基于HSV非均匀量化的CAMshift目标跟踪算法

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热荩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。