基于视频的目标跟踪方法分析.ppt

基于视频的目标跟踪方法 石亚玲 2015223040029 MeanShift 算法 MeanShift算法简介 基于MeanShift的目标跟踪算法 MeanShift算法实现过程 MeanShift算法简介 基本含义 MeanShift算法简介 基于MeanShift的目标跟踪算法 ?基于均值漂移的目标跟踪算法通过分别计算目标区域和候选区域内像素的特征值概率得到关于目标模型和候选模型的描述，然后利用相似函数度量初始帧目标模型和当前帧的候选模版的相似性，选择使相似函数最大的候选模型并得到关于目标模型的Meanshift向量，这个向量正是目标由初始位置向正确位置移动的向量。由于均值漂移算法的快速收敛性，通过不断迭代计算Meanshift向量，算法最终将收敛到目标的真实位置，达到跟踪的目的。 目标模型的描述 在起始帧，通过鼠标确定一个包含所有目标特征的椭圆，称为被跟踪目标的目标区域，这个目标区域也是核函数作用的区域，区域的大小等于核函数的带宽。 对目标区域进行描述，常用的方法是按照直方图的方式将图像像素的值域等分成m个区间，每个区间按照值域的大小对应一个特征值。然后求出图像的像素值取每个特征值的概率。 对在初始帧图像中目标区域内所有的象素点，计算每个特征值的概率，我们称为目标模型的描述。 候选模型描述 相似性度量 MeanShift迭代过程 MeanShift迭代过程 MeanShift算法实现过程 * * 给定的d维的欧式空间中n个样本点 （n=1,……n）在x点的meanshift向量基本形式定义为 其中， 是一个半径为h的高维球区域，满足以下关系的y点的集合 目的：找出最密集的区域 Mean Shift 矢量 通过人工标注的方式在初始帧中确定包含跟踪目标的区域,其中有n个象素用 表示，对选中的区域的灰度颜色空间均匀划分，得到由m个相等的区间构成的灰度直方图,则目标模型概率密度为 其中， 表示以目标中心为原点的归一化的像素位置； 为目标中心坐标；K为核函数。 运动目标在第二帧及以后的每帧中可能包含目标的区域称为候选区域，假设在第t帧时，根据第t-1帧的目标中心位置 ，以 为搜索窗口的中心，得到候选目标的中心位置坐标f，计算当前帧的候选目标区域直方图，该区域的像素用 表示，则其概率密度为 相似性函数用于描述目标模型和候选目标模型之间的相似程度，我们使用Bhattacharyya系数作为相似性函数，其定义为： 均值漂移的迭代过程，也就是目标位置搜索的过程。为使相似函数最大，对上式进行泰勒展开， Bhattachcyarya系数可近似为： 其极大化过程就可以通过候选区域中心向真实区域中心的MeanShift迭代方程完成： 其中，g(x)=- 。 1.计算目标模板的概率密度 ,在当前帧以y0为起点，计算候选目标的特征 ； 2.计算候选目标与目标的相似度； 3.计算当前窗口内各点处权值 ； 4.利用MeanShift算法，计算目标新位置： 5.若 ，则停止；否则y0←y1转步骤2 限制条件：新目标中心需位于原目标中心附近。