一种基于mean shift鲁棒性目标跟踪方法.docVIP

一种基于mean shift的鲁棒性目标跟踪方法 　　摘要：目标模型内的背景像素会造成目标跟踪定位偏差，但为了将跟踪目标全部包含在目标模型中，不可避免在目标模型内引入很多背景像素。为了减少背景对跟踪造成偏差，在目标模型中引入带权因子，可达到降低目标模型内背景像素对跟踪定位精度的影响。带权因子是这样确定的：通过利用目标外围矩形环中的背景信息和一个映射函数来生产一个新的特征向量，然后转换为带权因子。实验表明，该方法具有更好的跟踪精度，对遮挡具有更好的鲁棒性。 　　关键词：mean shift;目标跟踪;目标模型; Bhattacharyya系数 　　中图分类号：TP301；TP391文献标志码：A 　　文章编号：1001－3695(2008)06－1753－03 　　 　　Mean shift是一个由Fukunaga和Hostetler在1975年提出的一种无监督聚类方法，它使每一个点漂移到密度函数的局部极大值点。1995年，Cheng[1]重新研究了mean shift，提出了更一般的表达形式并预示该算法在聚类和全局优化方面的巨大潜力。Comaniciu在1999年作了mean shift的应用方面研究。自此以后，mean shift已广泛应用于目标跟踪[2~4]、图像分割[5]、聚类分析[6]等领域。 　　??Comaniciu在文献[2，3]中首先将mean shift算法应用到目标跟踪领域中来，利用Bhattacharyya系数作为目标模型与候选目标之间的相似性度量标准，用mean shift算法来搜索最优候选目标，获得了很好的跟踪效果。此后，有更多的研究者投入到了此项研究之中，Comaniciu[7]和彭宁嵩等人[8]分别提出了针对mean shift算法的窗口自动选取方法；彭宁嵩等人[9]还提出了一种mean shift跟踪算法中的目标模型更新的方法。但是mean shift跟踪算法仍然存在跟踪偏差或者完全跟不上目标的情况。目标模型内的背景像素会造成目标跟踪定位的偏差。当目标模型中包含的背景像素较少时，mean shift目标跟踪可以获得好的效果。但为了将跟踪目标全部包含在目标模型中，不可避免引入很多背景像素，必然会造成跟踪的偏差。为了减少背景对跟踪造成的偏差，一种直观的思路是在计算目标的颜色核直方图时不考虑背景像素，这样在进行相似性度量时，对背景信息的干扰具有好的鲁棒性，在一定程度上减少背景信息的影响，能增加目标跟踪的抗干扰鲁棒性，但这样的方法在实现上存在困难。文献[10]使用中心―周围(center－surround)的方法从目标和背景中采样像素。中心矩形部分表示目标，外围的矩形环表示背景，分别建立规则化直方图。通过特征分布的log似然率得到新目标模型表示方法，然后利用mean shift算法来实现目标跟踪，这种方法有效地克服了目标模型中背景像素对跟踪性能的影响。但另一方面由于定位的不准确或者发生遮挡，使得中心矩形包含的目标不完整，反而会引起跟踪偏差的扩大。本文在目标模型中引入带权因子，带权因子表明背景特征与目标特征的相似程度，可以达到减少目标模型内背景像素对跟踪定位精度的影响，同时也增强了对定位不精确和遮挡的鲁棒性。 　　 　　1基于mean shift的目标跟踪方法 　　 　　?ナ悠的勘旮?踪是mean shift算法应用的一个重要方面，大多文献沿用Comaniciu[2，3]的方法，采用Bhattacharyya系数作为相似性度量标准，使用mean shift算法来获取目标位置。基于mean－shift的跟踪算法将颜色核直方图作为目标特征的描述，假定目标模型和候选目标特征分别表示为q={qu}??u=1,…,m和?? p(y)={pu(y)}??u=1,…,m。其中：y是候选目标的中心位置，且 ∑??m??u=1qu=1， ∑??m??u=1pu=1；m为特征值中bin的个数。两者的Bhattacharyya系数为ρ(y)≡ρ[p(y),q]。为了得到一个相对于空间位置y平滑的相似函数，目标模型的特征表示为 qu=??C∑??n??i=1k(‖xi‖??2)δ[b(xi)-u]。其中：δ(?)为Kronecker delta函数；{xi}??i=1,…,n是归一化的目标模型像素位置，归一化后目标模型中心像素位置为0；b∶R??2→{1,…,m}为像素点到像素特征的映射；C是归一化常数。相应的候选目标的特征为 　　 　　带权因子v??u是结合目标模型及其周围背景像素而得到，表明背景像素对目标模型中单个特征的影响程度。对v??u有如下要求：满足1≥v??u≥0；当v??u=0时，则表示该目标特征与背景特征相似，对目标模型中的特征值影响大，这样就可以剔除目标模型内的背景特征；当v??u=