資源描述：
《基于三維直方圖改進(jìn)camshift目標(biāo)跟蹤算法》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在工程資料-天天文庫。
1、基于三維直方圖改進(jìn)Camsh辻t目標(biāo)跟蹤算摘要：經(jīng)典的連續(xù)自適應(yīng)均值漂移算法Camshift通過HSV空間的色調(diào)Hue分量建立一維直方圖，在有光照變化及有相似顏色目標(biāo)或背景的干擾下，跟蹤效果不好。提出一種融合HSV空間中色調(diào)、飽和度以及反應(yīng)物體形狀信息的邊緣梯度的三維直方圖特征，并基于背景模型自適應(yīng)調(diào)整特征直方圖三種分量的權(quán)重值，提高了算法的跟蹤準(zhǔn)確度。通過與傳統(tǒng)Camshift跟蹤實(shí)驗(yàn)比較，提出的改進(jìn)算法在光照變化及相似顏色目標(biāo)/背景干擾下具有更好的魯棒性，同樣也滿足跟蹤系統(tǒng)的實(shí)時(shí)性要求。關(guān)鍵詞：目標(biāo)跟蹤；Camsh辻t算法
2、；邊緣梯度；三維直方圖中圖分類號(hào)：TN919?34；TP391.4文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：10047373X(2014)02?0029?050引言目標(biāo)的檢測(cè)與跟蹤是計(jì)算機(jī)視覺與模式識(shí)別領(lǐng)域一個(gè)非?；钴S的課題，也是智能視頻監(jiān)控及機(jī)器人自動(dòng)導(dǎo)航等領(lǐng)域的核心問題。在目前已經(jīng)提出的各種目標(biāo)跟蹤算法中，Meanshift算法由于其計(jì)算簡(jiǎn)單以及良好的實(shí)時(shí)性而得到廣泛的應(yīng)用。Camshift跟蹤算法是對(duì)Meanshift的改進(jìn)，它是由GrayR.Bradski等提出的自適應(yīng)縮放跟蹤模板尺寸的算法［1］。兩種算法本質(zhì)上都是爬山算法，即在一種數(shù)
3、據(jù)的密度分布中通過反復(fù)迭代而尋找出局部極值穩(wěn)定的方法。傳統(tǒng)的Camshift算法對(duì)于光照的變化以及在前景與背景顏色相似的條件下，跟蹤效果并不理想。對(duì)此不少學(xué)者在Camshift算法中引入其他特征目標(biāo)模型，如貝葉斯概率框架［2?4］,但由于貝葉斯概率框架等模型固有的計(jì)算復(fù)雜度,難以實(shí)現(xiàn)跟蹤的實(shí)時(shí)性?？紤]到傳統(tǒng)的Camshift算法僅引入了HSV空間中的色調(diào)Hue分量來建立直方圖，從而導(dǎo)致顏色背景相似情形下跟蹤效果變差這一事實(shí)，本文提出增加顏色空間的S分量以及邊緣輪廓的形狀信息建立三維聯(lián)合直方圖，以彌補(bǔ)在某些情況下只依靠色調(diào)來描述
4、目標(biāo)特征的不足。由于該算法主要在目標(biāo)的直方圖統(tǒng)計(jì)特征上進(jìn)行改進(jìn)，沒有涉及到復(fù)雜的計(jì)算操作，所以效率較高，在穩(wěn)定性提高的同時(shí)易滿足實(shí)時(shí)性的要求。1三維特征分量提取1.1Hue與Saturation分量傳統(tǒng)Camshift使用HSV空間中的色調(diào)Hue通道建立直方圖，以致在飽和度S或亮度V變化較大的情形下，其跟蹤靈敏度明顯降低［5］。本實(shí)驗(yàn)首先把RGB顏色空間圖像轉(zhuǎn)換為HSV顏色空間圖像，如圖1(a),(b)所示，并提取H與S兩個(gè)通道的分量[6]:[H二0,ifmax二min(60°Xg-bmax-min+360°)mod360°i
5、fmax二r60°Xb-rmax-min+120°,ifmax=g60°Xr-gmax-min+240o,ifmax=b](1)[S二0,ifmax=0max-minmax=1-minmax,otherwise](2)[V=max](3)式中：設(shè)max等于r,g和b中的最大者；min等于這些值中的最小者。所提取的H與S兩個(gè)通道的分量如圖1(c),(d)所示。在傳統(tǒng)的Camshift算法中，對(duì)于Hue通道采用均勻量化以建立直方圖模型。計(jì)算初始化的搜索窗口內(nèi)H分量的直方圖，對(duì)初始搜索窗口中每個(gè)像素的H通道值進(jìn)行采樣(如圖2(a)藍(lán)
6、色方框所示)，從而得到待跟蹤目標(biāo)的色調(diào)(Hue)直方圖，將該直方圖保存下來作為目標(biāo)的顏色直方圖模型，如圖2(b)所示。本文提取H與S兩通道，在量化HSV圖像各通道的位數(shù)深度時(shí)，類似3通道8位的RGB圖像每通道均占8b為0?255共256等級(jí)，H和S通道也都分配為8位深度。H分量的值域范圍是[[0,360°]],S分量的值域范圍是[0,1],本實(shí)驗(yàn)中將H分量的值域范圍量化為30個(gè)bin(量化長(zhǎng)度為[12°]),將S分量的值域范圍量化為16個(gè)bin（其中量化長(zhǎng)度為[116）]o圖2色調(diào)H分量的一維直方圖對(duì)于初始化窗口區(qū)域的二維直方
7、圖的構(gòu)成，可以看作由H分量與S分量聯(lián)合而成的二維分布函數(shù)，如圖3所示。圖4的示意說明了一維直方圖與二維直方圖之間的關(guān)系，其中一維H直方圖量化為6個(gè)bin,二維H?S聯(lián)合直方圖量化為6X5共30個(gè)bin,并且一維Hue通道直方圖相當(dāng)于其邊緣分布函數(shù)。在本文實(shí)驗(yàn)中，實(shí)際采用的H?S二維直方圖共30（色調(diào)）X16（飽和度）=480個(gè)bin。1.2邊緣梯度方向分量對(duì)于框定的初始化目標(biāo)跟蹤區(qū)域進(jìn)行RGB到灰度圖轉(zhuǎn)化，然后對(duì)該灰度圖進(jìn)行Canny邊緣檢測(cè)。再利用形態(tài)學(xué)方法先腐蝕后膨脹處理，將圖中細(xì)小瑣碎的邊緣點(diǎn)與噪聲刪除，找到最主要的顯著
8、邊緣輪廓。假設(shè)待跟蹤目標(biāo)的檢測(cè)結(jié)果較為準(zhǔn)確，采用Canny算子即可提取到較連續(xù)的顯著輪廓邊緣，如圖5所示。對(duì)于所有的邊緣像素點(diǎn)，其梯度向量的定義為：[G（i,j）=GxGy=?x?f?y?f]（4）利用邊緣像素點(diǎn)的梯度方向統(tǒng)計(jì)信息，可建立基于邊緣梯度方向直方圖[7]。實(shí)驗(yàn)中計(jì)
