基于基于Camshift和和Kalman滤波的自动跟踪算法滤波的自动跟踪算法
针对传统的Camshift算法在跟踪时需要手动定位目标,在颜色干扰、遮挡等复杂背景中容易跟丢目标的问题,
提出了一种基于Camshift和Kalman滤波的自动跟踪算法。首先利用帧间差分法和Canny边缘检测法分割出运动
目标的完整区域,然后用提取出的目标区域初始化Camshift算法的初始搜索窗口,从而实现了目标的自动跟
踪。当背景中存在相似颜色干扰或者目标被严重遮挡时,采用Kalman滤波与Camshift算法相结合的改进算法进
行跟踪。实验结果表明,本文改进算法在目标被严重遮挡、颜色干扰等情况下仍能有效、稳健地跟踪。
摘摘 要:要: 针对传统的
关键词:关键词:
视频序列中运动目标的跟踪是计算机视觉领域的一个重要的研究课题,它已广泛应用于电子监控系统、智能交通管理、医
学、军事等多个领域。近年来,国内外许多学者对该领域进行了大量的研究,并且提出了许多不同的跟踪方法,如基于模型的
跟踪方法[1]、基于特征的跟踪方法[2]、基于区域的跟踪方法[3]和基于轮廓的跟踪方法[4]等。Camshift(Continuously Adaptive
Mean Shift)算法是一种基于颜色特征匹配的跟踪方法,该算法原理简单,具有实时性、稳定性和较强的鲁棒性,在简单背景
中有较好的跟踪效果。但传统的Camshift算法是一种半自动的跟踪算法,目标的初始大小和位置需要手动选择,而且在背景中
存在相似颜色干扰、遮挡等情况下容易跟踪失败。
本文针对Camshift 算法的这些不足,提出了一种基于Camshift和Kalman滤波的自动跟踪算法,采用帧间差分法和Canny边
缘检测算法自动定位运动目标,当遇到遮挡和颜色干扰时,引入Kalman滤波器对运动目标的位置进行预测。实验验证了该改
进算法对遮挡和颜色干扰的鲁棒性和有效性。
1 运动目标检测运动目标检测
视频序列中的运动目标检测是目标跟踪和目标识别等高级处理的基础。本文结合区域检测和边缘检测的方法准确地分割和
定位出运动目标。首先,利用帧间差分法得到目标的差分图像,对差分图像进行高斯滤波、二值化处理后采用Canny边缘检测
算法得到目标的边缘轮廓信息,再进一步提取出目标的运动对象面,实现目标标定。在跟踪过程中,用提取出的运动目标初始
化Camshift跟踪算法的初始搜索窗口的大小,从而实现自动跟踪。
1.1 帧间差分法帧间差分法
帧间差分法是最简单的背景估计方法,它取上一帧视频图像作为当前帧的背景模型,在相邻两帧间根据基于像素的差分并
且阈值化来提取出图像中的运动区域。该算法原理简单、实时性强,常常用于跟踪的前期处理过程。该算法首先通过计算第k
帧图像和第k-1帧图像的像素差得到差分后的图像Dk;然后设置合适的二值化阈值T对Dk进行二值化处理,得到二值化后的差
分图像Rk(x,y);最后对Rk(x,y)进行形态学滤波及连通性分析,得到目标运动区域。其中:
1.2 Canny边缘检测算法边缘检测算法
Canny边缘检测算子是Canny于1986年提出的一种基于最优化算法的边缘检测算子,该算子具有高精度定位的特点。Canny
提出三个严格的检测标准评价边缘检测的质量,分别是:高信噪比准则、高定位精度准则和单一边缘响应准则。该算法的实现
过程如下:
(1)用高斯滤波器平滑图像;
(2)用一阶偏导的有限差分计算梯度的幅值和方向;
(3)对梯度幅值进行非极大值抑制;
(4)用双阈值算法检测和连接边缘。
2 运动目标跟踪运动目标跟踪
近年来,Camshift跟踪算法凭借其实时性和鲁棒性的特点被大量关注。该算法利用目标的颜色特征模型实现跟踪,由于颜色
的相对稳定性,该算法可以解决部分遮挡及目标形变问题。在简单背景下,该算法有较好的跟踪效果,然而,在目标被严重遮
挡及存在大面积相似颜色干扰等复杂背景下,该算法会导致跟踪失败。本文提出了一种基于Camshift和Kalman滤波的改进的
跟踪算法来解决这些问题。
2.1 Camshift算法算法
Camshift算法即连续自适应均值漂移算法,它是Meanshift算法的扩展。该算法根据目标的颜色概率分布信息实现运动目标
跟踪。Camshift算法的处理过程由反向投影、Meanshift算法和Camshift算法三部分组成。
2.1.1反向投影反向投影
首先将图像从RGB空间转换到HSV空间。HSV空间能精确地反映一些灰度信息和色彩信息,可以提高算法的稳定性。由于
HSV颜色空间中的H分量能直观地反映物体颜色信息,且与亮度独立,因此选择图像的H分量统计目标的颜色直方图,得到颜色
概率查找表。最后将图像中每个像素值用其颜色出现的概率替换,并将其得到的结果归一化到[0,255]之间,从而得到颜色概
率分布图。色彩投影的流程如图1所示。原图图像、H分量的颜色直方图及对应的概率分布图如图2 所示。
评论0