基于HSV非均匀量化的CAMshift目标跟踪算法

张辰　彭玉旭

摘要：针对经典CAMshift（continuouslv Adaptive Meanshift，连续自适应均值偏移算法）算法易受色度相似背景像素干扰的问题，提出了基于HSV非均匀量化的CAMshift目标跟踪算法，有效地解决了经典算法存在的缺陷。通过在经典CAMshift算法颜色直方图中引入亮度和饱和度分量，并对颜色空间进行非均匀量化，提高目标与背景的区分度，抑制背景像素对目标的干扰。在多个视频数据上的仿真实验结果表明，该算法有效地克服了经典CAMshift算法对背景像素敏感的问题，提高了与背景色调相近场景下目标跟踪的准确性。

关键词：CAMshift；目标跟踪：非均匀量化：颜色直方图

0引言

运动目标跟踪技术是计算机视觉领域的核心研究內容，旨在根据设定的目标初始信息，查找每一帧视频或序列图像中的兴趣目标。该技术广泛应用于人机交互、人类行为分析、物体侦查、视频检索、视频监控、虚拟现实、远程医疗等领域。近年来，目标跟踪算法得到了扩展与更新，根据目标跟踪算法的原理，可分为基于区域的跟踪、基于主动轮廓跟踪、基于模型的跟踪、基于特征的跟踪四类。当前，目标跟踪算法面临的难题则包括有诸如目标形变、尺度变化的内在因素，以及诸如背景干扰、光照变化、遮挡的外在因素。

其中，在基于特征的目标跟踪算法中，颜色信息作为基础性的顶级直观的物理特征，因其不受图像的空间位置影响且对目标物体的尺度变化、旋转、平移均有良好的适应性等优势而被广泛应用。在实际应用中，常采用颜色直方图作为目标跟踪的依据。颜色直方图是用来表达目标物体颜色信息的重要统计特征，是指将颜色空间划分为一组颜色区间，然后从数学的角度统计像素值处于不同区间内像素的数量，从而描述出图像颜色。

目前，在目标跟踪领域中应用上堪称普及广泛的即是Meanshift（均值漂移）算法，该算法通过对概率分布进行梯度优化以获取目标定位，对目标物体诸如旋转、形变、平移等运动均有良好的适应性，可以实现对非刚性目标的实时追踪。在Meanshift算法的基础上，Bradski提出了可以自适应调整搜索窗口大小的CAMshift算法，该算法是对Meanshift算法的改进与延伸，其核心思想是对视频的每一帧图像设计开展Meanshift运算，从而能够提供对目标模型的实时自动更新，与此同时，也继承了Meanshift算法对目标尺度变化具有良好适应性的优点。

现有目标跟踪算法在面对复杂场景，尤其是当兴趣目标与背景颜色相近时，易受到干扰，导致跟踪失败。针对这种情况，本文提出了一种新的CAMshift目标跟踪算法，通过对图像的非均匀量化，以显著强化反投影概率图中目标与背景的区分度，从而提高跟踪的精度。