聯(lián)合多顏色直方圖的Camshift行人跟蹤算法

　　摘 要：針對目標(biāo)容易受背景干擾或局部的、不完全遮擋時Camshift算法易產(chǎn)生局部最大值導(dǎo)致丟失目標(biāo)的問題。通過人體姿態(tài)估計算法檢測到行人邊界框和關(guān)節(jié)點位置，依據(jù)的關(guān)節(jié)點位置提取行人的身體部分，進(jìn)而得到局部顏色直方圖;通過行人邊界框，計算全局直方圖均衡化;利用行人間局部直方圖的相似性得分，預(yù)測下一幀中目標(biāo)行人可能的位置，并以此確定Camshift算法的搜索區(qū)域。通過實驗證明，改進(jìn)后的算法可以更好地跟蹤行人。

　　關(guān)鍵詞：人體姿態(tài)估計 顏色直方圖 Camshift 直方圖均衡

　　《視聽》(月刊)創(chuàng)刊于2006年，是廣西第一份國內(nèi)外公開發(fā)行的以廣播影視為主體內(nèi)容，兼有新聞傳播、新媒體理論探索的當(dāng)代學(xué)術(shù)性省級綜合月刊。由廣西廣播電影電視局主管，廣西人民廣播電臺、廣西電視臺主辦。

　　行人跟蹤是計算機(jī)視覺領(lǐng)域重要的研究方向，尤其是在視頻監(jiān)控領(lǐng)域愈發(fā)發(fā)達(dá)的今天，行人跟蹤算法的提出可以大大地減少人工成本，應(yīng)用到生活中的許多方面。

　　目前，國內(nèi)外許多學(xué)者對行人跟蹤算法開展廣泛研究。其中，Camshift算法因計算量小，易于實現(xiàn)而被廣泛使用，文獻(xiàn)[1]提出了一種多特征融合的Camshift算法，提取行人的多個特征，然后把各個特征的相似度作為權(quán)值系數(shù)，通過加權(quán)融合方法得到最優(yōu)中心位置。文獻(xiàn)[2]把kalman與Camshift相結(jié)合，通過kalman濾波器預(yù)測目標(biāo)行人可能的位置，但當(dāng)行人被遮擋時預(yù)測值會不準(zhǔn)確。

　　1 顏色特征

　　1.1 局部顏色直方圖

　　該文通過AlphaPose[3]算法得到行人的關(guān)節(jié)點位置，通過關(guān)節(jié)點框出人體的各個部分[4]。包括上臂、下臂、上腿、下腿、頭肩、上軀干和下軀干等肢體區(qū)域。人體的顏色信息主要表現(xiàn)在上軀干和下軀干，并且這兩部分很少收到背景的干擾，可以充分地代表這個人的顏色特征。局部顏色直方圖針對的是這兩部分。

　　為了減少光照對圖片造成的影響，顏色直方圖在HSV坐標(biāo)系下提取。

　　1.2 全局顏色直方圖

　　全局顏色直方圖是對由AlphaPose算法檢測到的行人框圖像的顏色直方圖，所提取的圖像不僅包括行人的信息還包括大量的背景信息，全局顏色直方圖的做法與局部提取顏色特征的方法相同。但當(dāng)行人的顏色信息與背景的顏色信息相似時，提取的局部顏色信息與全局顏色信息差別不是很大，容易導(dǎo)致跟蹤的過程中目標(biāo)丟失。該文使用直方圖均衡化來處理[5]，更加突出行人顏色信息。

　　上面的過程是灰度圖像的直方圖均衡化，若對該文中所采用的圖片進(jìn)行直方圖均衡化，需要將彩色圖像的每路通道進(jìn)行量化，在依次采用上述的方法，最后可以得到均衡化后的彩色圖像的顏色直方圖。

　　2 預(yù)測目標(biāo)位置

　　該文通過AlphaPose算法檢測出下一幀圖像中所有行人的邊界框和關(guān)節(jié)點，計算出現(xiàn)的行人與目標(biāo)行人的局部顏色直方圖的相似性得分，采用巴氏系數(shù)來計算：

　　3 改進(jìn)的Camshift算法

　　Camshift算法是對Mean-Shift算法的改進(jìn)，Camshift算法的基本思路是利用運動目標(biāo)的顏色特征對其跟蹤窗口的尺寸及位置進(jìn)行確定，并能不斷地調(diào)整跟蹤窗口的尺寸以適應(yīng)運動目標(biāo)大小的變化。

　　實現(xiàn)過程如下。

　　(1)讀取一張包含目標(biāo)人物的行人圖像，并把RGB顏色模型變?yōu)镠SV顏色模型，并提取其中的H分量。

　　(2)利用AlphaPose算法得到目標(biāo)人物的邊界框和關(guān)節(jié)點，把這個邊界框作為跟蹤窗口。

　　(3)計算行人邊界框的H、S、V分量的均衡化顏色直方圖和由通過關(guān)節(jié)點得到的上軀干和下軀干的局部顏色直方圖，得到顏色概率分布圖I(x，y)。

　　(4)計算目標(biāo)人物邊界框的質(zhì)心位置，并把跟蹤窗口中心點移動至質(zhì)心位置，判斷跟蹤窗口的移動距離是否滿足大于設(shè)定的閾值的條件，若不滿足條件，需要重新計算質(zhì)心位置，直到滿足條件為止。

　　(5)通過計算局部顏色直方圖的相似度來預(yù)測下一幀中目標(biāo)人物的質(zhì)心位置。

　　(6)重復(fù)上述的步驟(3)-步驟(5)，直到完成檢測完所有的圖像。

　　4 實驗結(jié)果與分析

　　該文的程序是Python3.7及OpenCV3.0函數(shù)庫編寫。該文選擇了大小為12801080的PRW數(shù)據(jù)集，圖1為從PRW數(shù)據(jù)集選取的一部分連續(xù)幀，該文選取方框中的男人作為跟蹤對象，跟蹤結(jié)果如圖1(a)(b)所示。

　　由圖1(a)可知，當(dāng)目標(biāo)人物沒有遮擋，沒有大的場景變化時，可以很好地跟蹤目標(biāo)，即使出現(xiàn)(b)的情況，也可以很好地跟蹤目標(biāo)。

　　5 結(jié)語

　　該文提出了一種改進(jìn)的Camshift算法。該算法通過AlphaPose算法得到的行人邊界框和關(guān)節(jié)點位置，通過得到的關(guān)節(jié)點位置提取行人上軀干和下軀干，得到局部顏色直方圖，根據(jù)局部顏色直方圖的相似性得分預(yù)測下一幀中行人目標(biāo)的位置;通過對行人邊界框進(jìn)行全局顏色直方圖均衡化，增強(qiáng)行人與背景間的對比度。實驗表明，該算法有很好的跟蹤效果。

　　參考文獻(xiàn)

　　[1] 吳瑋，鄭娟毅，杜樂.多特征融合的Camshift運動目標(biāo)跟蹤算法[J].計算機(jī)科學(xué)，2018，45(7)：252-258.

　　[2] 楊軍，湯全武，張昊楠.基于Kalman算法改進(jìn)的Camshift運動目標(biāo)跟蹤算法[J].信息通信，2018(12)：78-81.

　　[3] Fang Haoshu，Xie Shuqin，Tai Yuwing，et al.RMPE： Regional Multi-Person Pose Estimation[A].IEEE International Conference on Computer Vision (ICCV)[C].2016.

　　[4] Xu Jing，Zhao Rui，Zhu Feng，et al.Attention-Aware Compositional Network for Person Re-identification[J]. CVPR，2018(5)：2119-2128.

　　[5] 付麗梅.使用彩色直方圖均衡法改進(jìn)的Mean Shift行人跟蹤算法[J].軟件工程，2019，22(2)：17-19.