Kalman滤波融合优化Mean Shift目标跟踪探讨.docVIP

Kalman滤波融合优化Mean Shift目标跟踪探讨 　　摘 要：Mean Shift目标跟踪算法具有简单稳定的特性，因此被广泛地应用于目标跟踪实际行动中，但同时也存在一定的局限性，在被跟踪目标和目标所在背景的颜色比较接近、目标正在快速运动或者存在较大比例遮蔽物遮挡目标时，Mean Shift目标跟踪算法由于缺少相应的空间信息，经常导致无法识别相似度量函数，使跟踪任务失败。为了避免这些情况的发生，提高目标跟踪效率，文章根据Mean Shift算法在空间颜色以及相似度量方面的缺陷，提出了Kalman滤波和Mean Shift算法融合的优化目标跟踪方法，即使用Kalman滤波根据目标运动状态确定Mean shift目标跟踪算法的初始跟踪位置，然后搜索邻近区域内的目标位置并建立目标模型，最后根据相似系数匹配确定最终位置，如此迭代，以达到准确跟踪运动目标的目的。 　　关键词：Kalman 滤波；Mean Shift算法；融合优化；目标跟踪；目标运动状态突变 　　引言 　　为了提升目标跟踪效果，文章结合这两种目标跟踪算法的优缺点进行实验分析，提出了Kalman滤波融合优化Mean Shift的目标跟踪算法，解决了目标跟踪中目标遮挡、速度过快、背景变化等情况造成的无法跟踪问题。 　　1 Mean Shift 目标跟踪算法 　　Mean Shift 目标跟踪算法是一个利用均值漂移向量对目标进行迭代跟踪，通过核函数颜色直方图建模描述目标特征，同时使用相似性函数度量被跟踪运动目标模型和当前帧候选模型相似性，比对相似性函数大小确定目标的Mean shift向量，进而通过不断迭代计算确定目标实际位置，以达到跟踪目的的过程。整个过程可以分为四大阶段： 　　1.1 目标模型的描述 　　首先，确立目标模型需要建立一个目标模型的坐标系。假设x0为目标模型的中心坐标，并规定{xi}，i=1，2，…，n为其各像素坐标位置集合，m为核函数颜色直方图特征个数，概率特征为u，则可建立目标模型表达式。当用一个单调递减的各向同性凸核函数k（x）对目标模型各点进行加权时，由于靠近边界的像素值非常容易被背景干扰或者被遮蔽物遮挡等原因，离目标模板中心距离越近的位置的像素点权重越大，而目标像素位置与模型中心距离越远所受的影响越小。 　　1.2 候选目标模型的描述 　　Mean Shift算法是通过迭代的方式进行目标跟踪的，迭代起始于候选区域，即当前帧的后一帧图像中原来目标所在区域，而候选目标模型即为在候选区域所得的目标核直方图特征。我们可以采用与建立目标模型表达式同样的方式建立候选目标模型计算表达式，然后进行相应的计算分析。 　　1.3 相似性函数 　　相似形函数是用来将前后两帧目标模型图像与候选目标模型图像进行比较重要关键数据。通常使用Bhattacharyya系数来进行相似度描述，该系数范围在0～1之间，数值越大表明目标图像与候选目标图像越相似，证明两个图像离散分布间的距离越小。 　　1.4 目标定位 　　Mean shift算法是通过反复迭代定位的，为了使相似性函数达到最大值，必须在前一帧的y0起始基础上寻找后一帧y1位置，并以此类推，只有当‖yb-y0‖ε时，y=y1，才能确定后一帧的最终位置，进行下一帧候选核直方图计算，重复计算得到均值便宜向量，如此迭代以得到最终目标位置。 　　2 Kalman滤波融合Mean Shift目标跟踪仿真 　　将Kalman滤波与Mean Shift算法融合进行仿真目标跟踪，主要包括三个步骤，即初始化分割运动目标、提取运动目标的特征、使用优化的Mean Shift算法融合Kalman滤波器实现目标跟踪，通过此系列步骤形成一个完整快速准确的目标跟踪系统。 　　2.1 初始的运动目标分割 　　运动目标分割是为了将需要被跟踪的运动目标分离出来并提取其能够用于跟踪的特征，我们经常使用传统简单的帧差法与区域生长算法对感兴趣的运动目标进行有效分割。 　　2.2 提取运动目标特征 　　在指定运动目标后，假设目标处于背景静止的初始状态，通过将检测到的连续帧模板图像转化为灰度直方图，根据概率分布图像的反向投影结果分析其差分信息，提取运动目标的特征结果。 　　2.3 使用优化的Mean Shift算法融合Kalman滤波器实现目标跟踪 　　使用优化的Mean Shift算法融合Kalman滤波器实现目标跟踪，首先需要对Mean Shift算法进行优化，根本目的是使搜索框的重心通过不断地计算调整达到汇聚的效果，这可以通过区域内的概率分布图像与模板反向投影特征的符合度来进行评判。其次，需要结合Kalman滤波器，因为在运动目标速度过快或光线变化较大的情况下，Mean Shift算法已经不能满足要求，需要Kalma