摘  要： 提出了一種基于背景差分法原理的均值漂移MS跟蹤算法。使用距離度量函數判斷目標是否失去跟蹤，當MS跟蹤目標位置發生較大偏移時，通過使用背景差分法提取的目標形心位置對其進行修正。實驗結果表明，該方法應用于實時運動目標的跟蹤時具有良好的跟蹤效果。
關鍵詞： 圖像序列；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，能夠進行實時目標跟蹤[3]。
　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。背景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。利用背景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，通過將MS理論和背景差分法目標提取算法相結合，實現了運動目標的實時跟蹤。通過對行駛中的小汽車的跟蹤，驗證了本文算法的有效性和穩健性。
1 背景差分目標提取
　背景差分法也叫背景相減法，是用待提取目標圖像減去沒有目標的靜止背景圖像提取出運動目標，屬于圖像分割技術范疇，其原理與幀差法類似，都是利用圖像像素的差分法運算實現目標提取。

1.2  背景差分算法步驟
　（1）圖像預處理：主要目的是去除圖像的隨機噪聲和校正因傳感器角度造成的圖像偏差。一般地，采用濾波和配準等方法對原始視頻進行預處理。
　（2）背景建模：通過對N幀視頻圖像序列的每一幀的像素信息進行統計和估計，從而得到背景圖像，在算法開始時，通常采用第1幀圖像作為初值背景。
　（3）前景提取：傳感器采集到的當前幀圖像與步驟（2）重建的背景作差分運算，即可求得待提取的運動目標。
　（4）背景更新：當目標由當前幀運動到下一幀時，背景像素也跟著發生變化，不能以當前背景圖像作為下一幀的背景，背景圖像需要重新估計，即背景更新。在整個目標提取過程中，背景是動態變化的。
2 MS框架下的背景差分法目標跟蹤
　MS算法是一個不斷進行迭代運算的步驟，即先算出當前點的偏移均值，移動該點到其偏移均值，然后以此為新的起始點繼續移動，直到滿足一定的條件結束。MS算法以其優良的性能在目標跟蹤中得到了很好的應用，它是一種無參數的密度估計算法，最早由FUKUNAGA K和HOSTETLER L D提出[４]，應用于模式識別問題。COMANICIU D等人將Mean Shift方法用于解決目標跟蹤問題[５]。


　　（6）利用背景差分法提取目標，并計算目標新的形心位置x1；
　　（7）如果|x1-y1|≤R（R為初始時手動選定的目標半徑），則以y1為新的目標位置，否則以x1作為新的目標位置；
　　（8）回到步驟（1）繼續進行計算，一直到目標跟蹤結束。
3 實驗結果與分析
　為了驗證本文所提出的目標跟蹤算法的性能，采用一組自己用佳能數碼相機拍攝的視頻圖像進行測試，并比較MS跟蹤算法和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2是對一段長為100幀的640×480像素的視頻中行駛的黑色小汽車的跟蹤實驗結果。前71幀中MS算法和本文算法跟蹤結果基本一致。到第72幀時，由于目標被前面的白色汽車遮擋，跟蹤目標丟失，MS算法失效。改進算法中，利用背景差分法提取的目標中心位置對MS跟蹤的目標位置進行修正，從而保證算法能夠一直正確地跟蹤目標。

　本文提出了一種改進MS算法的背景差分法目標跟蹤方案。通過背景差分法進行目標提取并計算目標的形心坐標，對MS算法進行自動修正。使用距離度量函數判斷目標是否失去跟蹤，在目標丟失時，通過背景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MS的跟蹤過程。實驗結果表明，本文所提出的方案實現了對目標的實時提取與跟蹤，同時對于目標遮擋、丟失的情況是穩健的。
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] 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.
[5] 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.