联合多颜色直方图的Camshift行人跟踪算法

　　摘 要：針对目标容易受背景干扰或局部的、不完全遮挡时Camshift算法易产生局部最大值导致丢失目标的问题。通过人体姿态估计算法检测到行人边界框和关节点位置，依据的关节点位置提取行人的身体部分，进而得到局部颜色直方图;通过行人边界框，计算全局直方图均衡化;利用行人间局部直方图的相似性得分，预测下一帧中目标行人可能的位置，并以此确定Camshift算法的搜索区域。通过实验证明，改进后的算法可以更好地跟踪行人。

　　关键词：人体姿态估计 颜色直方图 Camshift 直方图均衡

　　《视听》(月刊)创刊于2006年，是广西第一份国内外公开发行的以广播影视为主体内容，兼有新闻传播、新媒体理论探索的当代学术性省级综合月刊。由广西广播电影电视局主管，广西人民广播电台、广西电视台主办。

　　行人跟踪是计算机视觉领域重要的研究方向，尤其是在视频监控领域愈发发达的今天，行人跟踪算法的提出可以大大地减少人工成本，应用到生活中的许多方面。

　　目前，国内外许多学者对行人跟踪算法开展广泛研究。其中，Camshift算法因计算量小，易于实现而被广泛使用，文献[1]提出了一种多特征融合的Camshift算法，提取行人的多个特征，然后把各个特征的相似度作为权值系数，通过加权融合方法得到最优中心位置。文献[2]把kalman与Camshift相结合，通过kalman滤波器预测目标行人可能的位置，但当行人被遮挡时预测值会不准确。

　　1 颜色特征

　　1.1 局部颜色直方图

　　该文通过AlphaPose[3]算法得到行人的关节点位置，通过关节点框出人体的各个部分[4]。包括上臂、下臂、上腿、下腿、头肩、上躯干和下躯干等肢体区域。人体的颜色信息主要表现在上躯干和下躯干，并且这两部分很少收到背景的干扰，可以充分地代表这个人的颜色特征。局部颜色直方图针对的是这两部分。

　　为了减少光照对图片造成的影响，颜色直方图在HSV坐标系下提取。

　　1.2 全局颜色直方图

　　全局颜色直方图是对由AlphaPose算法检测到的行人框图像的颜色直方图，所提取的图像不仅包括行人的信息还包括大量的背景信息，全局颜色直方图的做法与局部提取颜色特征的方法相同。但当行人的颜色信息与背景的颜色信息相似时，提取的局部颜色信息与全局颜色信息差别不是很大，容易导致跟踪的过程中目标丢失。该文使用直方图均衡化来处理[5]，更加突出行人颜色信息。

　　上面的过程是灰度图像的直方图均衡化，若对该文中所采用的图片进行直方图均衡化，需要将彩色图像的每路通道进行量化，在依次采用上述的方法，最后可以得到均衡化后的彩色图像的颜色直方图。

　　2 预测目标位置

　　该文通过AlphaPose算法检测出下一帧图像中所有行人的边界框和关节点，计算出现的行人与目标行人的局部颜色直方图的相似性得分，采用巴氏系数来计算：

　　3 改进的Camshift算法

　　Camshift算法是对Mean-Shift算法的改进，Camshift算法的基本思路是利用运动目标的颜色特征对其跟踪窗口的尺寸及位置进行确定，并能不断地调整跟踪窗口的尺寸以适应运动目标大小的变化。

　　实现过程如下。

　　(1)读取一张包含目标人物的行人图像，并把RGB颜色模型变为HSV颜色模型，并提取其中的H分量。

　　(2)利用AlphaPose算法得到目标人物的边界框和关节点，把这个边界框作为跟踪窗口。

　　(3)计算行人边界框的H、S、V分量的均衡化颜色直方图和由通过关节点得到的上躯干和下躯干的局部颜色直方图，得到颜色概率分布图I(x，y)。

　　(4)计算目标人物边界框的质心位置，并把跟踪窗口中心点移动至质心位置，判断跟踪窗口的移动距离是否满足大于设定的阈值的条件，若不满足条件，需要重新计算质心位置，直到满足条件为止。

　　(5)通过计算局部颜色直方图的相似度来预测下一帧中目标人物的质心位置。

　　(6)重复上述的步骤(3)-步骤(5)，直到完成检测完所有的图像。

　　4 实验结果与分析

　　该文的程序是Python3.7及OpenCV3.0函数库编写。该文选择了大小为12801080的PRW数据集，图1为从PRW数据集选取的一部分连续帧，该文选取方框中的男人作为跟踪对象，跟踪结果如图1(a)(b)所示。

　　由图1(a)可知，当目标人物没有遮挡，没有大的场景变化时，可以很好地跟踪目标，即使出现(b)的情况，也可以很好地跟踪目标。

　　5 结语

　　该文提出了一种改进的Camshift算法。该算法通过AlphaPose算法得到的行人边界框和关节点位置，通过得到的关节点位置提取行人上躯干和下躯干，得到局部颜色直方图，根据局部颜色直方图的相似性得分预测下一帧中行人目标的位置;通过对行人边界框进行全局颜色直方图均衡化，增强行人与背景间的对比度。实验表明，该算法有很好的跟踪效果。

　　参考文献

　　[1] 吴玮，郑娟毅，杜乐.多特征融合的Camshift运动目标跟踪算法[J].计算机科学，2018，45(7)：252-258.

　　[2] 杨军，汤全武，张昊楠.基于Kalman算法改进的Camshift运动目标跟踪算法[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] 付丽梅.使用彩色直方图均衡法改进的Mean Shift行人跟踪算法[J].软件工程，2019，22(2)：17-19.