Mean+shift算法在全景视觉中应用研究.pdfVIP

《冶金自动4E))2010年S2 Mean shift算法在全景视觉中的应用与研究 武娜，李小坚 (北方工业大学机电工程学院，北京100144) 摘要：目标跟踪是计算机视觉研究中的经典问题，是指计算机或其它设备根据某种算法对目标进行跟踪和定 位，并根据目标的位置和动向采取相应的策略。近些年来，目标跟踪被广泛应用于视频监控、视频编码以及军事 工程等各种领域。本文首先对Meanshift算法做了简单介绍，随后介绍了算法的基本形式及基于核函数的扩展 ’ 形式，最后将改进的算法应用于足球机器人的单目视觉与全景视觉中，并对实验结果进行了分析。 关键词：Meanshift算法，足球机器人，全景视觉 O 引言 我们可以看到(髫j一菇)是样本点气相对于点茗 Mean shift概念最早由Fukunaga等人于1975的偏移向量，式(1)定义的Meanshift向量帆(菇) 年在一关于概率密度梯函数的估计中提出，其最 就是对落人区域s。中的n个样本点相对于点戈的 初含义是：偏移的均值向量。Meanshift算法是一偏移向量求和然后再平均。从直观上看，如果样 个迭代的步骤，即先算出当前点的偏移均值，移动 本点毛从一个概率密度函数八髫)中采样得到，由 该点到其偏移均值，然后以此为新的起始点，继续 于非零的概率密度梯度指向概率密度增加最大的 移动，直到满足一定的条件结束。Meanshift实质方向，因此从平均上来说，S。区域内的样本点更多 的落在沿着概率密度梯度的方向。因此，对应的， 上是核密度估计算法，一般核函数选择Epanechik· Mean OV核函数。该算法一般被描述为：在初始帧图像 shift向量帆(茗)应该指向概率密度梯度的 中包含目标所有像素点的目标区域中计算目标特 方向，如图l所示。 征空间中每个特征值的概率，被称为目标模型的 描述；在以后每帧图像中可能存在的目标候选区 域中对特征空间的每个特征值的计算称为候选模 shift 型的描述。在目标跟踪定位的应用中。Mean 即均值漂移，它所漂移的方向就是概率密度分布 最大的位置，因此Meanshift算法的核心问题是 Mean shift向量。 1 Mean shift算法介绍 1．1 Mean shift向量 给定d维空间∥中的n个样本点气，i=1，2， shift伺量的基本形式定义 …，则n在z点的Mean 为： 1 ％(x)=-T1∑(菇；一茗) (1) Mean 圈1 shift示意图 再xiE5h S^(菇)暑{，，：(，，一茗)。一(Y一菇)≤IIl2} 图1中，大圆圈所圈定的范围就是S。，小圆圈 上述式中，s．为一个半径为h的高维球区域，且满 代表落人s。区域内的样本点毛ES。，黑点就是 Mean 足以下关系的Y点的集合；后表示在这n个样本点 shift的基准点髫，也就是核函数的中心点，箭 茗i中有k个点落人S。区域中。 头表示样本点相对于核函数中心点茗的偏移向 收稿日期：2010-05．13：修改稿收到日期：2010-05-28 作者简介：武娜(1983．)，女，山西霍州人，硕士研究生，主要研究方向为足球机器人全景视觉。 ·