MeanShift跟踪算法研究及LabVIEW实现.pdfVIP

第23卷第2期 浙江万里学院学报 V01．23No．2 2010年3月 of Wanli March2010 Journal ZhejiangUniversity 王 明 (宁波大红鹰学院，浙江宁波315175) 摘要：介绍了Mean—Shift目标跟踪算法的基本原理，针对核函数带宽在跟踪过程中固定不变的问题．给出了改 跟踪算法，实验表明该方法可以对室外场景单个物体和多个物体进行跟踪，可以应用于视频监控领域。 关键词：Mean—Shift；目标跟踪；核函数带宽；目标模型更新 中图分类号：TP391．4 文献标识码：A 文章编号：1671—2250(2010)02—0085—06 目标跟踪一直是计算机视觉、图像处理和模式识别领域非常活跃的课题，是视频监控、基于对象的视 频压缩、卫星遥测等应用中的关键技术。它是在图像序列中寻找所感兴趣的运动目标所处的位置．常用的 方法是选择合适的目标特征以及快速的搜索匹配算法。基于无参密度估计的Mean—shift算法．能快速有 效地收敛到目标的密度最大极值区，从而迅速得到目标位置，已应用于对实时性要求较高的目标跟踪领 为一个Mean—Shift最优化问题。使得跟踪实时地进行141。 Mean—Shift跟踪算法存在的一个问题是：一般核窗宽由初始跟踪窗口的尺寸决定。在整个跟踪过程 中不再发生变化。核窗宽的大小起着非常重要的作用，它决定了参与Mean—Shift迭代的样本数量．也反 映了跟踪窗口的大小。当目标存在明显尺度变化的时候，尤其是当目标尺寸逐渐增大以至超出核窗宽范 方向投影图中目标区的各阶矩计算获得目标尺度和转角，依靠连续迭代计算，获取目标形心位置．在跟踪 核，在定义的离散尺度空间中进行Mean—Shift迭代，从而找到最佳的核窗宽同，但当目标逐渐增大尺寸 时，核窗宽很难被扩大，反而经常越变越小。 Mean—Shift跟踪算法存在的另一个问题是：算法缺乏必要的模型更新，当目标存在明显的尺寸变化 或目标被遮挡时，常常会导致丢失目标。Nguyen首次将卡尔曼滤波器用于跟踪中的模型更新181，通过对模 型中的每个像素赋予一个卡尔曼滤波器来修正像素值的变化，这样每个像素都能独立更新。Kalman自适 1 Hean-Sh1 ft跟踪算法 Mean—Shift算法是一个迭代的过程，在起始跟踪帧，通过手工确定搜索窗口来选择运动目标。计算核 函数加权下的搜索窗口的直方图分布．用同样的方法计算当前帧对应窗口的直方图分布，用 Bhattacharyya系数作相似度测量，找到与目标模型最为匹配的候选目标。该算法主要包括四个步骤： 收稿日期：2009—1l一23 作者简介：王明(1968一)，男，江西南昌人，宁波大红鹰学院信息工程学院副教授，研究方向：图像处理、模式识别。 · 85· 万方数据 2010年3月 浙江万里学院学报 1．1 建立目标模型 设k}乩…．。是目标模型的归一化像素坐标，目标模型的中心坐标为yo，目标模型的核函数直方图定 义为： 2)8[b(xi)一“】(u=1川2一，m) (1) 珏c．耋||}(o孕Il 其中，；。为直方图分量Ⅱ的值，m为分量的个数，后(·)为核函数(是一个各向同性的、凸的、单调递减的函 数。作用是给目标模板区域的像素设置权值，位置与目标模型中心的距离越近权重越大)，h是核函数的 窗宽，6是KroneckerDelta函数，映射b(Xi)为筋处像素对应直方图中的颜色索引，C为归一化参数，可由 约束条件主；产l得到。 1．2候选目标模型 图像中可能包含目标的区域称为候选区域，候选目标模型的核函数直方图为： 2)8[b(x1)一u】(u=