基于改进的MeanShift的行人跟踪.docxVIP

基于改进的MeanShift的行人跟踪本文首先提取目标颜色特征及显著性纹理特征，通过提取的特征对行人进行建模，并采用卡尔曼滤波器对行人运动轨迹进行预测。行人跟踪系统框图如图1所示。Fig.1 The system framework of pedestrian tracking图1 行人跟踪系统框架4.4.1多特征提取4.4.1.1颜色特征 传统的MeanShift算法采用RGB(Red，Green，Blue)颜色空间。而HSV(Hue，Saturation，Value)空间更符合人们对颜色相似性的主观判断，并且对光线变化的适应能力也更强。因此，首先实现RGB 颜色空间向HSV颜色空间的转换,按照文献[10]的方法对HSV颜色空间进行非均匀量化，并提取色调Hue分量作为目标的颜色特征。4.4.1.2 显著性纹理特征 LBP(local binary pattern，局部二值模式)是由Ojala[11]等提出的用于提取图像局部纹理特征的算子，因其具有灰度不变性、旋转不变性、对光照变化不敏感、计算快速简单等优点而在图像处理方面被广泛使用。以3×3模板为例，将相邻的8个像素与中心点像素的灰度值进行比较，若周围像素灰度值比中心像素大，则其值为1，否则为0。按照式(5)即得到该窗口中心像素点的LBP值。LBP算子示意图如图2。 （5）Fig.2 Schematic diagram of LBP operator图2 LBP算子示意图1. LBP的等价模式 考察LBP算子的定义可以发现，一个LBP算子可以产生不同的二进制模式，而较多的模式种类将使得数据量过大，且直方图过于稀疏。因此，需要对原始的LBP模式进行降维，使得数据量减少的情况下能最好的代表图像的信息。为了解决二进制模式过多的问题，提高统计性，Ojala[100]提出了采用一种“等价模式”(Uniform Pattern)来对LBP算子的模式种类进行降维。Ojala等认为，在实际图像中，绝大多数LBP模式最多只包含两次从1到0或从0到1的跳变。因此，Ojala将“等价模式”定义为：当某个局部二进制模式所对应的循环二进制数从0到1或从1到0最多有两次跳变时，该局部二进制模式所对应的二进制就称为一个等价模式类。检验某种模式否是等价模式的简单方法是将其和其移动一位后的二进制模式按位相减的绝对值求和，定义如下： 传统的LBP特征在进行直方图统计时数量多且具有较多的冗余，为了提高统计特性，Ojala对LBP特征进行降维，提出了LBP的等价模式，如式(6)。 (6)若某种模式计算得到的 ()PU G小于或等于2，则将其归于等价模式。在实际应用中，上式可以表示为这个二进制模式和它位移后的模式按位相与。进一步地，可以为原始模式到等价模式建立一个查找表。除等价模式类以外的模式都归为另一类，称为混合模式类。通过这样的改进，二进制模式的种类大大减少，而不会丢失任何信息。模式数量由原来的2P种减少为 P ( P?1)+2种，其中P表示邻域集内的采样点数。对于3×3邻域内8个采样点来说，二进制模式由原始的256种减少为58种，这使得特征向量的维数更少，并且可以减少高频噪声带来的影响。Ojala等认为，等价模式代表了图像的边缘等关键模式，如图2.3所示，其中，白色点表示1，黑色点表示0。等价模式类占总模式中的绝大多数，利用这些等价模式类和混合模式类的直方图，可提取更能代表图像本质特性的特征。2. 旋转不变的 LBP 算子从 LBP 的定义可以看出，LBP 算子是灰度不变的，但却不是旋转不变的。图像旋转时，圆形邻域的灰度值ig 在以cg 为中心半径为 R 的圆周上移动。由式(2.6)可以看出，只要 ()ics g? g不全为 0 或不全为 1，图像的旋转就会得到不同的 LBP值，由图 2.5 也可以看出这一点。因此，Maenpaa[108]等人又将 LBP 算子进行了扩展，提出了具有旋转不变性的 LBP 算子，即不断旋转圆形邻域得到一系列初始定义的 LBP 值，取其最小值作为该邻的 LBP 值，用公式表示如下：min((,)|0,1,...,1)LBP= RORLBPii=P?riPRriPR(2.10)其中riLBP 表示旋转不变的 LBP 算子，ROR(x, i)函数为旋转函数，表示将 x循环右移 i(iP)位。对于邻域像素的标记次序并没有严格的规定，这里，我们由中心像素左上方的像开始，顺时针标记。图 2.5 给出了求取旋转不变的 LBP 的过程示意图，图中算子下方的数字表示该算子对应的 LBP 值，图中所示的 8 种 LBP模式，经过旋转不变的处理，最终得到的具有旋转不变性的 LBP 值为 15。也就是说，图中的 8 种 LBP 模式对应的旋转不变的 LBP 模式都是 00