一种自动改变窗口尺寸的跟踪算法

叶 瑞，陈超波

（西安工业大学 电子信息工程学院，陕西 西安 710021）

为了对视频序列中的动态目标进行有效地跟踪，一个良好的跟踪系统就要求能够克服目标因各种运动而导致的形变、遮挡等外观变化。然而当目标尺寸有明显的变化时，常常会导致跟踪失败，丢失动态目标。本文通过在CamShift算法基础上对搜索窗口的尺寸进行预测并自动更新窗口的方法来解决跟踪窗口尺寸的自动调整问题。

Mean-Shift算法作为一种高效的模式匹配算法，已经成功地运用到对实时性要求高的跟踪算法中。但使用该方法对存在明显尺度变化和旋转运动的目标进行跟踪时，由于跟踪窗口尺寸固定而往往导致目标的跟偏甚至跟丢。现在也出现了许多改进算法。文献[2]通过前后两帧中目标的角点来匹配获得放射变换参数从而更改核函数带宽，但该方法不适用非刚性目标的跟踪，文献[3]通过在下一帧中迭代更新上一帧中目标椭圆描述的五维参数从而更改目标尺度和角度，但该方法存在计算量大的不足。文献[4]提出用大小不同的窗口去跟踪目标，个窗口大小相差10%，最后根据各检测的Bhattachayya系数大小决定选用相应的窗口大小。但在实验室中常常因为窗口不断减小而丢失目标。因为这个方法可以有效地阻止窗口过大，但不能防止窗口缩小，因为较小的窗口可以和正常窗口有同样的Bhattachayya系数。文献[5-6]对目标核函数直方图进行Kalman滤波来更新目标模型，但其尺度更新方法主要还是基于文献[4]的方法。

1 CamShift算法过程

首先确定初始目标及其区域，设定初始搜索窗口，然后计算出目标的色度（Hue）分量的直方图，并以此作为目标的颜色模型；在跟踪的过程中，对视频图像中的每一个像素，通过查询颜色模型，得到目标像素的概率，图像处理区域外的其他区域做为概率为0的区域。经过上述处理，将视频图像转换为概率投影图。则设（x，y）是投影图中（x，y）处的像素值。定义搜索窗口的零阶矩M00和一阶矩M01、M10分别如下：

则窗口的质心位置为：

然后根据M00调整搜索窗口的大小，设S为搜索窗口的尺寸，定义：

将搜索窗口的中心移动到质心位置，如果移动距离大于预先设定的阈值，则进行新一轮的窗口位置和尺寸调整。若小于预设阈值，认为收敛条件满足，则处理下一帧图像。我们从上面的分析得知CamShift跟踪算法能够实时给出目标的质心位置，在目标形变时，能够自适应的调整搜索窗口的尺寸大小。

2 自动改变窗口尺寸的跟踪算法

跟踪过程中，如果跟踪窗口过大，跟踪窗内就可能包含过多的背景而影响跟踪结果。另外，在多目标跟踪中，一个跟踪窗内就可能会包含多个跟踪目标等。但若窗口过小，跟踪窗口内过少的目标信息不能有效跟踪目标，从而可能使得目标丢失。因此，在跟踪过程中自动更新跟踪窗口是改进跟踪算法的关键。

2.1 跟踪窗口位置及尺度的预测

跟踪窗口位置及尺度的预测的主要思想是，用目标在前几帧的位置预测下一帧的位置。假设xt、yt、wt分别为t时刻搜索窗口中心的横坐标、纵坐标和尺寸。则窗口中心横向运动速度、纵向运动速度、横向运动加速度、纵向运动加速度以及窗 口 尺 寸 变 化 速 度 和 变 化 加 速 度 分 别 为 Vxt、Vyt、axt、ayt、VWt、aWt。 用 xt+1、yt+1、wt+1表示质心横坐标、纵坐标、及窗口尺寸在t时刻的预测值。

那么

2.2 尺寸修正

在跟踪过程中，每一帧都要计算|Wt+1－Wt|，设ε为设定的阈值，若|Wt+1－Wt|＞ε，则说明背景像素对跟踪效果影响比较大，窗口的位置和大小尺寸需要修正。相反，则用预测值替代原算法的实际计算结果，减小背景对跟踪结果的影响。

3 实验结果分析

实验结果在Windows XP系统下采用Visual C++与Opencv函数库编程实现。

3.1 尺寸逐渐减小的目标的跟踪结果

该视频是一组行人由近及远运动的视频，该视频中动态目标尺寸逐渐变小。如图2所示，原始算法不能对目标进行有效跟踪，甚至丢失动态目标。而改进算法能根据目标的尺寸变化自适应调整窗口大小，对运动目标进行有效的跟踪，如图1所示。

图1 改进算法的跟踪结果Fig.1 Results of improved algorithm

图2 原始算法的跟踪结果Fig.2 Results of original algorithm

3.2 尺寸逐渐增大的目标的跟踪结果

该视频是一组行人跟踪的视频序列，视频中运动目标由远及近行走，尺寸逐渐增大。如图4所示，在改进的算法中，跟踪窗口能够根据目标尺寸的变化而自适应增大，进行良好的跟踪。而原始算法窗口也在逐渐变换，但是并不能对目标进行有效的跟踪，如图3所示。

图3 原始算法跟踪结果Fig.3 Results of original algorithm

图4 改进算法的跟踪结果Fig.4 Results of improved algorithm

4 结束语

跟踪尺度不变的算法可能因为目标尺寸的逐渐变化丢失运动目标，而本文方法能通过预测窗口尺寸和目标质心的位置自适应改变跟踪窗口，实验结果表明该改进算法可以自动选择合适的跟踪窗口大小，取得良好效果。另外，本文的尺度更新算法具有通用性，它也可以用来改进其它跟踪算法。进一步的研究方向为加入一定的目标图像的几何结构信息，使目标跟踪的鲁棒性加强。

[1]Comaniciu D，Ramesh V，Meer P.Real-time tracking of nonrigid objects using mean shift[J].In:IEEE International Proceeding on Computer Vision and Pattern Recognition，2000（2）:142－149.

[2]彭宁嵩，杨杰，刘志，等.Mean Shift跟踪算法中核函数带宽的自动选取[J].软件学报，2005，16（9）；1542－1550.PENG Ning-song，YANG Jie，LIU Zhi，et al.Automatic selection of kernel-bandwidth for mean-shift object tracking[J].Journal of Software，2005，16（9）：1542－1550.

[3]张恒，李立春，于起丰.尺度方向自适应 Mean Shift跟踪算法[J].光学精密工程，2008，16（16）：167～173 ZHANG Heng，LI Li-chun，YU Qi-feng.Scale and direction adaptive mean shift tracking algorithm[J].Optics and Precision Engineering，2008，16（16）：167－173.

[4]Bradski G R.Computer vision face tracking for use in a perceptual user inerface[J].IEEE Workshop on Applications of Computer Vision，1998，18（4）：214－219.

[5]彭宁嵩，杨杰，等.Mean-Shift跟踪算法中目标模型的自适应更新[J].数据采集与处理，2005，20（2）：125－129.PENG Ning-Song，YANG Jie，et al.Mean-Shift tracking with adaptivemodelupdatemechanism[J].JournalofDataAcquisition&Processing，2005，20（2）:125－129.

[6]PENG Ning-Song，YANG Jie，LIU Zhi.Mean-Shift blob tracking with kernel histogram filtering and hypothesis testing[J].Pattern Recognition letters，2005，26（5）:605－614.