CN105654504A - 基于转动惯量的自适应带宽均值漂移目标跟踪方法 - Google Patents
基于转动惯量的自适应带宽均值漂移目标跟踪方法 Download PDFInfo
- Publication number
- CN105654504A CN105654504A CN201410639172.3A CN201410639172A CN105654504A CN 105654504 A CN105654504 A CN 105654504A CN 201410639172 A CN201410639172 A CN 201410639172A CN 105654504 A CN105654504 A CN 105654504A
- Authority
- CN
- China
- Prior art keywords
- target
- bandwidth
- axis
- probability density
- kernel function
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于转动惯量的自适应带宽均值漂移视频目标跟踪方法。跟踪方法步骤为:(1)选择跟踪目标,建立归一化核函数概率密度直方图目标颜色模型;(2)在当前帧,以目标前一帧最优位置为目标初始迭代位置,采用相同带宽核函数进行MeanShift目标跟踪定位,迭代到最优位置;(3)将目标核函数概率密度直方图在最优位置投影,创建目标概率密度分布图;(4)计算目标概率密度分布的形心主轴转动惯量和旋转角度,进而推导得到拟合后的目标椭圆长、短轴参数,结合上一帧图像中的目标带宽,用滤波算法获得新的核函数带宽,为下一帧图像中的目标跟踪提供更新后的核函数带宽。本发明对每一帧图像中的目标形状用转动惯量原理来计算,能够实现对椭圆形目标的良好跟踪。
Description
技术领域
本发明涉及一种基于转动惯量的自适应带宽均值漂移目标跟踪方法,属于机器视觉、图像处理技术领域。
背景技术
视频目标跟踪为视频图像中目标的行为等特征分析提供了基础。Comaniciu等人在《IEEE 模式识别与机器智能学报》(2003年第564-566页)发表文章“Kernel-based
object tracking”,提出了基于核的非刚体目标跟踪算法,因为其计算量小、易实现的特点,从众多的跟踪算法中脱颖而出,成为一种经典的视频目标跟踪算法,但其存在尺度自适应问题,它是对核函数带宽进行正负10%的修正,计算巴氏系数,取最优结果,但这种相似性度量会在小窗口内达到局部最大,即会发生小尺度游荡问题。
转动惯量是表征物体转动惯性大小的量,与物体质量、质量相对于转轴的分布有关,目标图像的惯性特征可以描述物体的形状,惯性主轴旋转角度能描述目标的偏转角度。
发明内容
本发明要解决的技术问题是提供一种自适应调整核函数带宽的均值漂移视频目标跟踪方法,运用了转动惯量原理,不仅能自适应调整带宽,而且能给出目标的旋转角度。
本发明的技术方案:一种基于转动惯量的自适应带宽均值漂移目标跟踪方法,其特征在于包括以下步骤:
(1)选择跟踪目标,得到目标的初始位置,建立归一化核函数概率密度直方图目标颜色模型;
(2)在当前帧,以目标前一帧最优位置为目标初始迭代位置,采用相同带宽核函数进行Mean
Shift目标跟踪定位,迭代到最优位置,将目标核函数概率密度直方图在最优位置区域投影,创建目标概率密度分布图;
(3)计算目标概率密度分布的形心主轴转动惯量和旋转角度;
(4)计算椭圆的长半轴和短半轴长度,综合递归滤波更新尺度策略得到目标带宽;
其中,所述步骤(1)中建立目标颜色模型是采用均值漂移视频目标跟踪算法中建立目标模型的方法,即:
令{xi } i =1,2, … ,n 为图像中目标范围内各像素点的位置,如果用色彩分布来描述目标物体,中心位于y 0的物体,其颜色u的概率可以表示为
,b(xi )是位置为xi 处的像素颜色,颜色被量化为具体范围的数值,范围为{1,…,m],δ为克罗内克函数,如果颜色等于u,则克罗内克函数值为1,否则为0,为xi 到中心y 0的归一化距离,h为核函数K(x)的半径,即目标的带宽,
,归一化常数;
其中,所述步骤(2)中目标位置定位,采用均值漂移视频目标跟踪算法,设初始位置为y 0,g(x)=-k ’(x),迭代步骤如下:
步骤①:以y 0迭代起始点,计算相似度值,
步骤②:计算新的位置中心y 1,
步骤③:以 y 1为中心点计算概率密度直方图,{pu (y 1)} u =1,2, … ,m,新的相似度值为
步骤④:如果ρ[p(y 1),q]<
ρ[p(y 0),q],则y 1=( y 0
+y 1)/2;
步骤⑤:如果|| y 1–y 0||<ε,停止迭代,否则令 y 0 =y 1,回到步骤①,ε为误差阈值,当相邻两次中心位置几乎一样时,就是所要求的目标最优位置;
其中,所述步骤(3)转动惯量的计算为:令中心坐标为(x 0,y 0),中心坐标值用求质心的方法获得, f(x,y)为图像坐标(x,y)处的概率密度,形心主轴是过图形形心,惯量积等于零的一对对称正交轴,椭圆形平面体的质心即为图形形心,目标概率密度分布对x、y轴的转动惯量Ix 、Iy 和惯量积Ixy 分别为,形心主轴转动惯量分别为
;
旋转角度计算为:,φϵ[-π/4, +π/4],当Ix >Iy ,φ为椭圆的长轴与y轴的夹角为,φ>0,椭圆在y轴的右侧,φ<0,椭圆在y轴的左侧,当Ix <Iy ,φ为椭圆长轴与x轴的夹角,φ>0,椭圆在x轴的右侧,φ<0,椭圆在x轴的左侧;
其中,所述步骤(4) 椭圆的长半轴和短半轴长度a、b分别为,M 00为图像中目标核带宽范围内所有概率密度的累加值,核函数带宽,为了避免目标尺度过于敏感,采用递归滤波更新尺度策略,即更新后带宽为,取γ=0.1,h opt为当前计算得到的最优带宽,h prev为上一帧目标的带宽。
本发明的优点在于:
(1)随着视频中目标的大小变化,能够自适应调整跟踪窗口大小,基于核的跟踪,因而核带宽相应发生自适应变化;
(2) 运用经典均值漂移鲁棒的目标定位方法,在目标区域采用转动惯量原理进行计算,计算复杂度和计算量都较低,准确性较高;
(3) 目标相对于视频平面坐标的偏转角度可以通过计算形心主轴的旋转角度获得。
附图说明
图1是本发明方法的流程图。
图2是本发明方法的示意图。
图3是用本发明跟踪人脸的效果图。
图4是用本发明跟踪水杯的效果图。
具体实施方式
图1所示是本发明方法的流程图,本方法包括以下步骤:
(1)选择跟踪目标,得到目标的初始位置和大小,建立归一化核函数概率密度直方图目标颜色模型
令{xi } i =1,2, … ,n 为图像中目标范围内各像素点的位置,如果用色彩分布来描述目标物体,中心位于y 0的物体,其颜色u的概率可以表示为 ,b(xi )是位置为xi 处的像素颜色,颜色被量化为具体范围的数值,范围为{1,…,m],δ为克罗内克函数,如果颜色等于u,则克罗内克函数值为1,否则为0,为xi 到中心y 0的归一化距离,h为核函数K(x)的半径,即目标的带宽,
,归一化常数;
(2)在当前帧,以目标前一帧最优位置为目标初始迭代位置,采用相同带宽核函数进行Mean
Shift目标跟踪定位,迭代到最优位置,设初始位置为y 0,g(x)=-k ’(x),迭代步骤如下:
步骤①:以y 0迭代起始点,计算相似度值,
步骤②:计算新的位置中心y 1,
步骤③:以 y 1为中心点计算概率密度直方图,{pu (y 1)} u =1,2, … ,m,新的相似度值为
步骤④:如果ρ[p(y 1),q]<
ρ[p(y 0),q],则y 1=( y 0
+y 1)/2;
步骤⑤:如果|| y 1–y 0||<ε,停止迭代,否则令 y 0 =y 1,回到步骤①,ε为误差阈值,当相邻两次中心位置几乎一样时,就是所要求的目标最优位置;
(3)将目标核函数概率密度直方图在最优位置区域投影,创建目标概率密度分布图;
(4)计算目标概率密度分布的形心主轴转动惯量和旋转角度,得到椭圆参数;
令中心坐标为(x 0,y 0),中心坐标值用求质心的方法获得, f(x,y)为图像坐标(x,y)处的概率密度,形心主轴是过图形形心,惯量积等于零的一对对称正交轴,椭圆形平面体的质心即为图形形心,目标概率密度分布对x、y轴的转动惯量Ix 、Iy 和惯量积Ixy 分别为,形心主轴转动惯量分别为
;
旋转角度计算为:,φϵ[-π/4, +π/4],当Ix >Iy ,φ为椭圆的长轴与y轴的夹角为,φ>0,椭圆在y轴的右侧,φ<0,椭圆在y轴的左侧,当Ix <Iy ,φ为椭圆长轴与x轴的夹角,φ>0,椭圆在x轴的右侧,φ<0,椭圆在x轴的左侧;
椭圆的长半轴和短半轴长度a、b分别为,M 00为图像中目标核带宽范围内所有概率密度的累加值;
(5) 核函数带宽,为了避免目标尺度过于敏感,采用递归滤波更新尺度策略,即跟新后带宽为,取γ=0.1,h opt为当前计算得到的最优带宽,h prev为上一帧目标的带宽;
(6)下一帧,以获得的新的中心和带宽搜索跟踪目标,直到跟踪结束。
本发明跟踪人脸的效果见图3所示,跟踪水杯的效果见图4所示。
Claims (4)
1.一种基于转动惯量的自适应带宽均值漂移视频目标跟踪方法,其特征在于包括如下步骤:
(1)选择跟踪目标,建立归一化核函数概率密度直方图目标颜色模型;
(2)在当前帧,以目标前一帧最优位置为目标初始迭代位置,采用相同带宽核函数进行Mean Shift目标跟踪定位,迭代到最优位置,将目标核函数概率密度直方图在最优位置区域投影,创建目标概率密度分布图;
(3)计算目标概率密度分布的形心主轴转动惯量和旋转角度;
(4)计算椭圆的长半轴和短半轴长度,综合递归滤波更新尺度策略得到目标带宽;
其中,所述步骤(1)中建立目标颜色模型是采用均值漂移视频目标跟踪算法中建立目标模型的方法,即:
令{xi } i =1,2, …,n 为图像中目标范围内各像素点的位置,如果用色彩分布来描述目标物体,中心位于y 0的物体,其颜色u的概率可以表示为
,b(xi )是位置为xi 处的像素颜色,颜色被量化为具体范围的数值,范围为{1,…,m],δ为克罗内克函数,如果颜色等于u,则克罗内克函数值为1,否则为0,为xi 到中心y 0的归一化距离,h为核函数K(x)的半径,即目标的带宽,
,归一化常数;
其中,所述步骤(2)中目标位置定位,采用均值漂移视频目标跟踪算法,设初始位置为y 0,g(x)=-k ’(x),迭代步骤如下:
步骤①:以y 0迭代起始点,计算相似度值,
步骤②:计算新的位置中心y 1,
步骤③:以 y 1为中心点计算概率密度直方图,{pu (y 1)} u =1,2, …,m,新的相似度值为
步骤④:如果ρ[p(y 1),q]<
ρ[p(y 0),q],则y 1=( y 0 +y 1)/2;
步骤⑤:如果|| y 1–y 0||<ε,停止迭代,否则令 y 0 =y 1,回到步骤①,ε为误差阈值,当相邻两次中心位置几乎一样时,就是所要求的目标最优位置;
其中,所述步骤(3)转动惯量的计算为:令中心坐标为(x 0,y 0),中心坐标值用求质心的方法获得, f(x,y)为图像坐标(x,y)处的概率密度,形心主轴是过图形形心,惯量积等于零的一对对称正交轴,椭圆形平面体的质心即为图形形心,目标概率密度分布对x、y轴的转动惯量Ix 、Iy 和惯量积Ixy 分别为,形心主轴转动惯量分别为
;
旋转角度计算为:,φϵ[-π/4, +π/4],当Ix >Iy ,φ为椭圆的长轴与y轴的夹角为,φ>0,椭圆在y轴的右侧,φ<0,椭圆在y轴的左侧,当Ix <Iy ,φ为椭圆长轴与x轴的夹角,φ>0,椭圆在x轴的右侧,φ<0,椭圆在x轴的左侧;
其中,所述步骤(4) 椭圆的长半轴和短半轴长度a、b分别为,M 00为图像中目标核带宽范围内所有概率密度的累加值,核函数带宽,为了避免目标尺度过于敏感,采用递归滤波更新尺度策略,即跟新后带宽为,取γ=0.1,h opt为当前计算得到的最优带宽,h prev为上一帧目标的带宽。
2.根据权利要求1所述的步骤(1)和(2),其特征在于:建立归一化核函数概率密度直方图目标颜色模型,在均值漂移目标跟踪位置处进行反向投影。
3.根据权利要求1所述的步骤(3)和(4),其特征在于:采用形心主轴转动惯量的方法获得目标椭圆参数,包括长半轴、短半轴、旋转角度。
4.根据权利要求1所述的步骤(4),其特征在于:所述的自适应带宽为采用递归滤波更新尺度后得到的目标带宽,设椭圆的长半轴和短半轴长度分别为a、b,,h prev为上一帧目标的带宽,跟新后带宽为,取γ=0.1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410639172.3A CN105654504A (zh) | 2014-11-13 | 2014-11-13 | 基于转动惯量的自适应带宽均值漂移目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410639172.3A CN105654504A (zh) | 2014-11-13 | 2014-11-13 | 基于转动惯量的自适应带宽均值漂移目标跟踪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105654504A true CN105654504A (zh) | 2016-06-08 |
Family
ID=56479430
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410639172.3A Pending CN105654504A (zh) | 2014-11-13 | 2014-11-13 | 基于转动惯量的自适应带宽均值漂移目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105654504A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113362390A (zh) * | 2021-06-21 | 2021-09-07 | 武汉理工大学 | 一种基于椭圆检测的快速圆形目标定位视频处理方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509104A (zh) * | 2011-09-30 | 2012-06-20 | 北京航空航天大学 | 基于置信度图的增强现实场景虚拟对象判别和检测方法 |
CN103325126A (zh) * | 2013-07-09 | 2013-09-25 | 中国石油大学(华东) | 一种在尺度变化和遮挡情况下的视频目标跟踪方法 |
-
2014
- 2014-11-13 CN CN201410639172.3A patent/CN105654504A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509104A (zh) * | 2011-09-30 | 2012-06-20 | 北京航空航天大学 | 基于置信度图的增强现实场景虚拟对象判别和检测方法 |
CN103325126A (zh) * | 2013-07-09 | 2013-09-25 | 中国石油大学(华东) | 一种在尺度变化和遮挡情况下的视频目标跟踪方法 |
Non-Patent Citations (2)
Title |
---|
LINDA G. SHAPIRO 等: "《计算机视觉》", 31 March 2005 * |
宋灏 等: "基于梯度方向检测的自适应带宽meanshift目标跟踪算法", 《电子设计工程》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113362390A (zh) * | 2021-06-21 | 2021-09-07 | 武汉理工大学 | 一种基于椭圆检测的快速圆形目标定位视频处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106548173B (zh) | 一种基于分级匹配策略的改进无人机三维信息获取方法 | |
CN106940704B (zh) | 一种基于栅格地图的定位方法及装置 | |
CN110232389B (zh) | 一种基于绿色作物特征提取不变性的立体视觉导航方法 | |
CN107680133A (zh) | 一种基于改进闭环检测算法的移动机器人视觉slam方法 | |
CN110147744B (zh) | 一种人脸图像质量评估方法、装置及终端 | |
CN101789126B (zh) | 基于体素的三维人体运动跟踪方法 | |
CN109448025B (zh) | 视频中短道速滑运动员的自动跟踪与轨迹建模方法 | |
CN109087323A (zh) | 一种基于精细cad模型的图像车辆三维姿态估计方法 | |
CN110060299A (zh) | 基于双目视觉技术的输电通道内危险源识别和定位方法 | |
CN106200657B (zh) | 一种无人机控制方法 | |
CN102081733B (zh) | 多模态信息结合的多姿态三维人脸面部五官标志点定位方法 | |
CN108320293A (zh) | 一种结合改进粒子群算法的快速点云边界提取技术 | |
WO2021155558A1 (zh) | 道路标线的识别方法、地图生成方法及相关产品 | |
CN111127524A (zh) | 一种轨迹跟踪与三维重建方法、系统及装置 | |
CN105261039B (zh) | 一种基于深度图像的自适应调整目标跟踪算法 | |
CN110751730B (zh) | 一种基于深度神经网络的穿衣人体体型估计方法 | |
CN108053373A (zh) | 一种基于深度学习模型鱼眼图像校正方法 | |
CN112414403B (zh) | 一种机器人的定位定姿方法、设备及存储介质 | |
CN104463914A (zh) | 一种改进的Camshift目标跟踪方法 | |
CN106296743A (zh) | 一种自适应运动目标跟踪方法及无人机跟踪系统 | |
CN103729882A (zh) | 一种基于三维曲线匹配的点云相对位姿估计方法 | |
CN104406594B (zh) | 交会对接航天器相对位姿的测量算法 | |
CN103886324B (zh) | 一种基于对数似然图像的尺度自适应目标跟踪方法 | |
EP4322020A1 (en) | Terminal device positioning method and related device therefor | |
WO2020248096A1 (zh) | 基于局部特征的三维人脸识别方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160608 |
|
WD01 | Invention patent application deemed withdrawn after publication |