·940· 智能系统学报 第14卷 要求”。但过于简化的跟踪方法对目标特征描 (1)所建立的直方图模型是采用精确集合的方法 述不够充分，造成难以适应复杂场景下跟踪准确 进行色度等级的划分。因此光照变化等干扰，会 性的要求。尤其当目标所处场景的光照不稳定 造成目标直方图模型不稳定，严重影响目标跟踪 时，跟踪系统对跟踪方法的适应能力就会提出更 方法的性能。 高要求go。在现有跟踪方法中，Meanshift算法由 模糊集合能够通过弱化集合划分阈值的方式 于具有运算量小，计算速度快等优点而得到较快 实现不确定知识表示，从而可改善模型描述的鲁 发展。在Meanshift算法基础上所提出的Cam- 棒性，因此提出了基于模糊隶属度划分的目标直 shift改进算法能够适应目标缩放变化等需求，改 方图模型表示方法。 善了跟踪性能2。为了提高跟踪方法对复杂场 选择梯形色度隶属度函数，则第k个色度模 景的适应能力，通过融合多种辅助特征信息、抑 糊等级的隶属度函数()描述为 制背景信息或突出目标显著性信息等方式，又提 h-hk-2 hk-1-hk-2' hk-2<h≤hk-i 出了一系列的改进跟踪方法416，如基于显著性 1, hk-l<h≤hg 加权直方图模型m及融合边缘纹理特征的直方 (h= hiei-h hs<h≤hk+i 图模型阁的跟踪方法等。 heti-he' Meanshift算法、Camshift算法以及各种改进 (0,h≤h-2或h>hk+l 基于上述模糊划分的色度模糊直方图模型可 方法均是利用目标的色度(Hue)直方图模型来 描述目标的基本特征，利用反向投影实现目标 表示为={qn},u=1,2,…,m,其中9为 的定位跟踪21。因此目标直方图模型的稳定 9= (2) 性和准确性直接影响着跟踪性能。现有Cam- shif等跟踪方法采用精确集合的定义选取划分 式(2)所建立的直方图模型由于相邻色度等 阈值2，而实际跟踪过程中，由于光照变化等 级之间没有明显的界限，弱化了色度等级阈值对 干扰因素会造成场景图像的色度产生一定的漂 直方图模型的影响，从而可有效抑制色度漂移和 移。从而引起目标直方图模型的不稳定，降低 光照变化产生的干扰，提高目标直方图模型的稳 了目标跟踪的性能。 定性。 为了提高直方图模型对色度漂移的抑制能 2基于模糊直方图模型的跟踪方法 力，结合模糊集合理论，提出了目标模糊直方图 模型建立方法，弱化了色度等级划分阈值的作 利用式(2)的目标模糊直方图进行反向投影， 用，根据目标的模糊直方图定义了新的反向投影 可建立跟踪场景的概率分布图。由于采用模糊直 方式，实现目标定位与跟踪，有效抑制光照变化 方图模型，因此反向投影方式与传统方法有所不 等干扰因素对目标跟踪性能的影响，提高跟踪方 同。设跟踪场景中像素点(x,y)的色度值为(x 法的适应能力。 ,根据式(2)模糊直方图模型定义反向投影概率 分布图中该点的像素灰度值px,y)为 1模糊直方图模型 ∑-,X255 目标直方图模型由于具有旋转不变性及计算 p(x,y)=INT = (3) 量小等优点，在许多跟踪方法中得到有效应用。 max{qj=1,2,…,m u.[h(x,y)] =1 通常选择H$V颜色空间中H(色度)分量建立直 式中NTO为取整函数。根据色度模糊等级的划 方图模型。设色度值H的定义域为[0,180]，色度 分，同一色度值隶属于不同的色度等级，因此，式 等级划分为m级，0-h1为第1个等级，h~h为第 (3)采用加权平均方式求得场景图像反向投影概 j个等级，hm1~180为第m个等级，目标区域中像 率分布图中各像素的灰度值，灰度值越大，表示 素点i的坐标为(x,),其色度等级值表示为b(x, 该点为目标区域中的点的概率越大。基于式(3) y,这样目标色度直方图模型可建立为q'={q'}, 的反向投影方式，目标跟踪的具体流程可描述为： l=1,2,…,m: 1)选定跟踪目标区域，利用式(2)建立目标区 2aW- 域的色度模糊直方图模型； (1) 2)获取当前跟踪场景，利用式(3)求取当前跟 式中s为目标区域中所包含像素点的数量。式 踪场景的反向投影概率分布图；要求[4-7]。但过于简化的跟踪方法对目标特征描 述不够充分，造成难以适应复杂场景下跟踪准确 性的要求。尤其当目标所处场景的光照不稳定 时，跟踪系统对跟踪方法的适应能力就会提出更 高要求[8-10]。在现有跟踪方法中，Meanshift 算法由 于具有运算量小，计算速度快等优点而得到较快 发展[11]。在 Meanshift 算法基础上所提出的 Cam￾shift 改进算法能够适应目标缩放变化等需求，改 善了跟踪性能[12-13]。为了提高跟踪方法对复杂场 景的适应能力，通过融合多种辅助特征信息、抑 制背景信息或突出目标显著性信息等方式，又提 出了一系列的改进跟踪方法[14-16] ，如基于显著性 加权直方图模型[17] 及融合边缘纹理特征的直方 图模型[18] 的跟踪方法等。 Meanshift 算法、Camshift 算法以及各种改进 方法均是利用目标的色度 (Hue) 直方图模型来 描述目标的基本特征，利用反向投影实现目标 的定位跟踪[12-18]。因此目标直方图模型的稳定 性和准确性直接影响着跟踪性能。现有 Cam￾shift 等跟踪方法采用精确集合的定义选取划分 阈值[12-18] ，而实际跟踪过程中，由于光照变化等 干扰因素会造成场景图像的色度产生一定的漂 移。从而引起目标直方图模型的不稳定，降低 了目标跟踪的性能。 为了提高直方图模型对色度漂移的抑制能 力，结合模糊集合理论，提出了目标模糊直方图 模型建立方法，弱化了色度等级划分阈值的作 用，根据目标的模糊直方图定义了新的反向投影 方式，实现目标定位与跟踪，有效抑制光照变化 等干扰因素对目标跟踪性能的影响，提高跟踪方 法的适应能力。 1 模糊直方图模型 u = 1,2,··· ,m 目标直方图模型由于具有旋转不变性及计算 量小等优点，在许多跟踪方法中得到有效应用。 通常选择 HSV 颜色空间中 H(色度) 分量建立直 方图模型。设色度值 H 的定义域为 [0，180]，色度 等级划分为 m 级，0~h1 为第 1 个等级，hj-1~hj 为第 j 个等级，hm-1~ 180 为第 m 个等级，目标区域中像 素点 i 的坐标为 (xi，yi )，其色度等级值表示为 b(xi， yi )，这样目标色度直方图模型可建立为 qʹ={qʹu}， ： q ′ u = ∑s i=1 δ[b(xi , yi)−u] (1) 式中 s 为目标区域中所包含像素点的数量。式 (1) 所建立的直方图模型是采用精确集合的方法 进行色度等级的划分。因此光照变化等干扰，会 造成目标直方图模型不稳定，严重影响目标跟踪 方法的性能。 模糊集合能够通过弱化集合划分阈值的方式 实现不确定知识表示，从而可改善模型描述的鲁 棒性，因此提出了基于模糊隶属度划分的目标直 方图模型表示方法。 选择梯形色度隶属度函数，则第 k 个色度模 糊等级的隶属度函数 μk (h) 描述为 µk(h) =    h−hk−2 hk−1 −hk−2 , hk−2 < h ⩽ hk−1 1, hk−1 < h ⩽ hk hk+1 −h hk+1 −hk , hk < h ⩽ hk+1 0, h ⩽ hk−2或h > hk+1 u = 1,2,··· ,m 基于上述模糊划分的色度模糊直方图模型可 表示为 q={qu}， ，其中 qu 为 qu = ∑s i=1 µuh(xi , yi) (2) 式 (2) 所建立的直方图模型由于相邻色度等 级之间没有明显的界限，弱化了色度等级阈值对 直方图模型的影响，从而可有效抑制色度漂移和 光照变化产生的干扰，提高目标直方图模型的稳 定性。 2 基于模糊直方图模型的跟踪方法 利用式 (2) 的目标模糊直方图进行反向投影， 可建立跟踪场景的概率分布图。由于采用模糊直 方图模型，因此反向投影方式与传统方法有所不 同。设跟踪场景中像素点 (x，y) 的色度值为 h(x， y)，根据式 (2) 模糊直方图模型定义反向投影概率 分布图中该点的像素灰度值 p(x，y) 为 p(x, y) = INT   ∑m u=1 µuh(x, y)· qu ×255 max{qj | j = 1,2,··· ,m} ∑m u=1 µu[h(x, y)]   (3) 式中 INT() 为取整函数。根据色度模糊等级的划 分，同一色度值隶属于不同的色度等级，因此，式 (3) 采用加权平均方式求得场景图像反向投影概 率分布图中各像素的灰度值，灰度值越大，表示 该点为目标区域中的点的概率越大。基于式 (3) 的反向投影方式，目标跟踪的具体流程可描述为： 1) 选定跟踪目标区域，利用式 (2) 建立目标区 域的色度模糊直方图模型； 2) 获取当前跟踪场景，利用式 (3) 求取当前跟 踪场景的反向投影概率分布图； ·940· 智 能 系 统 学 报 第 14 卷