一種改進的Meanshift目標(biāo)跟蹤方法
【專利摘要】本發(fā)明屬于圖像處理與目標(biāo)跟蹤領(lǐng)域，具體為一種改進的Meanshift目標(biāo)跟蹤方法，根據(jù)圖像8鄰域微分值建立微分圖像，利用微分特征建立目標(biāo)模板和候選區(qū)域的微分直方圖模型，并確定候選區(qū)中心位置的更新向量。將其與利用顏色特征信息確定的候選區(qū)中心位置的更新向量相融合，得到改進方法的更新向量。圖像的微分信息包含了圖像的細(xì)節(jié)信息以及像素的相對空間位置信息，提高了模型建立時信息的利用率，能夠提高目標(biāo)模型的建模精度。本發(fā)明在復(fù)雜的背景情況下具有更強的抗干擾性能，能夠有效提高目標(biāo)跟蹤的穩(wěn)定性。本發(fā)明適用于運動目標(biāo)跟蹤系統(tǒng)中。
【專利說明】—種改進的Meanshift目標(biāo)跟蹤方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于圖像處理與目標(biāo)跟蹤領(lǐng)域，涉及一種基于Meanshifit算法的改進跟蹤方法，特別涉及一種融合圖像微分特征信息的改進Meanshift目標(biāo)跟蹤方法。
【背景技術(shù)】
[0002]目標(biāo)識別與跟蹤技術(shù)一直是機器視覺領(lǐng)域研究的熱點問題，在國防、軍事、工業(yè)等領(lǐng)域有著廣泛的應(yīng)用前景。為了滿足跟蹤系統(tǒng)實時性的要求，目標(biāo)識別與跟蹤算法的計算量不能太大。因此，采用低計算量的跟蹤算法實現(xiàn)目標(biāo)的準(zhǔn)確識別與穩(wěn)定跟蹤是該領(lǐng)域研究的關(guān)鍵技術(shù)問題。在眾多跟蹤算法中，MeanShift算法由于具有運算速度快,計算量低等特點受到研究者的重視。
[0003]MeanShift算法是一種魯棒的無參核密度估計方法，鑒于其在計算機視覺領(lǐng)域中得到了成功的應(yīng)用，眾多學(xué)者對其開展了深入的研究，并提出了多種改進算法，其算法性能也不斷得到完善。這些算法通常是以顏色為主要特征建立目標(biāo)模型，通過尋優(yōu)目標(biāo)模型與候選區(qū)域模型的最大相似度確定目標(biāo)更新位置。然而，實際跟蹤系統(tǒng)中目標(biāo)運動的隨機性和目標(biāo)背景的復(fù)雜性與不確定性，給目標(biāo)的識別與穩(wěn)定跟蹤帶來了較大的干擾。另外，被跟蹤目標(biāo)也經(jīng)常會發(fā)生旋轉(zhuǎn)和非鋼性變形，或者目標(biāo)與背景過分相似，從而湮沒在背景中。因此，當(dāng)僅用顏色為主要特征建立目標(biāo)模型時，往往會造成特征描述不顯著，從而導(dǎo)致識別率降低，定位精度差，甚至丟失目標(biāo)。
[0004]因此，設(shè)計一種具有較強抗干擾能力的跟蹤方法具有很好的應(yīng)用價值。

【發(fā)明內(nèi)容】

[0005]本發(fā)明所要解決的技術(shù)問題是，針對MeanShift跟蹤算法對與背景相似的目標(biāo)進行跟蹤不穩(wěn)定的缺點，設(shè)計一種具有較強抗干擾性的改進跟蹤方法。
[0006]本發(fā)明所采用的技術(shù)方案是:一種改進的Meanshift目標(biāo)跟蹤方法，根據(jù)圖像8鄰域微分值建立微分圖像，利用微分特征建立目標(biāo)模板和候選區(qū)域的微分直方圖模型，并確定候選區(qū)中心位置的更新向量。將其與利用顏色特征信息確定的候選區(qū)中心位置的更新向量相融合，得到改進算法的更新向量。圖像的微分信息包含了圖像的細(xì)節(jié)信息以及像素的相對空間位置信息，提高模型建立時信息的利用率，提高目標(biāo)模型的建模精度。在復(fù)雜的背景情況下具有更強的抗干擾性能，能夠有效提高目標(biāo)跟蹤的穩(wěn)定性。
[0007]本發(fā)明的目的在于在Mean Shift跟蹤算法原理的基礎(chǔ)上，構(gòu)建了融合微分特征的跟蹤模型，設(shè)計了一種改進的Mean Shift跟蹤方法，強化了算法對目標(biāo)細(xì)節(jié)特征的描述，能夠提高目標(biāo)識別的準(zhǔn)確性和跟蹤定位的精確性，從而改善跟蹤性能，具有很好的實用性。
【專利附圖】

【附圖說明】
[0008]圖1是本發(fā)明方法跟蹤效果圖?！揪唧w實施方式】
[0009]下面結(jié)合附圖對本發(fā)明作進一步詳細(xì)說明。
[0010]傳統(tǒng)Mean Shift跟蹤算法根據(jù)顏色信息建立目標(biāo)模板和候選區(qū)域的直方圖模型，利用Bhattacharyya系數(shù)計算目標(biāo)模板和候選區(qū)域的相似性，將相似性最大的候選區(qū)確定為跟蹤目標(biāo)。假設(shè){xj，i=l,2,...,η,為目標(biāo)的各個像素的位置，目標(biāo)的中心位置為X。,則目標(biāo)的直方圖概率分布為& = {qu},u = \,，其中
[0011]
【權(quán)利要求】
1.一種改進的Meanshift目標(biāo)跟蹤方法，其特征在于根據(jù)圖像8鄰域微分值建立微分圖像，利用微分特征建立目標(biāo)模板和候選區(qū)域的微分直方圖模型，并確定候選區(qū)中心位置的更新向量；將其與利用顏色特征信息確定的候選區(qū)中心位置的更新向量相融合，得到最終的更新向量。
2.根據(jù)權(quán)利要求1所述的一種改進的Meanshift目標(biāo)跟蹤方法，其特征在于，在原圖像的基礎(chǔ)上建立微分圖像，對圖像的每個像素做8鄰域的一階灰度微分，并取最大絕對值作為該點的微分信息值，建立微分圖像為圖像第i行第j列像素的灰度值，則圖像第i行第j列的微分值a ,j計算為:
3.根據(jù)權(quán)利要求1、2所述的一種改進的Meanshift目標(biāo)跟蹤方法，其特征在于，最終的更新向量為顏色特征和微分特征求得的更新向量的融合: yt 一 ynew + ynew(6) 其中為顏色特征求得的更新向量，太_為微分特征求得的更新向量，y,為最終的更新向量。
【文檔編號】G06T7/00GK103824305SQ201410104215
【公開日】2014年5月28日 申請日期:2014年3月17日 優(yōu)先權(quán)日:2014年3月17日
【發(fā)明者】修春波 申請人:天津工業(yè)大學(xué)