CN103824305A - 一种改进的Meanshift目标跟踪方法 - Google Patents

Abstract

本发明属于图像处理与目标跟踪领域，具体为一种改进的Meanshift目标跟踪方法，根据图像8邻域微分值建立微分图像，利用微分特征建立目标模板和候选区域的微分直方图模型，并确定候选区中心位置的更新向量。将其与利用颜色特征信息确定的候选区中心位置的更新向量相融合，得到改进方法的更新向量。图像的微分信息包含了图像的细节信息以及像素的相对空间位置信息，提高了模型建立时信息的利用率，能够提高目标模型的建模精度。本发明在复杂的背景情况下具有更强的抗干扰性能，能够有效提高目标跟踪的稳定性。本发明适用于运动目标跟踪系统中。

Description

一种改进的Meanshift目标跟踪方法

技术领域

本发明属于图像处理与目标跟踪领域，涉及一种基于Meanshifit算法的改进跟踪方法，特别涉及一种融合图像微分特征信息的改进Meanshift目标跟踪方法。

背景技术

目标识别与跟踪技术一直是机器视觉领域研究的热点问题，在国防、军事、工业等领域有着广泛的应用前景。为了满足跟踪系统实时性的要求，目标识别与跟踪算法的计算量不能太大。因此，采用低计算量的跟踪算法实现目标的准确识别与稳定跟踪是该领域研究的关键技术问题。在众多跟踪算法中，MeanShift算法由于具有运算速度快，计算量低等特点受到研究者的重视。

MeanShift算法是一种鲁棒的无参核密度估计方法，鉴于其在计算机视觉领域中得到了成功的应用，众多学者对其开展了深入的研究，并提出了多种改进算法，其算法性能也不断得到完善。这些算法通常是以颜色为主要特征建立目标模型，通过寻优目标模型与候选区域模型的最大相似度确定目标更新位置。然而，实际跟踪系统中目标运动的随机性和目标背景的复杂性与不确定性，给目标的识别与稳定跟踪带来了较大的干扰。另外，被跟踪目标也经常会发生旋转和非钢性变形，或者目标与背景过分相似，从而湮没在背景中。因此，当仅用颜色为主要特征建立目标模型时，往往会造成特征描述不显著，从而导致识别率降低，定位精度差，甚至丢失目标。

因此，设计一种具有较强抗干扰能力的跟踪方法具有很好的应用价值。

发明内容

本发明所要解决的技术问题是，针对MeanShift跟踪算法对与背景相似的目标进行跟踪不稳定的缺点，设计一种具有较强抗干扰性的改进跟踪方法。

本发明所采用的技术方案是：一种改进的Meanshift目标跟踪方法，根据图像8邻域微分值建立微分图像，利用微分特征建立目标模板和候选区域的微分直方图模型，并确定候选区中心位置的更新向量。将其与利用颜色特征信息确定的候选区中心位置的更新向量相融合，得到改进算法的更新向量。图像的微分信息包含了图像的细节信息以及像素的相对空间位置信息，提高模型建立时信息的利用率，提高目标模型的建模精度。在复杂的背景情况下具有更强的抗干扰性能，能够有效提高目标跟踪的稳定性。

本发明的目的在于在Mean Shift跟踪算法原理的基础上，构建了融合微分特征的跟踪模型，设计了一种改进的Mean Shift跟踪方法，强化了算法对目标细节特征的描述，能够提高目标识别的准确性和跟踪定位的精确性，从而改善跟踪性能，具有很好的实用性。

附图说明

图1是本发明方法跟踪效果图。

具体实施方式

下面结合附图对本发明作进一步详细说明。

传统Mean Shift跟踪算法根据颜色信息建立目标模板和候选区域的直方图模型，利用Bhattacharyya系数计算目标模板和候选区域的相似性，将相似性最大的候选区确定为跟踪目标。假设{x_i}，i=1，2，...，n，为目标的各个像素的位置，目标的中心位置为x₀，则目标的直方图概率分布为

其中

式中，k为核函数，考虑遮挡或者背景的影响，目标模型中心附近的像素比外层像素更可靠，因此，对中心的像素给一个大的权值，而远离中心的像素给一个小的权值，通常取无参高斯核函数，即：

$k\left(x_i\right)=e^{{-\left|\right|\frac{x_i-x_0}{h_1}\left|\right|}^2}---\left(2\right)$

h₁为核函数的带宽，m₁为特征空间中特征值的个数，δ为Kronecker函数，该函数的作用是判断目标区域中各像素的值是否属于第u个特征值，属于其值为1，否则为0，即：

$\mathrm{\δ}[b\left(x_i\right)-u]=\left\{\begin{array}{c}1,\mathrm{if}(b\left(x_i\right)=u)\\ 0,\mathrm{else}\end{array}\right.---\left(3\right)$

b(x_i)为x_i位置处像素所对应的特征值，C_q为归一化系数：

$C_q=1/\underset{i=1}{\overset{n}{\mathrm{\Σ}}}k\left(\right|\left|\frac{x_i-x_0}{h_1}\right|\left|\right)---\left(4\right)$

各帧中可能包含目标且与模板相同大小的区域称为候选区域，设某候选区中心坐标为y，该区域中的各像素位置用{x_i}，i＝1，2，...，n表示，与目标直方图概率分布类似，候选区域的直方图概率分布为：

其中：

式中，x_i为候选区域内各个像素的位置，y为当前候选区域的中心位置，其值可初始化为上一帧图像中目标的中心位置。k采用与目标直方图分布一样的高斯核函数，δ为Kronecker函数，b(x_i)为候选区域内x_i位置处像素所对应的特征值，C_p为归一化系数：

$C_p=1/\underset{i=1}{\overset{n}{\mathrm{\Σ}}}k\left(\right|\left|\frac{x_i-y}{h_1}\right|\left|\right)---\left(7\right)$

跟踪过程就是在给定图像中通过迭代运算寻得与目标模型最相似的候选区域，相似度通过计算Bhattacharyya系数获得，目标模型的直方图概率分布与候选区域直方图概率分布

系数表示为：

该系数值在(0，1)之间，系数越大，表示越相似，为此，应将当前帧中该系数最大的候选区域确定为本帧的目标位置。将上式经过泰勒级数展开后求导，即可得到颜色特征候选区中心位置的更新向量为：

$y_{\mathrm{new}}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i{w}_{i}g\left({\left|\right|\frac{x_i-y}{h}\left|\right|}^2\right)}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_{i}g\left({\left|\right|\frac{x_i-y}{h}\left|\right|}^2\right)}---\left(9\right)$

式中，y_new是跟踪窗内候选区域中心位置的迭代值，函数g为核函数k的负导数，即g=-k′，w_i为权重函数：

$w_i=\underset{u=1}{\overset{m_1}{\mathrm{\Σ}}}\sqrt{\frac{{\hat{q}}_u}{{\hat{p}}_u\left(y\right)}}\mathrm{\δ}[b\left(x_i\right)-u]---\left(10\right)$

传统的Mean Shift跟踪算法通过计算目标颜色直方图与候选区域颜色直方图的巴氏系数来匹配目标与候选区域的相似性，沿着概率密度的梯度方向通过迭代计算完成目标的定位与跟踪，由于梯度搜索算法的搜索速度很快，计算量较小，因此算法能够满足实时跟踪的要求。不过，由于颜色直方图不包含目标的相邻像素的空间分布信息，造成所表征的目标不完整，信息量有所丢失，尤其是当目标与背景颜色直方图分布较接近时，很容易造成目标的错误匹配，从而导致跟踪失败。

为了改善传统Mean Shift算法目标识别与跟踪的有效性，增强其对背景信息的抗干扰能力，本发明在传统的Mean Shift模型中引入微分特征信息，来提高目标定位的精度。

在原图像的基础上建立微分图像，对图像的每个像素做8邻域的一阶灰度微分，并取最大绝对值作为该点的微分信息值，建立微分图像。设b_ij为图像第i行第j列像素的灰度值，则图像第i行第j列的微分值α_ij计算为：

$\begin{array}{c}{a}_{\mathrm{ij}}=\max \left\{\right|b_{i,j}-b_{i,j+1}|,|b_{i,j}-b_{i,j-1}|,|b_{i,j}-b_{i+1,j}|,|b_{i,j}-b_{i-1,j}|,\\ |b_{i,j}-b_{i+1,j+1}|,|b_{i,j}-b_{i-1,j+1}|,|b_{i,j}-b_{i+1,j-1}|,|b_{i,j}-b_{i-1,j+1}|\}\end{array}---\left(11\right)$

对整个跟踪窗内的微分图像进行微分信息统计，灰度图像的微分值的范围为(0～255)，这里将其平均分为32个特征值，即m₂=32，则目标模型的微分特征直方图概率分布为：

候选区域的微分特征直方图概率分布为：

式中，α(x_i)为x_i位置处微分图像对应的特征值。微分特征直方图采用Mean Shift的建模方式建立目标模型，以达到和传统Mean Shift算法的稳定融合。

考虑到在实际的跟踪过程中，目标模型中心附近的像素比外层像素具有更强的抗干扰性，因此，微分特征的核函数的带宽h₂小于颜色特征的核函数的带宽h₁，以突出模型中心像素的作用，这里设h₂=(4/5)·h₁。

与颜色特征的跟踪过程相似，微分特征求得的候选区中心位置的更新向量为：

$y_{\mathrm{new}}^{\′}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i{w}_i^{\′}g\left({\left|\right|\frac{x_i-y}{h^{\′}}\left|\right|}^2\right)}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_i^{\′}g\left({\left|\right|\frac{x_i-y}{h^{\′}}\left|\right|}^2\right)}---\left(14\right)$

其中权重函数w′_i为：

$w_i^{\′}=\underset{v=1}{\overset{m_2}{\mathrm{\Σ}}}\sqrt{\frac{{\hat{q}}_v}{{\hat{p}}_v^{\′}\left(y\right)}}\mathrm{\δ}[a\left(x_i\right)-v]---\left(15\right)$

将上述所求得的两个候选区中心位置的更新向量按下式融合为：

$y^{\′}=\frac{y_{\mathrm{new}}+y_{\mathrm{new}}^{\′}}{2}---\left(16\right)$

y′即为包含微分特征信息的更新向量。由于微分特征能够反映图像的自身细节信息，同时包含了各相邻像素的空间分布信息，将其融入到Mean Shift跟踪算法中，可增加目标匹配的信息量，提高目标识别与定位的精度。

图1给出了一组有遮挡干扰情况下的人脸跟踪实验。本发明方法能够完成人脸目标的跟踪任务。

本发明设计的改进跟踪方法由于利用了图像的微分信息，当目标发生部分遮挡时，微分信息可在模型建立过程中提供一定的补偿信息，因此该方法具有更好的抗干扰性能

本发明的优点在于，针对传统均值漂移算法对背景抗干扰能力不强的问题，在融合微分特征信息的基础上，设计了改进方法。根据图像的微分信息建立目标与候选区域的模型，将其计算出的更新向量与传统算法的更新向量相融合，确定出新的更新向量，从而实现目标的跟踪。由于改进方法利用图像的微分信息将目标的细节和空间信息融合到跟踪计算中，提高了建模精度，改善了目标跟踪的稳定性。本发明适用于运动目标跟踪系统中。

Claims (3)

1.一种改进的Meanshift目标跟踪方法，其特征在于根据图像8邻域微分值建立微分图像，利用微分特征建立目标模板和候选区域的微分直方图模型，并确定候选区中心位置的更新向量；将其与利用颜色特征信息确定的候选区中心位置的更新向量相融合，得到最终的更新向量。

2.根据权利要求1所述的一种改进的Meanshift目标跟踪方法，其特征在于，在原图像的基础上建立微分图像，对图像的每个像素做8邻域的一阶灰度微分，并取最大绝对值作为该点的微分信息值，建立微分图像；设b_ij为图像第i行第j列像素的灰度值，则图像第i行第j列的微分值α_ij计算为：

$\begin{array}{c}{a}_{\mathrm{ij}}=\max \left\{\right|b_{i,j}-b_{i,j+1}|,|b_{i,j}-b_{i,j-1}|,|b_{i,j}-b_{i+1,j}|,|b_{i,j}-b_{i-1,j}|,\\ |b_{i,j}-b_{i+1,j+1}|,|b_{i,j}-b_{i-1,j+1}|,|b_{i,j}-b_{i+1,j-1}|,|b_{i,j}-b_{i-1,j+1}|\}\end{array}---\left(1\right)$

对整个跟踪窗内的微分图像进行微分信息统计，灰度图像的微分值的范围为(0～255)，这里将其平均分为32个特征值，即m₂=32，则目标模型的微分特征直方图概率分布为：

候选区域的微分特征直方图概率分布为：

式中，α(x_i)为x_i位置处微分图像对应的特征值，微分特征直方图采用Mean Shift的建模方式建立目标模型，以达到和传统Mean Shift算法的稳定融合；考虑到在实际的跟踪过程中，目标模型中心附近的像素比外层像素具有更强的抗干扰性，因此，微分特征的核函数的带宽h₂小于颜色特征的核函数的带宽h₁，以突出模型中心像素的作用，这里设h₂＝(4/5)·h₁；

与颜色特征的跟踪过程相似，微分特征求得的候选区中心位置的更新向量为：

$y_{\mathrm{new}}^{\′}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i{w}_i^{\′}g\left({\left|\right|\frac{x_i-y}{h^{\′}}\left|\right|}^2\right)}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_i^{\′}g\left({\left|\right|\frac{x_i-y}{h^{\′}}\left|\right|}^2\right)}---\left(4\right)$

其中权重函数w′_i为：

$w_i^{\′}=\underset{v=1}{\overset{m_2}{\mathrm{\Σ}}}\sqrt{\frac{{\hat{q}}_v}{{\hat{p}}_v^{\′}\left(y\right)}}\mathrm{\δ}[a\left(x_i\right)-v]---\left(5\right)$

3.根据权利要求1、2所述的一种改进的Meanshift目标跟踪方法，其特征在于，最终的更新向量为颜色特征和微分特征求得的更新向量的融合：

$y^{\′}=\frac{y_{\mathrm{new}}+y_{\mathrm{new}}^{\′}}{2}---\left(6\right)$

其中y_new为颜色特征求得的更新向量，y′_new为微分特征求得的更新向量，y′为最终的更新向量。

Images