摘 要：提出了一种基于背景差分法原理的均值漂移MS跟踪算法。使用距离度量函数判断目标是否失去跟踪，当MS跟踪目标位置发生较大偏移时，通过使用背景差分法提取的目标形心位置对其进行修正。实验结果表明，该方法应用于实时运动目标的跟踪时具有良好的跟踪效果。
关键词：图像序列；目标提取；目标跟踪；均值漂移

　近年来，目标跟踪是机器视觉领域比较活跃的研究课题，在车辆跟踪、智能机器人、人机交互、智能家居以及生物医学图像分析等行业有着潜在的应用[1-2]。学者们提出了大量的运动目标跟踪算法，在这些算法中，基于统计迭代思想的均值漂移MS（Mean Shift）算法经常被应用于聚类、图像平滑、图像分割和跟踪等各种不同场合。该方法计算量不大，能够进行实时目标跟踪[3]。
　基于MS的目标跟踪算法要求相邻两帧间目标位置必须有重合，因此当目标的运动速度较小时，能够获得比较理想的跟踪结果。当目标运动速度较快且目标较小导致相邻两帧间的目标位置无重合时，该方法往往失效。背景差分法是常用的目标提取算法，可以快速有效地提取出目标的轮廓。利用背景差分法提取出目标的轮廓，进而计算出目标的形心位置，从而为MS跟踪算法提供准确、可靠的目标位置。
本文主要研究动态复杂背景下图像序列中运动目标的跟踪技术，通过将MS理论和背景差分法目标提取算法相结合，实现了运动目标的实时跟踪。通过对行驶中的小汽车的跟踪，验证了本文算法的有效性和稳健性。
1 背景差分目标提取
　背景差分法也叫背景相减法，是用待提取目标图像减去没有目标的静止背景图像提取出运动目标，属于图像分割技术范畴，其原理与帧差法类似，都是利用图像像素的差分法运算实现目标提取。

1.2 背景差分算法步骤
　（1）图像预处理：主要目的是去除图像的随机噪声和校正因传感器角度造成的图像偏差。一般地，采用滤波和配准等方法对原始视频进行预处理。
　（2）背景建模：通过对N帧视频图像序列的每一帧的像素信息进行统计和估计，从而得到背景图像，在算法开始时，通常采用第1帧图像作为初值背景。
　（3）前景提取：传感器采集到的当前帧图像与步骤（2）重建的背景作差分运算，即可求得待提取的运动目标。
　（4）背景更新：当目标由当前帧运动到下一帧时，背景像素也跟着发生变化，不能以当前背景图像作为下一帧的背景，背景图像需要重新估计，即背景更新。在整个目标提取过程中，背景是动态变化的。
2 MS框架下的背景差分法目标跟踪
　MS算法是一个不断进行迭代运算的步骤，即先算出当前点的偏移均值，移动该点到其偏移均值，然后以此为新的起始点继续移动，直到满足一定的条件结束。MS算法以其优良的性能在目标跟踪中得到了很好的应用，它是一种无参数的密度估计算法，最早由FUKUNAGA K和HOSTETLER L D提出[４]，应用于模式识别问题。COMANICIU D等人将Mean Shift方法用于解决目标跟踪问题[５]。


　　（6）利用背景差分法提取目标，并计算目标新的形心位置x1；
　　（7）如果|x1-y1|≤R（R为初始时手动选定的目标半径），则以y1为新的目标位置，否则以x1作为新的目标位置；
　　（8）回到步骤（1）继续进行计算，一直到目标跟踪结束。
3 实验结果与分析
　为了验证本文所提出的目标跟踪算法的性能，采用一组自己用佳能数码相机拍摄的视频图像进行测试，并比较MS跟踪算法和本文跟踪算法的跟踪效果。所有算法均在Intel Pentium-4 3.0 GHz CPU、2 GB内存计算机，Windows XP 系统下用MATLAB 7.9编程实现。图像中方框表示估计的目标位置，在图像序列中待跟踪目标的初始位置手动给定。
　图2是对一段长为100帧的640×480像素的视频中行驶的黑色小汽车的跟踪实验结果。前71帧中MS算法和本文算法跟踪结果基本一致。到第72帧时，由于目标被前面的白色汽车遮挡，跟踪目标丢失，MS算法失效。改进算法中，利用背景差分法提取的目标中心位置对MS跟踪的目标位置进行修正，从而保证算法能够一直正确地跟踪目标。

　本文提出了一种改进MS算法的背景差分法目标跟踪方案。通过背景差分法进行目标提取并计算目标的形心坐标，对MS算法进行自动修正。使用距离度量函数判断目标是否失去跟踪，在目标丢失时，通过背景差分法修正跟踪位置，重新进行目标定位来获得稳定的跟踪。这种方法在跟踪偏移的情况下能够调整算法的目标模型分布，从而修正MS的跟踪过程。实验结果表明，本文所提出的方案实现了对目标的实时提取与跟踪，同时对于目标遮挡、丢失的情况是稳健的。
参考文献
[1] 蔡荣太.非线性自适应滤波器在电视跟踪中的应用[D].北京：中国科学院，2008.
[2] 王亮，胡卫明，谭铁牛.人运动的视觉分析综述[J].计算机学报，2002，25（3）：225-237.
[3] COMANIEIU D， RAMESH V. Mean Shift and optimal prediction for efficient object tracking[C]. Proceedings of the IEEE Conference on Image， 2000（3）：70-73.
[4] FUKUNAGA K， HOSTETLER L D. The estimation of the gradient of a density function with applications in pattern recognition[J]. IEEE Transactions on Information Theory， 1975， 21（1）： 32-40.
[5] COMANICIU D， MEER P. Mean Shift： a robust approach toward feature space analysis[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2002， 24（5）：564-577.