一種基于MeanShift算法的目標跟蹤方法技術

本申請公開了一種基于MeanShift算法的目標跟蹤方法，其能夠提高在單目標跟蹤過程中的可靠性和跟蹤速度、減少跟蹤框飄離目標的情況。該方法包括步驟：（1）對原始圖像中的每一個像素點計算其特征值，生成特征圖像，針對特征圖像利用雙核平滑函數建立目標的特征模型；（2）將原始MeanShift算法中的單核平滑函數改進為雙核平滑函數；（3）為了保證算法的收斂性，使雙核平滑函數滿足二元凸函數的限定條件；（4）為了保證跟蹤目標特征模型的標準化，得到新標準化常數公式。

【技術實現步驟摘要】
一種基于MeanShift算法的目標跟蹤方法
本專利技術屬于數字圖像處理、智能視頻監控與機器視覺的
，具體涉及一種基于MeanShift算法的目標跟蹤方法。
技術介紹
對視頻流的實時目標跟蹤通常為機器視覺應用的基礎。后期的目標識別、軌跡分析和目標行為理解等部分均以目標跟蹤作為前期的處理。MeanShift作為一種高效的目標模式匹配算法，由于其不需要窮盡搜索，能夠自適應調節步長和方向，已廣泛應用于對實時性要求較高的目標跟蹤領域中。MeanShift算法的目標跟蹤是利用核平滑的方法執行目標的建模和跟蹤過程。其主要有三個要素決定了跟蹤過程的魯棒性：目標尺度自適應；目標模型特征的可分性；相似性測度。首先，在對特定目標的連續跟蹤過程中，隨著目標在三維空間中的移動，目標的尺度通常會不斷的變化。基于不變跟蹤框的目標模型在跟蹤中飄離目標的可能性較大。因此自適應尺度的目標模型是改善跟蹤效果的一個重要途徑。其次，目標模型特征與背景特征和其他目標特征的可分性也是影響跟蹤準確性的一個條件。將多種特征相融合是提升特征模型的方法之一。另外，基于模式識別的相關理論，通過特定算法的訓練，可以實現自動選取可分性好的特征模型。在特征模型中加入空間信息也可以提高其與局部背景的可分性。例如，基于點樣本特征的核密度估計。MeanShift算法本質上是基于跟蹤框中特征的相似度。近年來，基于核函數研究的基礎上，尋求好的相似性測度算法成為加強MeanShift算法的熱點問題。核函數是跟蹤框架的基礎，其在很大程度上影響著相似度。當相似度曲面在局部極值處的梯度提高，則MeanShift算法的收斂特性越好，進而在提高跟蹤精度的基礎上提高收斂速度。
技術實現思路
本專利技術的技術解決問題是：克服現有技術的不足，提供一種基于MeanShift算法的目標跟蹤方法，其能夠提高在單目標跟蹤過程中的可靠性和跟蹤速度、減少跟蹤框飄離目標的情況。本專利技術的技術解決方案是：這種基于MeanShift算法的目標跟蹤方法，該方法包括以下步驟：（1）對原始圖像中的每一個像素點計算其特征值，生成特征圖像，針對特征圖像利用雙核平滑函數建立目標的特征模型；（2）將原始MeanShift算法中的單核平滑函數改進為雙核平滑函數；（3）為了保證算法的收斂性，使雙核平滑函數滿足二元凸函數的限定條件；（4）為了保證跟蹤目標特征模型的標準化，得到新標準化常數公式。由于本專利技術利用雙核函數強化了目標的空間信息，提高了目標與背景的可分性；雙核函數增強了相似度曲面局部極值區域的梯度，更新了迭代公式，使迭代搜索過程收斂速度更快，更準確的定位極值位置（即目標位置）；所以可靠性高、處理速度快，其對目標的部分遮擋和尺度在一定范圍內變換等情況都具有較強的魯棒性，從而減少跟蹤框飄離目標的情況。附圖說明圖1為本專利技術實現過程的具體流程示意圖；圖2為兩個實例對應的目標相似度曲對比示意圖；圖3為視頻序列中每一幀的搜索迭代次數曲線圖。具體實施方式這種基于MeanShift算法的目標跟蹤方法，該方法包括以下步驟：（1）對原始圖像中的每一個像素點計算其特征值，生成特征圖像，針對特征圖像利用雙核平滑函數建立目標的特征模型；（2）將原始MeanShift算法中的單核平滑函數改進為雙核平滑函數；（3）為了保證算法的收斂性，使雙核平滑函數滿足二元凸函數的限定條件；（4）為了保證跟蹤目標特征模型的標準化，得到新標準化常數公式。由于本專利技術利用雙核函數強化了目標的空間信息，提高了目標與背景的可分性；雙核函數增強了相似度曲面局部極值區域的梯度，更新了迭代公式，使迭代搜索過程收斂速度更快，更準確的定位極值位置（即目標位置）；所以可靠性高、處理速度快，其對目標的部分遮擋和尺度在一定范圍內變換等情況都具有較強的魯棒性，從而減少跟蹤框飄離目標的情況。優選地，步驟（1）中首先在原始圖像的每個像素點處得到其特征值，然后用公式（1）的雙核平滑函數特征模型計算得到目標的特征模型，其中，兩個核函數分別為和b(x)為圖像中第x個點處的特征值，δ[b(x)-u]為沖擊函數，h為目標所在區域的窗寬，u為特征值大小，c'h為模型標準化系數，nh為窗寬為h的目標區域的像素點個數,y為目標窗口的中心點坐標，xi為目標窗口中第i個像素點的坐標。優選地，步驟（2）中將原有的單核平滑函數MeanShift算法的迭代公式改進為基于雙核平滑函數的MeanShift迭代公式（2）其中，為上一幀圖像中目標的位置，為當前幀中目標的位置，wij為兩個核函數的聯合權值，其通過公式（3）得到，k'(·)與l'(·)分別為k(·)和l(·)的一階導數，為目標的特征模型，為坐標處候選目標的特征模型，m為特征值的個數，其余參數含義同權利要求2。優選地，步驟（3）中如果k(x)·l(y)為二元凸函數，則該MeanShift算法在目標跟蹤過程能夠收斂，否則會使迭代過程發散，導致目標丟失。優選地，步驟（4）中新標準化常數公式為公式（4）其中各參數含義同權利要求2。參照圖1，本專利技術的具體實現步驟如下：步驟1，建立初始幀中目標的雙核平滑函數的特征模型。（1a）初始幀中的目標，即為待跟蹤的目標，需要完成對待跟蹤目標的初始化，建立目標的特征模型。首先，在原始的灰度圖像的每個像素點處得到其點樣本估計特征值，其次得到基于雙核平滑函數的目標模型，其公式為：...

【技術保護點】
一種基于MeanShift算法的目標跟蹤方法，其特征在于，該方法包括以下步驟：（1）對原始圖像中的每一個像素點計算其特征值，生成特征圖像，針對特征圖像利用雙核平滑函數建立目標的特征模型；（2）將原始MeanShift算法中的單核平滑函數改進為雙核平滑函數；（3）為了保證算法的收斂性，使雙核平滑函數滿足二元凸函數的限定條件；（4）為了保證跟蹤目標特征模型的標準化，得到新標準化常數公式。

【技術特征摘要】
1.一種基于MeanShift算法的目標跟蹤方法，該方法包括以下步驟：(1)對原始圖像中的每一個像素點計算其特征值，生成特征圖像，針對特征圖像利用雙核平滑函數建立目標的特征模型；(2)將原始MeanShift算法中的單核平滑函數改進為雙核平滑函數；(3)為了保證算法的收斂性，使雙核平滑函數滿足二元凸函數的限定條件；(4)為了保證跟蹤目標特征模型的標準化，得到新標準化常數公式；其特征在于，步驟(1)中首先在原始圖像的每個像素點處得到其特征值，然后用公式(1)的雙核平滑函數特征模型計算得到目標的特征模型，其中，兩個核函數分別為和b(x)為圖像中x點處的特征值，δ[b(x)-u]為沖擊函數，h為目標所在區域的窗寬，u為特征值大小，c'h為模型標準化系數，nh為窗寬為h的目標區域的像素點個數,y為目標窗口的中心點坐標，xi為目標窗口中第i個像素點的坐標。2.根據權利要求1所述的基于MeanShift算法的目標跟蹤方法，其特征在于，步驟(2)中將原有的單核平滑函數MeanShift算法的迭代公式改進為基于雙核平滑函數的MeanShift迭代公式(2)

【專利技術屬性】
技術研發人員：孫敬，丘江，楊慧松，孫尚白，郜向陽，關玉秋，
申請(專利權)人：北京漢邦高科數字技術股份有限公司，
類型：發明
國別省市：