利用二维灰度直方图跟踪红外运动目标

鲁凯翔，田鹏辉，隋立春

(1. 长安大学 地质工程与测绘学院，陕西 西安 710054； 2. 西安工业大学 计算机学院，陕西 西安 710032)

一、引 言

近年来，目标跟踪是机器视觉领域比较活跃的研究课题，在车辆跟踪、智能机器人、人机交互、智能家居及生物医学图像分析等行业有着潜在的应用[1-2]。学者们提出了大量的运动目标跟踪算法，在这些算法中，基于统计迭代思想的均值漂移(mean shift，MS)算法经常被应用于聚类、图像平滑、图像分割和跟踪方面等各种不同场合[3-4]。该方法计算量不大，能够进行实时目标跟踪。

红外热成像跟踪技术是一种被动式目标跟踪技术。与可见光图像相比，红外成像系统在黑暗和烟雾等环境中仍具有较强的视觉能力，能够全天候工作。近年来，随着红外成像系统价格的降低，红外运动目标检测与跟踪问题得到了越来越多的关注。然而，由于红外图像信噪比较低、对比度低、目标边缘模糊、信息单一且缺乏纹理特征等，因此使得红外运动目标跟踪难度增加[5-6]。

本文主要研究动态复杂背景下红外图像序列中运动目标的检测与跟踪技术，利用MS理论，实现了红外成像运动目标的跟踪；通过在不同红外视频监控场景下对缓慢移动的热水壶、骑自行车的行人等目标的跟踪，验证了本文算法的有效性。

二、二维直方图MS红外目标跟踪

相对于一维灰度直方图，二维灰度直方图是一种有效的灰度分布描述方法[7]，它既能反映像素点的灰度分布，又能体现像素与其相邻像素的灰度相关性信息，更清晰地反映图像的灰度聚类分布信息。因此，许多学者研究了二维灰度直方图上的目标模型的建立方法[8]。本文拟采用二维直方图建立目标模型，并通过MS算法实现对红外运动目标的跟踪。

1. 二维直方图目标模型

根据特征选择方法，将红外图像的灰度分为L级。设像素x的灰度对应的灰度特征区域为f(x)，其邻域像素的平均灰度对应的灰度特征区域为g(x)，则f(x)和g(x)构成一个灰度二元组(f,g)，其出现的概率可表示为

(1)

以f,g为自变量的Pf,g就是图像关于像素灰度-区域均值灰度的二维直方图，如图1所示。

图1 二维灰度直方图

图1中，f为像素点灰度，g为邻域平均灰度，一般以T点作为阈值点，将灰度区域分为A、B、C、D4个部分。根据同态性，A代表背景区域，B代表目标，C和D区域代表可能的边缘及噪声。

2. MS跟踪算法

MS算法是一个不断进行迭代运算的过程，即首先算出当前点的偏移均值，移动该点到其偏移均值，然后以此为新的起始点，继续移动，直到满足一定的条件结束。MS算法以其优良的性能在目标跟踪中得到了很好的应用，它是一种无参数的密度估计算法，最早由文献[9]提出，并应用于模式识别问题。文献[10]将MS方法用于解决目标跟踪问题。

假设运动目标中心位于x0，利用灰度或颜色分布来描述这个运动对象，则该运动目标可以表示为

(2)

由此可知，候选的位于y的目标可以描述为

(3)

(4)

(5)

把式(3)代入式(5)，整理可得

(6)

式中，有

(7)

选择k(x)为Epanechnikov核函数的轮廓函数，则有

(8)

三、跟踪算法实现

基于MS目标跟踪算法的流程为：

1) 算法的输入，在第一帧目标图像上手动选定跟踪目标的大小(即跟踪窗口)。

3) 依据式(7)计算权重wi。

4) 依据式(8)计算新的位置y1。

6) 如果|y1-y0|

四、试验结果与分析

为了验证本文所提出的红外目标跟踪算法的性能，采用两组红外视频图像进行测试，并比较MS 跟踪算法和本文跟踪算法的跟踪效果(如图2、图3所示)。所有算法均在 Intel Pentium 4 3.0 GHz CPU、2 GB内存计算机，Windows XP 系统下用Matlab 7.9编程实现。图像中方框表示估计的目标位置，在图像序列中待跟踪目标的初始位置由手动方式给定。试验视频数据来自爱尔兰都柏林城市大学数字视频处理中心。

图2是对一段长为150帧的640像素×480像素的红外视频中缓慢移动的热水壶的跟踪试验结果。前65帧中MS算法和本文算法跟踪结果基本一致；到第90帧时，由于目标前后纵向移动，MS跟踪位置开始偏离运动目标，如图2(a)中第90帧跟踪结果所示。

图3是对一段长为120帧的640像素×480像素的都柏林城市大学校园红外监控视频中骑自行车的行人的跟踪试验结果。

图2 缓慢移动的热水壶跟踪结果

本次试验中，由于运动目标(骑自行车的行人)较小，在图3(a)中，MS跟踪算法在第95帧时，受到跟踪目标旁边复杂背景中的行人的干扰，丢失跟踪目标，跟踪算法失效；而在图3(b)中，本文算法仍然能够有效跟踪运动目标。

五、结束语

对于低信噪比的红外图像，由于一维直方图难以可靠、稳定地描述运动目标，因而在区分目标与背景区域时，经常难以达到预期要求。而二维灰度直方图的突出优点是抗噪性能好，已在图像分割中表现出良好的性能，其原因在于这种图像灰度的描述方法能够有效地区分目标和背景区域，这种特性也正是目标跟踪算法所需要的。本文提出了一种基于改进的MS算法的红外目标跟踪方案。试验结果表明，本文所提出的方案实现了对红外目标的实时自动检测跟踪，同时对于目标遮挡、丢失的情况是稳健的。

参考文献：

[1] 谭熊，余旭初，刘景正，等. 基于无人机视频的运动目标快速跟踪[J]. 测绘通报，2011(9):32-34.

[2] 张天序.成像自动目标识别[M].武汉:湖北科学技术出版社，2005: 22-38.

[3] 李乡儒，吴福朝，胡占义.均值漂移算法的收敛性[J].软件学报,2005,16(3): 365-374.

[4] CHENG Jian, YANG Jie. Novel Infrared Object Tracking Method Based on Mean Shift [J]. Journal of Infrared and Millimeter Waves，2005, 24 (3): 231-235.

[5] CAI Xiaochun,HU Yihua,HU Guilan,et al. Morphology Based Adaptive Preprocessing Method of Infrared Image Sequence[C]∥Proceedings of SPIE 2007.Xi'an:[s.n.]，2007.

[6] 杨萃元，赵忠凯，蒲书缙. 基于多结构元素灰度形态学的红外背景估计算法[[J].哈尔滨工程大学学报，2005,26(6):796-799.

[7] XIA Xutang, WU Haibin,CHEN Xinbing, et al. Application Research of the Segmentation of Near-infrared Images Based on OTSU [J]. Journal of Atmospheric and Environmental Optics， 2011,6(6):470-475.

[8] 李立源, 龚坚, 陈维南. 基于二维灰度直方图最佳一维投影的图像分割方法[J]. 自动化学报,1996，22(3)：315-322.

[9] FUKUNAGA K, HOSTETLER L D. The Estimation of the Gradient of a Density Function, with Applications in Pattern Recognition [J]. IEEE Transactions on Information Theory，1975, 21 (1): 32-40.

[10] COMANICIU D, MEER P. Mean Shift: a Robust Approach Toward Feature Space Analysis [J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2002, 24 (5): 603-619.