摘  要： 研究了一種基于差分法原理的MS跟蹤算法。當MS跟蹤目標位置發生較大偏移時，通過使用差分法提取的目標形心位置對其進行修正。實驗結果表明，該方法應用于運動目標的跟蹤具有良好的跟蹤效果。
關鍵詞： 幀差法；目標提取；目標跟蹤；均值漂移

　近年來，目標跟蹤是機器視覺領域比較活躍的研究課題，在車輛跟蹤、智能機器人、人機交互、智能家居以及生物醫學圖像分析等行業有著潛在的應用[1-2]。學者們提出了大量的運動目標跟蹤算法，在這些算法中，基于統計迭代思想的均值漂移MS（Mean Shift）算法，經常被應用于聚類、圖像平滑、圖像分割和跟蹤等各種不同場合。該方法計算量不大，能夠進行視頻圖像的目標跟蹤[3]。
　目前，MS方法在計算機視覺領域的應用飛速發展。COMAIVICIU D成功地將MS方法應用到圖像分割和目標跟蹤中[4]。應用Lindeberg理論解決了MS方法在跟蹤色塊時特征空間尺度h的選取問題[5]。彭寧嵩等證明了在核函數窗寬固定的條件下，目標在其窗寬范圍內進行縮放、平移運動并不影響Mean Shift跟蹤算法空間定位的準確性[6]。賈靜平等引入目標傾角的方法來跟蹤旋轉的目標[7]，但是該方法是采用試探的方法通過多次分別計算水平、垂直和旋轉的自由度，然后分別取最優值。這種方法比較復雜，而且采用固定的變化大小，對目標變化的適應性不強。以上這些方法雖然在某些場合下跟蹤效果比較滿意，然而算法比較復雜、計算量大。
　基于MS的目標跟蹤算法要求相鄰兩幀間目標位置必須有重合，因此，當目標的運動速度較小時，能夠獲得比較理想的跟蹤結果。當目標運動速度較快且目標較小導致相鄰兩幀間的目標位置無重合時，該方法往往失效。差分法是常用的目標提取算法，可以快速有效地提取出目標的輪廓。利用差分法提取出目標的輪廓，進而計算出目標的形心位置，從而為MS跟蹤算法提供準確、可靠的目標位置。本文主要研究動態復雜背景下圖像序列中運動目標的跟蹤技術。利用MS理論和差分法目標提取算法相結合，實現了運動目標的跟蹤。通過對行駛中的小汽車的跟蹤，驗證了本文算法的有效性。
1 差分法目標分割及特征提取
　差分法也叫幀差法，是用當前幀圖像減去前一幀圖像，提取出運動目標，屬于圖像分割技術范疇，其原理比較簡單，易于實現。
1.1 差分法原理
　基于像素灰度信息的差分算法速度快、提取準確，是運動目標提取首選算法。假定函數fk（x，y）、fk+1（x，y）分別表示第k幀、第k+1幀圖像（x，y）處的像素值，則差分操作定義為：



　一般來說，MS算法迭代若干次（一般在10次以內）后就可以逼近準確值。關于MS算法的收斂性，可參閱參考文獻[10]。改進算法中的C為一個極小正數，通常取0.5，即半個像素。
3 實驗結果與分析
3.1 跟蹤算法仿真實驗
　為了驗證本文所提出的目標跟蹤算法的性能，采用兩組視頻圖像進行測試，并比較MS跟蹤算法與本文跟蹤算法的跟蹤效果。所有算法均在Intel Pentium 4 3.0 GHz CPU、2 GB內存計算機，Windows XP系統下用MATLAB 7.9編程實現。圖像中方框表示估計的目標位置，在圖像序列中待跟蹤目標的初始位置手動給定。
　圖3是對一段長為70幀，幀速率為15 f/s的視頻圖像中沿著斜坡滾動下落小球的跟蹤實驗結果。其中,圖3（a）是利用MS算法對第8、15、27、36、50和60幀圖像中運動小球的跟蹤結果，圖3（b）是利用改進算法對相對應的幀圖像中運動小球的跟蹤結果。

3.2 跟蹤算法評價
　跟蹤方法的性能主要從精確度和實時性上進行評定。精確度主要是測試應用該算法在各種環境中能否比較準確地跟蹤初始化的目標。為此需要計算跟蹤偏差。
定義第i幀圖像中目標位置的偏差ei為：
　ei=|Ti-Ci|　　　　　　　　　（13）
　其中，Ti表示在第i幀圖像中跟蹤目標中心的位置；Ci表示在第i幀圖像中目標中心的準確位置，Ci的值可以通過人工的方式獲得。
　定義目標跟蹤的平均偏差為：

　本文提出了一種基于差分法的改進Mean Shift目標跟蹤算法。通過差分法進行目標提取并計算目標的重心坐標，對Mean Shift算法進行自動修正。在目標丟失時，通過差分法修正跟蹤位置，重新進行目標定位來獲得穩定的跟蹤。這種方法在跟蹤偏移的情況下能夠調整算法的目標模型分布，從而修正Mean Shift的跟蹤過程。實驗結果表明，本文所提出的方案實現了對運動目標的提取與跟蹤。本文算法不足之處是沒有考慮目標在運動時大小的變化，因此下一步的工作是研究跟蹤窗口隨著目標大小變化的自適應窗口跟蹤。
參考文獻
[1] 蔡榮太.非線性自適應濾波器在電視跟蹤中的應用[D].北京：中國科學院，2008.
[2] 王亮，胡衛明，譚鐵牛.人運動的視覺分析綜述[J].計算機學報，2002，25（3）：225-237.
[3] COMANIEIU D， RAMESH V. Mean Shift and optimal Prediction for efficient object tracking[C]. Proceedings of the IEEE Conference on Image， 2000（3）：70-73.
[4] COMANICIU D， MEER P. Robust analysis of feature spaces： color image segmentation[M]. Los Alamitos， USA， 1997： 750-755.
[5] COLLINS， ROBERT T. Mean-shift blob tracking through scale space[D]. United States： Institute of Electrical and Electronics Engineers Computer Society， 2003.
[6] 彭寧嵩，楊杰，劉志，等.Mean Shift跟蹤算法中核函數窗寬的自動選取[J].軟件學報，2005：1542-1550.
[7] 賈靜平，張艷寧，柴艷妹，等.目標多自由度Mean Shift序列圖像跟蹤算法[J].西北工業大學學報，2005，23（5）：618-622.
[8] 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.
[9] 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）：564-577.
[10] 李鄉儒，吳福朝，胡占義.均值漂移算法的收斂性[J].軟件學報，2005，16（3）：365-374.