无人机对船舶目标的改进CamShift跟踪算法研究

(上海海事大学 信息工程学院，上海 201306)

引 言

随着无人机技术的飞速发展，应用目标跟踪技术对于无人机平台而言已成为该技术发展的必然趋势。而无人机在水域的检测巡查功能也随着我国航运业的大力发展越来越受到青睐。我国海上航运和内河航运都十分发达，其中后者由于航道蜿蜒曲折、航线错综复杂等原因会出现很多视觉盲区，这加大了船舶的航行风险，所以应用无人机加强对内河流域船舶的跟踪巡查越来越得到广泛应用。目前无人机通常有4种常用的目标跟踪方法，其优缺点如下：

① 卡尔曼滤波方法简单，易于实现，具有良好的实时性,对类似的目标干扰和目标遮挡干扰非常有效[1]。然而，忽略非线性泰勒展开的高阶项，导致估计误差较大,初始状态很难确定。如果初始状态由误差确定，则滤波器将发散,当执行长期跟踪时，会发生显著的误差累积。

② Camshift算法计算简单，计算量较少且速度快，因为Camshift的本质就是局部检测，在局部里检测“密度”最大的位置[2]。Camshift的优点有时候也正是其缺点，因为其简单，所以对于复杂背景或者纹理丰富的物体跟踪效果较差。因为Camshift是对直方图反投影所形成的二值图像进行处理的，如果背景较为复杂或者物体的纹理较为丰富，那么此二值图像的噪声就很多，这将直接干扰Camshift对物体位置的判断。

③ 粒子滤波法可以应用于任意非线性、非高斯系统，对相似目标干扰和目标遮挡干扰的鲁棒性强。但是只有使用大量的样本数据才能达到较好的跟踪效果，这样一来，必将导致算法的复杂化，从而导致粒子退化，时间一长跟踪时就会有显著的误差累积现象。

④ 特征点匹配法因其强大的鲁棒性而受到广泛关注，并在医学、航空航天等领域得到广泛应用。 然而，其中一个缺点是特征匹配算法随着图像复杂度的增加而降低了图像匹配的快速性[3]。

由于卡尔曼滤波算法和粒子滤波算法存在误差累积现象，长期跟踪误差会使算法失败，因此不适合使用。因此，选择CamShift算法作为目标跟踪算法。考虑到CamShift算法跟踪单个模板信息容易受到相似颜色背景图像的干扰，故而提出了一种基于H和LBP二值模板的改进CamShift船舶目标跟踪算法。针对CamShift算法在目标受到遮挡时鲁棒性较差的问题,提出了一种基于改进CamShift融合局部特征匹配的无人机目标跟踪研究算法，提高了CamShift算法对相似颜色背景(或)目标的干扰，并增加了对尺度变化和遮挡的鲁棒性。

1 算法简介

1.1 CamShift算法

CamShift算法是Continuously Adaptive Mean Shift algorithm的简称。它是一个基于MeanShift的改进算法[4]。首次由Gary R.Bradski等人提出和应用在人脸的跟踪上，并取得了不错的效果。由于它是利用颜色的概率信息进行跟踪，运行效率比较高。CamShift算法的过程由下面步骤组成：首先手动选取待跟踪目标区域，使用MeanShift颜色直方图信息作为模板，再提取下一帧图像的颜色直方图，进行直方图匹配，通过计算相似度获得相似度密度分布图，图中的极值位置即为目标位置。其具体步骤如图1所示。

图1 CamShift目标跟踪流程图

1.2 BRISK局部特征匹配算法

BRISK算法采用如图2所示的自定义邻域采样模式，采样点等距离分布在以特征点为中心的40×40像素块内，构建多个同心圆，共60个采样点[5]。BRISK算法的粗略归纳：①生成图像金字塔。②使用fast算法检测角点。③对fast计算出的角点进行非最大值抑制，去掉不符合条件的角点。由于其旋转不变性、尺度不变性和鲁棒性性能较好，故本文选用BRISK局部特征匹配算法对CamShift算法加以改进。

图2 BRISK领域采样模式

2 本文算法

2.1 基于H和LBP二值模板的CamShift算法

目标跟踪过程中的良好跟踪模板是可靠跟踪的先决条件。 CamShift模板使用传统的颜色概率分布[6]，即只计算HSV颜色模型中的H分量并将其用作模板，这导致在目标跟踪过程中，跟踪特性是单一的。当背景和目标H值相似时，目标的跟踪精度会降低。通过引入S分量来形成H-S二维直方图模板，改进了原始算法。 S和V分量用于组成三维直方图跟踪模板，但类似颜色背景干扰和干扰光变的抗干扰效果不明显。本文考虑到纹理特征具有较强的稳定性，在跟踪模板中引入纹理特征，建立颜色和LBP纹理二维直方图，改进了原始CamShift算法模板信息的单一性，容易出现颜色类似的背景干扰问题[7]。

LBP(Local Binary Pattern，即局部二值模式)是特征算子，专门用来描述图像局部纹理特征,LBP算子具有旋转不变性和层次不变性等显著优点。 LBP可以用作纹理特征的有效描述， 它将区域的中心像素与相邻像素之间的差异二值化，从而生成局部二进制映射。 假设像素是I(x，y)，考虑3×3像素邻域并且邻域图如图3所示。

图3 以I(x，y)为中心的3×3邻域图

以中心像素为阈值，对图像像素点在邻域内进行二值化处理得到:

(1)

本文将H分量和H分量的纹理信息(LBP)共同组成目标的跟踪模板，颜色模板与候选模板的Bhattacharyya系数用pH表示，纹理模板与候选模板的Bhattacharyya系数用pLBP表示。跟踪过程中H和LBP的反向投影分别表示为pH和pLBP，加权得到的合成反向投影如下所示：

(2)

可以看出，在跟踪过程中，当pH变小时，pH贡献小，pLBP贡献大[8]，反之同理。所以总的概率密度分布图可以自适应调整pH和pLBP的权值，增强了跟踪算法的鲁棒性。

2.2 基于改进CamShift融合局部特征匹配的无人机目标跟踪算法

针对CamShift算法容易遭受类似颜色对象和背景的干扰以及对尺度变化和遮挡敏感的问题，本文采用基于改进CamShift融合局部BRISK特征匹配的跟踪算法。 当CamShift跟踪没有失常时，BRISK算法不用介入。 当CamShift跟踪失常或者失败，这两个帧就是目标，区域颜色直方图差异很大，BRISK算法立即干预。 在匹配过程中，使用RANSAC算法来执行错配匹配点消除处理以获得正确的匹配点对。 当匹配成功时，目标区域被标记。 此时，CamShift跟踪算法再次启动，提取区域的颜色直方图并继续跟踪[9]。

BRISK算法的引入增强了CamShift算法的抗干扰性。本文通过BH系数d(y)对目标是否发生干扰进行判断，BH系数可以作为两个颜色直方图的相似性度量方法,d(y)值越小，表示相似程度越大。设定一个阈T，当d(y)>T，说明目标发生严重干扰，此时引入BRISK算法，反之，不引入BRISK算法。d(y)的求解方式如下所述：

3 实验结果与分析

本实验是在VS2010开发平台上，利用开源代码OpenCV与VC++语言联合编程实现的。其中硬件系统内存为4 GB，硬盘为400 GB，操作系统为Windows7。实验视频选用大疆经纬M100无人机拍摄视频，分别对CamShift算法和改进算法目标受相似目标干扰下的目标跟踪和遮挡干扰下进行测试。

3.1 相似目标干扰下的目标跟踪效果

本试验采用黄浦江面上空对船舶的悬停拍摄视频进行测试，试验结果如图4和图5所示。

图4 相似目标干扰下的CamShift算法跟踪图

图5 相似目标干扰下的改进算法跟踪图

图4和图5分别是原始CamShift算法和本文改进算法对比效果图。原始CamShift算法在颜色相似船舶经过目标船舶时，误将颜色相似船舶判定为跟踪目标，这致使跟踪目标窗口发生了明显的扩散，所以船舶目标跟踪效果变差。从图5可以看出，经过改进的CamShift算法面对同样问题时，跟踪窗口虽然也稍微出现扩散，但是其扩散效果明显优于未经改善的CamShift算法，基本上达到了对目标船舶跟踪的精度要求。对目标跟踪准确度的衡量标准采用BH系数表示[10]，其值范围是[0,1]， 值与目标模板与候选模板的相似程度呈现正相关性，即值越大，跟踪准确性越高。测试结果如图6所示。由图6可知，当目标船舶被颜色相似船舶干扰时，CamShift算法跟踪框发生明显变化，所以从图上可以看出其BH系数降幅明显，当船舶目标与相似颜色船舶相距较远时，BH系数回到正常水平波动。本文改进跟踪算法显著增强了目标在相似目标干扰下的抗干扰性，BH系数在船舶目标与干扰船舶相遇时也只发生了小幅度的变化。

图6 相似目标干扰情况下BH系数

3.2 遮挡情况下的目标跟踪

图7 目标遮掩下的CamShift算法跟踪图

本实验采用黄浦江面上空对船舶的悬停拍摄视频进行测试，测试结果如图7和图8所示。其中图7是采用原始CamShift算法对视频序列处理的效果图，图8是采用提出的改进算法对视频序列处理的效果图。从图7可以看出，当被跟踪船舶目标被较大船舶部分或者全部遮挡时，CamShift算法对目标船舶的跟踪效果下降明显，表现为跟踪框扩散明显，甚至在第1600～1620帧之间跟踪失败。从图8可以看出，改进算法对遮挡情况下的船舶目标跟踪具有良好的效果，由于目标局部特征和颜色特征的共同定位增强了对船舶目标遮挡的鲁棒性，使跟踪效果改善明显。

图8 目标遮掩下的改进算法跟踪图

视频跟踪过程中有效跟踪帧数与帧总数的比率由有效帧速率表示。 跟踪算法的有效性通过使用有效帧速率来指示当目标被遮挡时船舶的跟踪效果。 判断某一帧是否为有效帧的方法可以采用BH系数法。 当BH系数小于某个阈值时，该帧被认为是一个跟踪无效帧[11]。该实验在第1550～1820帧一共测试270帧。 测试结果如表1所列。由表1可知，与原始CamShift算法相比，改进后的算法显著提高了跟踪精度，有效帧率增加了近10.7%。

表1 目标遮挡情况下有效帧率表

结 语

[1] 李明锁,井亮,邹杰,等.结合扩展卡尔曼滤波的Cam-Shift 移动目标跟踪算法[J].电光与控制,2011,18(4):1-3．

[2] 杨辉,刘军,阮松.基于MeanShift算法视频跟踪研究[J].计算机工程与设计,2013,34(6):2062-2066.

[3] 何林阳,刘晶红,李刚,等.改进BRISK特征的快速图像配准算法[J].红外与激光工程,2014,43(8):2722-2727.

[4] 杜凯.基于均值偏移算法的运动目标跟踪算法研[D].西安:长安大学,2012.

[5] LEUTENEGGER S,CHLI M,SIEGWARTR.BRISK:Binary robust invariant scalable keypoints[C]//Proceedings of the IEEE International Conference on Computer Vision (ICCV)),2011.

[6] 田莘.基于MeanShift算法的目标跟踪问题研究[D].西安:西安科技大学,2011.

[7] 宋晓琳,王文涛,张伟伟．基于LBP纹理和改进Cam-Shift算子的车辆检测与跟踪[J].湖南大学学报:自然科学版,2013,40(8):52-57.

[8] Alahi A,Ortiz R,Vandergheynst P.FREAK:Fast Retina Keypoint[C]//IEEE Conference on Computer Vision and Pattern Recognition(CVPR),2012.

[9] 覃虎跃,支琤,徐奕.基于三维直方图的改进CamShift目标跟踪算法[J].现代电子技术,2014,37(2):29-33.

[10] 曹建,谢晓方,付霖宇,等.基于两步位操作匹配的实时目标识别跟踪算法[J].弹箭与制导学报,2013,33(2):125-128.

[11] 刘玉.基于特征点的运动目标跟踪技术研究[D].南京:南京航空航天大学,2011:38-46.