基于背景优化和模型更新目标跟踪算法.docVIP

基于背景优化和模型更新目标跟踪算法 　　摘要：针对传统Mean Shift跟踪算法在进行目标跟踪时，由背景因素带来的定位偏差和缺乏相应的模型更新策略而易陷入局部最小值的情况，提出了两方面的改进措施。一方面在建立目标模型时，对背景像素建立新的模型以弱化对目标模型的影响，另一方面在跟踪过程中，融合目标颜色特征和连续两帧目标中心的欧氏距离动态的决定目标模型更新策略。实验结果表明，该算法在目标姿态、环境光照变化强烈时均能取得较好的跟踪效果。 　　关键词：目标跟踪；均值漂移；特征融合；背景优化；模型更新 　　中图分类号：TP312文献标识码：A文章编号2012）009003003 　　0引言 　　目标跟踪是计算机视觉中很重要的一个分支，经过国内外专家学者多年的研究已经提出了众多跟踪算法。在各种算法中，Mean Shift因为其计算量小、鲁棒性好、实时性强等特点，被广泛应用于目标跟踪的各个领域。 　　在跟踪过程中由于背景像素的影响，Mean Shift算法容易收敛到局部最小值，针对此问题文献[4]提出了基于背景权重直方图模型的改进方法，在文献[7]中经过理论推导和实验证明该改进方法没有取得预期的效果，背景像素仍是一个很严重的干扰；在实际场景中由于目标运动速度快且目标形变严重或有遮挡的情况下目标并不是一成不变的，仅仅利用初始化建立的目标模型为跟踪目标容易导致跟错甚至丢失，文献[8，9]提出在模型建立时利用目标的纹理信息，然而都没有对模型进行更新，文献[10]提出了融合粒子滤波的算法，并改进相似度检测指标进行模型更新，但是没有考虑背景的干扰。 　　针对以上不足本文提出了以下改进措施：①将跟踪窗口内的区域分为目标和背景两部分，通过降低背景像素在目标模型中的比重来对背景进行优化，以降低背景对目标跟踪的影响，提高定位精度；②根据当前目标模型和目标候选模型计算相似度指标并更新模型。 　　1传统Mean Shift算法 　　Mean Shift是一种基于概率密度估计的非参数匹配算法，利用目标区域内的像素颜色分布建立目标模型，根据均值偏移向量，在候选区域内自动搜索与目标模型匹配度最高的区域，作为新的目标位置，该算法不需要穷尽搜索，收敛速度快，在基于图像处理的目标跟踪中得到广泛应用，目标模型表示为： 　　q={q-u}-u=1…mq-u=C∑n[]i=1k（‖x*i‖2）δ [b（x*i）-u]（1） 　　在式（1）中的q即是目标模型，q-u是目标模型中第u个特征，δ是Kronecker脉冲函数，n为目标区域中点的个数，b（x+*-i）将窗口中的点映射到相应的特征空间，k（x）为Epanechniko核函数，此外常数C由∑u[]i=1qu=1推出，即： 　　C=1∑n[]i=1k（‖x*i‖2）（2） 　　同理，令{xi}i=1，2…nh为当前帧候选窗口中的像素点，计算出候选目标的概率密度模型： 　　p（y）={pu（y）}u=1…mpu（y）=Ch∑nh[]i=1ky-xi[]h2δ [b（xi）-u]（3） 　　p（y）为目标候选模型，pu（y） 为p（y）中第u个元素，{xi}i=1…nh 是候选区域中以y为中心的像素点。 　　Ch=1/∑nh[]i=1ky-xi[]h2（4） 　　式（4）是归一化常量。 　　在均值偏移算法中计算偏移量是最关键的步骤，按照下式得到新的目标中心： 　　y1=∑nh[]i=1xiwigy-xi[]h2[]∑nh[]i=1wigy-xi[]h2（5） 　　wi=∑m[]u=1qu[]pu（y）δ [b（xi）-u]（6） 　　g（x）是核函数k（x）的投影，即g（x）=-k′（x），简写gi=gy-xi[]h2则式（5）可简化为： 　　y1=∑nh[]i=1xiwigi[]∑nh[]i=1wigi（7） 　　通过式（7）在新的一帧中可以找到和目标最相似的区域。 　　2背景优化 　　根据背景信息对目标定位的影响，Comanicu·D提出了一种改进的方法来减小这种干扰。但经过理论推导和实验证明该改进方法没有真正提高定位精度，效果等同于传统的Mean Shift算法，本文算法在目标模型的建立时运用背景信息，背景所含有的特征在模型中的概率减小，具体计算如下： 　　建立目标的背景模型为{Ou}u=1…m ∑m[]u=1Ou=1，背景的区域大小可根据场景适当调整，一般选为目标区域的2～3倍，O*表示模型{Ou}u=1…m中的最小值，定义相关系数式（8）重新计算目标模型： 　　Vu=minO*[]Ou，1u=1…m（8） 　　则新的目标模型可以定义为： 　　qu=C′vu∑n[]i=1k（‖x*i‖2）δ [b（x*i）-u]（9） 　　C′=1[]∑n[