目标运行状态信息及当前时刻的目标位置观测值，对目标运动状态进行估计，即使出现目标受到物体遮挡的情况，还能继续保持对目标的跟踪，从而较好地保证了跟踪效果的鲁棒性和稳定性。

图2 改进CamShift 算法的运动目标跟踪效果图

图3 遮挡情况下的改进算法效果

4 结语

CamShift算法作为一种基于颜色信息的匹配算法，针对单纯采用CamShift算法对快速移动的目标存在鲁棒性不强，并且跟踪时容易丢失的问题，结合卡尔曼滤波改进的CamShift方法，实现了在严重遮挡情况和颜色相似下的目标跟踪，保证了目标在空间运动中的一致性及连贯性，具有很高的应用价值。

[1] 刘惟锦,章毓晋.基于Kalman滤波和边缘直方图的实时目标跟踪[J].清华大学学报:自然科学版,2008,48(7):1104-1107.

[2] 吴良健,况璐,邓庆林,等.基于Camshift和Kalman滤波结合的改进多目标跟踪算法[J].现代科学仪器,2010,2(1):29-33.

[3] 汪东,谢少荣.基于ABCshift算法的目标检测与跟踪[J].计算机工程,2011,37(4):203-205.

[4] 刘智强,汪红波. 基于类神经网络的磁流变主动振动控制研究[J].2014(10):99-101.

*西安市科技计划创新基金计划资助项目(CX12189)

责任编辑李思文

ResearchonHumanMotionImageSequenceTrackingTechnologybasedonVision

LIU Jie

(Xi′an Technological University, Xi′an 710032, China)

In view of the current visual target tracking algorithms commonly used in susceptible class target color interference problems, put forward by the filter in the traditional algorithm, thus reduced the color similarity of moving target and its similar color objects through the algorithm, and through the filter, solved the target occluded interference problem. Finally, by the motion of a human body experiments, it was showed that this algorithm can effectively achieve the target tracking, real-time, and has good robustness.

image sequence, algorithm, algorithm, filter, visual tracking

G 804.66

：A

刘洁(1978-)，女，硕士，讲师，主要从事运动生物力学等方面的研究。

2015-01-14