基于Mean-Shift與Camshift算法相結合的火焰視頻圖像跟蹤設計

其中圖1為背景較為簡(jiǎn)單的火焰圖像的分割結果，圖2為有手電筒光干擾下的火焰圖像，圖3為有路燈燈光干擾下的火災圖像。三幅圖中的(a)均為原圖，(b)為分割后的結果?？梢钥闯?，在三種情況下，該算法都能夠有效的分割出火焰圖像，從而確定火焰區域，以達到目標識別的目的。

2 Camshift算法

CamShift算法(Continuouslv Adaotive MeanShift)是計算局部最優(yōu)解的一個(gè)實(shí)用算法。這種算法具有快速高效之特點(diǎn)，均值平移通過(guò)迭代從候選目標中找到最接近己給定的目標模型。它是一種基于顏色信息的方法，可以對具有特定顏色的信息目標進(jìn)行跟蹤。

當建立被跟蹤目標的顏色概率模型后，便可將視頻圖像轉化為顏色概率分布圖，然后在第一幀圖像初化一個(gè)矩形搜索窗，這樣，對以后的每一幀圖像，CamShift能夠自動(dòng)調節搜索窗的大小和位置，定位被蹤目標的中心和大小，同時(shí)用當前幀定位的結果預測下一幀圖像中目標的中心和大小?？傮w而言，CamShift算法是一種動(dòng)態(tài)變化分布的密度函數梯度估計的非參數方法。

本文使用的是CCD攝像頭來(lái)采集彩色火焰圖像，彩色圖像使用的是RGB模型。由于CamShift算法是基于顏色信息的跟蹤算法，該算法對HSV顏色模型的H分量比較敏感。因此，為使用CamShift算法進(jìn)行跟蹤，必須首先進(jìn)行從RGB空間到HSV空間的轉換。

2.1 RGB到HSV色彩空間的轉變

RGB空間為線(xiàn)性空間，而HSV空間為非線(xiàn)性空間。從RGB空間到HSV空間的轉換公式如下：


使用上面的公式，可以將一幅彩色圖像從RGB空間轉換到HSV空間。從而為使用CamShift算法進(jìn)行跟蹤打下了基礎。

2.2 Camshift跟蹤算法

Camshift跟蹤算法在操作時(shí)，首先在顏色概率分布圖中選取大小為S的搜索窗W。然后在用下式計算零階矩：



式中，I(x,y)是坐標為(x,y)的點(diǎn)的像素值，x和y的變化范圍即為搜索窗的范圍。

第二步再用下式計算搜索窗的質(zhì)心(xc,yc)：



接下來(lái)第三步再重新設置搜索窗的大小S為上面搜索窗區域內顏色概率分布的函數。

之后．再重復第二步、第三步，直至收斂(質(zhì)心變化小于給定的閾值)。

零階矩反映了目標在圖像中的面積，而顏色概率分布圖實(shí)際上是最大值為255的離散灰度圖像，由此便可設置搜索窗的大小S和Z00的關(guān)系，即：



考慮到對稱(chēng)性，S應取接近計算結果的奇數。這樣，通過(guò)計算二階矩，便可以得到被跟蹤目標的長(cháng)軸、短軸和方向角。其二階矩為：



那么，圖像中目標長(cháng)軸和短軸的長(cháng)度便可以按以下公式進(jìn)行計算：



當使用Camshift算法對特定顏色的目標進(jìn)行跟蹤時(shí)，一般不必計算每幀圖像所有像素點(diǎn)的顏色概率分布，而只需要計算比當前搜索窗大一些的區域內的像素點(diǎn)的顏色概率分布即可，這樣便可節省很大的計算量。因此，當對連續的視頻圖像進(jìn)行處理時(shí)，實(shí)際上就已形成了連續的跟蹤。

3 火焰跟蹤實(shí)驗及其結果

本文通過(guò)跟蹤背景較為簡(jiǎn)單的火焰視頻圖像和有手電筒光干擾下的火焰視頻圖像來(lái)驗證此法的有效性，同時(shí)得出了如圖4和圖5所示的驗證結果圖。


其中，圖4的背景較為簡(jiǎn)單，該圖中僅有人的胳膊和火焰。其原視頻的一幀圖像可參見(jiàn)前文的圖1 (a)。

而在圖5中，開(kāi)始只有火焰和人臉的一部分。后來(lái)我們加入了手電筒光，最后再關(guān)閉手電筒光。其原視頻的一幀圖像可參考圖2(a)原圖。

通過(guò)以上實(shí)驗可以證明，此法能夠快速準確的跟蹤火焰的運動(dòng)，并且沒(méi)有產(chǎn)生目標丟失和跟蹤區域發(fā)散的情況。

4結束語(yǔ)

本文提出了一種Mean-Shift與Camshift相結合的動(dòng)態(tài)火焰跟蹤算法。其中通過(guò)Mean-Shift對火焰圖像進(jìn)行分割與定位的方法，克服了傳統Camshift算法需要進(jìn)行人工定位以及容易發(fā)散的缺點(diǎn)。但是，文中方法在干擾源過(guò)多時(shí)，也容易產(chǎn)生跟蹤錯誤的情況，這一缺點(diǎn)正是后面應當繼續研究的課題。