meanshift-目标跟踪算法.pptVIP

目标跟踪——meanshift 常用方法 静态背景下 1.时域差分法 2.背景差分法 3.光流场法 动态背景下 1.匹配块法 2.光流估计法 3.图像匹配法 4.运动估计法 动态背景下的常用算法 1.卡尔曼滤波 根据物理学中运动方程来估计目标的位置 2.均值漂移 根据模板匹配的方法来估计目标位置 3.粒子滤波 均值漂移概述 均值漂移是由Fukunaga1975年提出的 一种块匹配的方法 图象分割、目标检测、视频跟踪 核估计介绍 设X1,X2, …Xn是从总体中抽出的独立同分布的样本，X具有未知的密度函数f（x），则f（x）的核估计为： 核函数的选择条件 K(x)=-K(x) K(x)0 核函数必须为凸函数 常见的核函数 以上是均匀核、依潘涅契科夫核，双权核、高斯核、双指数核、双依潘涅契科夫核。 Epanechnikov核，形式如下： 其中Cd为d维单位球的体积。 另一种常用的核函数是正态核函数 选择核估计的原因 1.客服了直方图估计对高维数据的失效性。 2.能够比较好的抑制噪声的影响 3.增强数据的有效性 均值漂移具体步骤 1.目标模型的计算 定义函数b(xi*)是像素xi*在量化的特征空间的索引号。则特征u=1,…,m在目标模式中出现的概率可表示为： 其中k(·)为核函数，即加权函数，δ(·)为Kronecker函数，定义为: 2.候选目标的计算： 设{xi}是候选目标区域的象素位置，在当 前帧中基于图像特征u=1,...,m的候选目标中 出现的概率函数可以表示为： 其中归一化常数Cy为： 在计算过程中，h可以选与目标窗口的像素数。 qu和pu(y)就是描述目标和候选目标的特征向量。 3.相似度的计算 Bhattacharyya系数： 描述目标与候选目标的相似程度， 该系数越大，目标与候选目标越近似。 自适应相似度最大值的计算 在当前帧将相似度函数ρ[p(y) ,q]在目标预 测位置y0附近泰勒展开式为： 其中： 核从当前位置y0移向新的位置y1的计算： 其中g (x )= -k (x) 整个算法流程 ①在当前帧以y0为起点，计算候选目标的特征{pu(y0)}u=1，2…..m; ②计算候选目标与目标的相似度： ③计算权值{wi}i=1，2…..m ④利用Mean-Shift算法，计算目标新位置 ⑤更新{pu(y1)}u=1，2…..m，计算 ⑥若 ,那么y1=(y0+y1)/2,直到 ⑦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。 Meanshift优缺点： 优点 ①算法复杂度小； ②是无参数算法，易于与其它算法集成； ③采用加权直方图建模，对目标小角度旋转、轻微变形和部分遮挡不敏感等。 缺点 ①搜索窗的核函数带宽保持不变 ②缺乏必要的模板更新算法； ③目标的运动不能过快 讨论： 1.窗函数带宽不变解决方法： 基于边界力计算的带宽变化的方法