人体跟踪技术研究

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)

在人类认识世界的进程中，眼部器官起到了至关重要的作用［1］，但是随着信息时代的发展，人类已经不止步于“眼界”，而向着计算机视觉的方向大步而行，因为在人类感知世界的过程中，视觉信息占着举足轻重的作用，并且也是人类认识、获取、理解，并与整个世界及时沟通的最有效率的办法之一。在此背景下，机器视觉应运而生，将机器与视觉联系起来，并不是简单的摄像，而是让机器有了人类处理图像的能力，使机器捕捉到图像或视频后，能够通过自身的分析判断，对所遇到的情况进行自动处理。

1 目标跟踪中的mean shift

用于目标跟踪的mean shift算法，并不是完全智能的算法，因为在跟踪初始帧的时候，需要将被跟踪的区域使用鼠标进行划分，自己不能独立运作，起始的时候需要手动参与，通过鼠标划分好区域后，也就确定了核函数所作用的区域，鼠标划分出来区域的半径就是核函数的带宽，即跟踪窗口的半径［1］。

在被跟踪区域的所有像素点，首先要对被跟踪的目标进行描述，可以通过计算特征空间中每个特征值的概率来得到，然后通过Bhattacharyya(巴特查理亚)系数，来检查差异性，因为初始帧的目标模型是在跟踪前就选定的确定量［2］，而每一帧中的候选模型不同，所以我们要引入Bhattacharyya巴氏系数，求其最大值。因为巴氏系数的主要作用就是用来描述两个样本之间相似的程度，并用一个确定的值来做结论，在跟踪领域，求其最大值，就是来计算下一帧中可能的目标中，与上一帧目标最相似的目标，也就是真实的目标。进而就可以得到每一帧中候选模型与初始帧的目标模型相似度最高的时候，当相似性最高这个条件满足时，就可以得到mean shift向量，整个原理就是mean shift向量从初始帧目标区域的位置，在收敛的前提下，经过一定程度的迭代，当迭代结束后，最终指向正确的位置，也就是选定区域中密度最高处。如图1所示为迭代过程图。

图1 迭代过程图

图2 mean shift算法流程图

2 结果分析

本实验的实验环境在windows7操作系统下运行，该计算机配置为双核intel i3处理器，其主频为2.53 GHz，4 GB内存，并且配备显存为512 M的独立显卡，该型配置足以顺利运行Matlab R2008a。首先我们选用Matlab数据库自带的范例视频做一次测试，该视频容量很小，不到1 M，背景几乎无光线变化，且目标与背景相差较大，无遮挡，计算机足以处理，本次试验的目的就是测试mean shift算法是否能成功跟踪到目标，实验结果如图3所示。

图3 测试效果图

由跟踪结果可以看出来，mean shift算法在背景简单的情况下成功了跟踪了目标。

［1］Simon Denman Vinod Chandran Sridha Sridharan.An A-daptive Optical Flow Technique for Person Tracking Systems［J］.Pattern Recognition Letters，2007，28(10):1232－1239.

［2］Dorin Comaniciu Visvanathan Ramesh，Peter Meer.Realtime Tracking of Non-Rigid Objects Using Mean Shift［G］.In Proc.of IEEE Computer Society Conference on Computer Vision and Pattern Recognition(CVPR2000)，2000，2，2142 －2149.

［3］Aldo Maalouf.Robust Foveal Wavelet－ Based Object Tracking［G］.Member IEEE，Mohamed-Chaker Larabi，Senior Member IEEE，2012ICASSP.