專利名稱：一種基于camshift和卡爾曼濾波的視頻目標跟蹤方法
技術領域：
本發(fā)明涉及視頻監(jiān)控技術領域，尤其涉及一種基于CAMSHIFT和卡爾曼濾波的視頻目標跟蹤方法。
背景技術：
隨著計算機視覺技術的發(fā)展，運動視頻目標跟蹤技術已經成為武器制導、模式識另IJ，計算機視覺等領域的重要課題。由于運動視頻目標跟蹤技術在軍事和民用領域都有廣闊的應用前景，國內外有許多學者從事這一課題的研究，并提出了許多經典的目標跟蹤算法。運動視頻目標跟蹤把圖像處理、計算機視覺和信息科學有機結合起來，形成了一種能從 視頻圖像中實時地自動識別出目標，提取目標位置信息，自動跟蹤目標的技術。由于現實環(huán)境具有復雜性，如目標被遮擋、背景中存在與目標特征相似的物體、光線亮度的變化、目標快速運動、背景物體的運動等問題，如何提高目標跟蹤實時性、準確性和魯棒性，解決復雜背景下的目標跟蹤一直是人們研究的熱點。目前，國外學者對目標跟蹤技術都進行了比較深入的研究。1994年，Jim Ivins等人提出用限制性主動區(qū)域模型對彩色圖形序列進行快速跟蹤的方法。1995年，YZ. Chen將無參估計理論應用到目標跟蹤領域，提出基于Mean Shift算法的目標跟蹤算法。1996年，S. Asaad在機器人視覺實驗中運用邊緣信息有效進行了目標跟蹤。1997年，P. Fieguth和D. Terzopouloslg等人進行了基于顏色的目標跟蹤方法的研究。1998年，M. Kass等人提出用主動輪廓模型進行目標跟蹤。2000年，Y. Zhong等人提出了基于可變形模板進行目標跟蹤的方法。2001年，Gi-Jeong Jang等人提出用自適應顏色模型進行目標跟蹤，同年Y. Bar-Shalom等人提出基于運動估計的估計跟蹤算法。2003年,Ryuzo Okada等人基于光流的邊緣信息，進行了運動目標跟蹤的研究。2007年，R. Venkatesh Babu等提出基于運動估計與顏色模型相結合的跟蹤算法。在Mean Shift跟蹤算法中，通常核窗口由初始跟蹤窗口的大小決定，而且在整個跟蹤過程中不再發(fā)生變化。然而，當目標存在明顯尺度變化的時候，尤其是當目標尺寸逐漸增大以至超出核窗寬范圍的時候，固定不變的核窗寬常常會導致目標的丟失。CAMSH IFT算法作為連續(xù)自適應的Mean Shift，通過自動調節(jié)核窗口大小以及被跟蹤目標在圖像中的大小從而可以有效地解決目標變形問題，但其算法也收斂于局部最大值，并沒有對目標的相似度做判定。當CAMSHIFT的搜索窗口里面包含多個特征相似候選模型時，CAMSHIFT算法無法辨別是否出現干擾，經常出現跟蹤精度不夠的問題。而且，當目標運動物體緩慢地通過障礙物或進行快速無規(guī)則運動時，CAMSHIFT算法將很容易失效，導致目標跟蹤丟失。同時，當目標瞬間有個較大的加速度或被遮擋時，CAMSHIFT跟蹤算法容易失效。

發(fā)明內容
本發(fā)明的目的是為了克服現有技術的缺陷，提供一種基于CAMSHIFT和卡爾曼濾波的視頻目標跟蹤方法，通過該方法引入了相似度判定以及重定位技術，有效地解決了背景干擾，提聞了跟蹤的精度。一種基于CAMSHIFT和卡爾曼濾波的視頻目標跟蹤方法，采用卡爾曼濾波方法先預測出搜索窗口，再結合自適應局部搜索算法進行CAMSHIFT跟蹤，具體步驟如下stepl :該方法以搜索窗口為參數，使用卡爾曼濾波器預測搜索窗口 Win ；st印2 :以Win為參數調用CAMSHIFT算法尋找目標，返回包含候選模型的窗口targetffin ；step3 :計算targetWin和目標模型的相似度；step4 :若相似度大于給定閾值,貝U轉step6 ；step5 :若相似度不大于給定閾值，則將上一幀的目標窗口以及卡爾曼濾波器預測 的距離代替enlarge作為擴大窗口的參數，調用自適應迭代搜索算法；St印6:返回目標窗口。優(yōu)選地，針對計算量以及視頻亮度變化不定的問題，采用HSV，H為色度分量，S為色彩飽和度分量，V為亮度分量，模型中的色度HUE分量作為跟蹤的特征，采用反向投影圖進行處理；讀取視頻每一幀圖像時，提取其HSV格式中HUE通道的圖像HImg ;初始化搜索窗口，選擇目標區(qū)域的大小和位置)，計算該區(qū)域的顏色直方圖；假定使用m級量化的直方圖，{xj i = ,..n為目標區(qū)域圖像的像素位置，定義c :R2 — {I. . . m}來表示像素Xi對應的像素值，那么目標顏色直方圖分布為
nA =M]
!=1(I)其中u = I,…，m, 8為Kronecker Delta函數。為使得到的概率分布在
范圍內，需將直方圖進行縮放
f( 255^ Pu = min -—^,255 ^(2)
II max⑷m對當前幀視頻圖像作反向投影，將Hlmg圖像中Xi對應的像素值u替換為pu，即得到所求的反向投影圖。優(yōu)選地，本方法基于CAMSHIFT思想，先確定當前幀的搜索窗口及其質心位置，然后調整搜索窗口的大小，將搜索窗口的中心移動到質心，如果移動距離大于預設的閾值，則重新計算調整后的窗口質心，進行新一輪的窗口位置和尺寸更新，直到移動窗口的位置小于閾值或迭代次數超過一個最大值，最后將窗口的位置和尺寸作為下一幀運算的輸入值，如此循環(huán)迭代；為了計算反向投影圖中搜索窗口的質心，可以通過如下方法計算；計算零階矩j^oo(3)
X ^分別計算出X和y的一階矩Mio =ZZ xI (x，少)凡=Z Z 少7 (x，少)(4)
X yX y
計算搜索窗口的質心

權利要求
1.一種基于CAMSHIFT和卡爾曼濾波的視頻目標跟蹤方法，其特征在于，該方法采用卡爾曼濾波方法先預測出搜索窗口，再結合自適應局部搜索算法進行CAMSHIFT跟蹤，具體步驟如下 stepl :該方法以搜索窗口為參數，使用卡爾曼濾波器預測搜索窗口 Win ；step2 以Win為參數調用CAMSHIFT算法尋找目標，返回包含候選模型的窗口targetffin ； step3 :計算targetWin和目標模型的相似度； step4 :若相似度大于給定閾值,則轉step6 ； step5 :若相似度不大于給定閾值，則將上一幀的目標窗口以及卡爾曼濾波器預測的距離代替enlarge作為擴大窗口的參數，調·用自適應迭代搜索算法；step6 :返回目標窗口。
2.如權利要求I所述的方法，其特征在于，針對計算量以及視頻亮度變化不定的問題，采用HSV，H為色度分量，S為色彩飽和度分量，V為亮度分量，模型中的色度HUE分量作為·跟蹤的特征，采用反向投影圖進行處理； 讀取視頻每一幀圖像時，提取其HSV格式中HUE通道的圖像HImg ;初始化搜索窗口，選擇目標區(qū)域的大小和位置)，計算該區(qū)域的顏色直方圖；假定使用m級量化的直方圖，IxJi= ,..n為目標區(qū)域圖像的像素位置，定義c =R2 — {I. ..m}來表示像素xi對應的像素值，那么目標顏色直方圖分布為% =TuSlc {xt)-u~] (I) 其中u = 1，…，m，8為Kronecker Delta函數。為使得到的概率分布在
范圍內，需將直方圖進行縮放 255 ^,25511(2) I max⑷m 對當前幀視頻圖像作反向投影，將Hlmg圖像中Xi對應的像素值u替換為pu，即得到所求的反向投影圖。
3.如權利要求I或2所述的方法，其特征在于，本方法基于CAMSHIFT思想，先確定當前幀的搜索窗口及其質心位置，然后調整搜索窗口的大小，將搜索窗口的中心移動到質心，如果移動距離大于預設的閾值，則重新計算調整后的窗口質心，進行新一輪的窗口位置和尺寸更新，直到移動窗口的位置小于閾值或迭代次數超過一個最大值，最后將窗口的位置和尺寸作為下一幀運算的輸入值，如此循環(huán)迭代； 為了計算反向投影圖中搜索窗口的質心，可以通過如下方法計算； 計算零階矩 mOO=ZZ7(xJ)(3) X ^ 分別計算出X和y的一階矩 M10 =ZZ Xl (X，少);M01 = Z Z 少7 (X，少)(4) X yx y 計算搜索窗口的質心
4.如權利要求I所述的方法，其特征在于，在CAMSHIFT的基礎上，提出了一種重定位窗口的方法，并引入相似度判定的約束，來獲取更加精確的候選模型；當執(zhí)行CAMSHIFT算法，獲得候選模型的窗口 Win時,將其分裂為5個子窗口 將Win按其寬度的一半和長度的一半等分為4個窗口 ；以Win中心點為中心點，以其寬度一半為寬度，其長度一半為長度，設置第5個窗口 ；通過相似度度量方法即采用相關系數法或者巴氏距離比對法，分別計算這五個窗口的候選模型與目標模型的相似度，選出相似度最高的窗口 maxWin，以maxWin作為參數再調用CAMSHIFT，返回候選模型。
5.如權利要求I或4所述的方法，其特征在于，進行CAMSHIFT算法時，由于搜索窗口的擴大，導致得到的候選模型窗口尺度大于目標模型，往往無法準確地定位出目標的位置；為了在候選模型窗口中得到目標窗口，在重定位方法的基礎上，引入最大相似度閾值和最小相似度閾值，設計出一種迭代縮小的技術；通過迭代分裂窗口以及迭代進行CAMSHIFT的過程，即可以準確定位目標。
6.如權利要求I或5所述的方法，其特征在于，用迭代縮小算法的特點，在其基礎上，本方法引入了擴大窗口的參數；每次進行迭代縮小算法，若未能使相似度達到最大相似度閾值即未能準確找到目標，則每次以enlarge的幅度擴大搜索窗口，再進行迭代縮小算法。
7.如權利要求I所述的方法，其特征在于，基于卡爾曼濾波器的目標運動軌跡預測方法采用目標運動過程中的任意一點作為起點開始預測，采用遞歸濾波的方法計算；利用卡爾曼濾波進行狀態(tài)估計分為三步初始化、預測和更新；描述系統(tǒng)的狀態(tài)方程和觀測方程分別如式(6)和(7)所示X (k) = F (k) X (k-1) +w (k) (6) Z(k) = H(k)X(k)+v(k)(7) 式中1，F(k)和H(k)分別是系統(tǒng)的狀態(tài)轉移矩陣和觀測矩陣，w(k)和v(k)分別是滿足正態(tài)分布的過程噪聲和觀測噪聲向量，它們是互不相關的零均值白噪聲序列，即w(k) □ N(0, Q(k)), v(k) □ N(0, R(k)) ；Q(k)為過程噪聲的協(xié)方差矩陣，R(k)為觀測噪聲的協(xié)方差矩陣。
全文摘要
本發(fā)明公開了一種基于CAMSHIFT和卡爾曼濾波的視頻目標跟蹤方法。該方法以搜索窗口為參數，使用卡爾曼濾波器預測搜索窗口Win；以Win為參數調用CAMSHIFT算法尋找目標，返回包含候選模型的窗口targetWin；計算targetWin和目標模型的相似度；若相似度大于給定閾值，則找到目標，返回目標窗口；若相似度不大于給定閾值，則將上一幀的目標窗口以及卡爾曼濾波器預測的距離代替enlarge作為擴大窗口的參數，調用自適應迭代搜索算法。通過該方法引入了相似度判定以及重定位技術，有效地解決了背景干擾，提高了跟蹤的精度。
文檔編號G06K9/00GK102737385SQ201210123039
公開日2012年10月17日 申請日期2012年4月24日 優(yōu)先權日2012年4月24日
發(fā)明者孟思明, 羅笑南, 陳欣 申請人:中山大學