基于Camshift算法的跟踪系统

窦 超，孟立凡，任景平

(中北大学仪器科学与动态测试教育部重点实验室，山西太原030051)

Camshift算法作用在于对选定的区域也就是人脸目标进行特征提取。而相较于传统跟踪部分，本方法通过HSV颜色空间，能够将色度与亮度进行区分处理，进一步减少光照的影响。而Camshift算法正是在此特点下的最好方法［1］，该算法重要的一步就将图像完成了从RGB颜色空间向HSV颜色空间的转换，随后通过对H分量的分离提取进而完成了人脸直方图的建立，进而成为整个系统的核心。

1 实现过程

设运算得到的人脸图像为f(x，y)，w，h分别代表长与宽，j代表的是图像的最高灰度级数，那么人脸图像我们可以用以下数学公式来描述。

在上式中，我们将直方图中的尺度范围进行一定变换，从［0，max(q)］到

采集的视频中的像素我们可以通过直方图中相应的统计量来代替，在此基础上，再次量化得到结果。那么颜色概率的分布图其实就是视频图像的反相投影。这个分布图中包含了各式颜色分量的分布情况，比如当目标的颜色概率如果趋于1的话，那么就代表白色。背景颜色概率如果接近0的话，就代表黑色。

在视频图像序列中，我们可以得到人脸目标颜色的概率分布，利用重心的方法［1］，可以通过图像目标的零阶矩与一阶矩获得，Camshift可以得到目标的质心坐标，后续的处理与前面类似，每得到下一帧图像，Camshift算法能够自动调节窗口的大小，并利用当前帧的位置来预测下一帧的参数即窗口的位置与大小。具体步骤与流程如下。

图1 Camshift跟踪算法流程图

1)通过前期对人脸的识别与检测，在颜色概率分布图中，设定初始的搜索窗口s，w，h分别代表窗口的长与宽［3］。

2)其次就可以采用重心的方法来搜索质心。

则窗口质心:(x0，y0)为

f(x，y)是坐标 x，y 的像素值，x⊆(1，w)，y⊆(1，h)。

3)对搜索窗口长w宽h重新设定为上步骤中搜索窗口的颜色概率分布函数。

4)将2)与3)步骤不断反复运算，当质心改变至小于设定的阈值为止。

5)在2)中对零阶矩与一阶矩进行计算的同时，进行二阶矩的计算，进而可以得到目标的长轴，短轴，方向角与尺度参量［4］。

2 实验结果分析

整个运算过程是在intel双核处理器与4G内存的基础上运行，该配置足以处理该类视频的运算。如图2所示，跟踪框也将人体面部成功识别出来，并开始识别追踪。

图2 实验结果图

从分析结果可知，Camshift算法已经成功在人脸追踪部分运用，取得了良好的效果，具有一定的应用价值。

［1］Babu V，Makur R.A Kernel-Based Spatial-Color Modeling for Fast Moving Object Tracking［G］.Proc.of the IEEE International Conference on Acoustics，Speech and Signal Processing，2007:901 －904.

［2］Naoya Oshimal，Takeshi Saitoh1，Ryosuke Konishil.Real Time Mean Shift Tracking using Optical Flow Distribution［G］.SICE-ICASE International Joint Conference，2006 Oct.18 －21，in Bexco，Busan，Korea，2006.

［3］Wu M，Peng X，Zhang Q，et al.Patches-based Markov Random Field Model for Multiple Object Tracking Under Occlusion［J］.Signal Proeessing，2010，90(5):1518 －1529.

［4］Cheng Chang，Rashid Ansari.Kernel Particle Filter for Visual Tracking［G］.IEEE Signal Processing Letters，2005，12(3).