一種改進的目標跟蹤方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種改進的目標跟蹤方法，屬于圖像處理技術(shù)領(lǐng)域。
【背景技術(shù)】
[0002] 在檢測出運動前景目標之后，就需要在連續(xù)的圖像幀中建立目標的數(shù)據(jù)關(guān)聯(lián)，進 行目標的匹配跟蹤。運動目標的背景去除都是針對單幀圖像，提取輸入圖像的信息，然后檢 測出目標。但是，如果在實時的檢測系統(tǒng)中，每一幀圖像都要重新搜素檢測，整幅圖像都要 進行數(shù)據(jù)關(guān)聯(lián)，必然會降低系統(tǒng)的實時性。而且實際環(huán)境復(fù)雜多變，目標很可能會被短暫的 遮擋，很容易導(dǎo)致目標前景提取失效。
[0003] 傳統(tǒng)的目標跟蹤方法有基于Mean-Shift的跟蹤，它通過均值漂移矢量的不斷迭 代使算法收斂于目標的真實位置，計算量小，速度快，且對目標旋轉(zhuǎn)、邊緣遮擋、變形等不敏 感，但是跟蹤過程中窗口大小保持不變，一旦目標尺度有變化，跟蹤就會失效。而用Kalman 濾波預(yù)測，能夠減小目標搜索范圍，實現(xiàn)快速實時的跟蹤，且跟蹤窗口大小能適應(yīng)目標尺 度，但是該方法對目標粘連敏感。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的在于克服現(xiàn)有技術(shù)中的不足，提供一種改進的目標跟蹤方法，將 Kalman預(yù)測和Mean-shift算法融合，解決了 Mean-shift算法跟蹤窗口固定不變和Kalman 預(yù)測對目標粘連敏感的技術(shù)問題。
[0005] 為解決上述技術(shù)問題，本發(fā)明所采用的技術(shù)方案是：一種改進的目標跟蹤方法，包 括如下步驟：
[0006] 步驟一：特征提取與匹配：由目標檢測提取的前景二值圖像得到運動目標初始信 息，進行特征匹配；
[0007] 步驟二：Kalman濾波狀態(tài)預(yù)測：建立Kalman預(yù)測模型，得到目標在下一幀的預(yù)測 位置；
[0008] 步驟三：相似度量計算：在可能的范圍內(nèi)搜索目標，進行相似性度量計算；
[0009] 步驟四：Mean_shift灰度模板更新：通過得到的目標外接矩形框的長和寬自適應(yīng) 修正Mean-shift算法灰度匹配模板的核函數(shù)帶寬，更新Kalman模型；
[0010] 步驟五：迭代跟蹤：根據(jù)Mean-shift算法迭代完成跟蹤。
[0011] 步驟一中特征提取的具體方法如下：
[0012] 采用在對運動目標進行前景提取之后，將得到的二值化圖像進行連通域檢測并進 行標號，建立連通區(qū)域的特征集合，如下公式：
[0013] Box = {Bx, By, A, Bw}
[0014]其中Bx、By為連通域質(zhì)心的橫、縱坐標，A為連通域像素點個數(shù)，BpBw為連通域外 接矩形的長和寬，當(dāng)檢測區(qū)域有不只一個連通域時，即第k幀的第i個目標的信息列表，公 式如下：
[0015] BLk= (Box l k，Box2 k，…，Boxi k) 〇
[0016] 步驟一中特征匹配的具體方法如下：
[0017] 定義第k幀圖像第i個目標的質(zhì)心坐標為g -穴)，則第k幀第i個目標和第k+1 幀第j個目標的質(zhì)心距離函數(shù)Dis(i，j)如下：
[0018]
[0019] 定義第k幀圖像第i個目標的面積為匁，則第k幀的第i個目標和第k+1幀第j 個目標的面積相似程度函數(shù)A (i，j)如式下所示：
[0020]
[0021] 定義第k幀圖像第i個目標的外接矩形長寬比為/丨，則第k幀的第i個目標和第 k+1幀第i個目標的外接矩形長寬比相似程度函數(shù)W(i，j)如下：
[0022]
[0023] 特征匹配函數(shù)為：
[0024] V(i,j) = a Dis(i, j) + |3 A(i, j) + yff(i, j)
[0025] 其中a、|3、y為加權(quán)系數(shù)，且a+|3+y = 1，特征匹配代價函數(shù)V(i, j)越小，表 明前后兩幀第i個目標與第j個目標匹配程度越高，是同一目標的可能性越大。
[0026] 步驟二所述Kalman濾波狀態(tài)預(yù)測的具體方法如下：
[0027] 為每個運動目標建立一個Kalman濾波模型；
[0028] Kalman濾波器假設(shè)噪聲序列W〇t)和v &)是高斯分布的，被建模的系統(tǒng)是線性的，即 函數(shù)和H &)是線性的，系統(tǒng)狀態(tài)方程如下：
[0029] X(k) = A (j^k-D+WH)
[0030] 觀測方程公式如下：
[0031] Z(k)=H(k)X(k)+v (k)
[0032] 假設(shè)系統(tǒng)已確定，Aw和H &)已知的，w &)和v &)是互不相關(guān)的均值為零的正態(tài)白噪 聲，則Qoo是w &)的協(xié)方差矩陣，如下公式：
[0033] Q(k)= E{w (k)w(k)T}
[0034] Rqo是v &)的協(xié)方差矩陣，如下公式：
[0035] R(k)= E{v (k)v(k)T}
[0036] 系統(tǒng)狀態(tài)向量為Xw= [x k, yk, vxk, vyk]T;其中，x k、yk為目標質(zhì)心坐標，v xk、vyk為第 k幀xk、yk的變化速度；
[0037] 定義觀測狀態(tài)向量2&)= [xk，yk]T;
[0038] 設(shè)每幀間隔時間A t，則狀態(tài)轉(zhuǎn)移矩陣A和觀測矩陣H分別為：
[0039]
[0040] Kalman濾波的計算公式如下：
[0041]
[0042]
[0043]
[0044]
[0045] f(k,與Xw的誤差協(xié)方差矩陣P w為：P w= (I_K WHW)P &);
[0046] 通過對當(dāng)前幀的目標進行狀態(tài)方程和觀測方程建模，預(yù)測下一幀中目標質(zhì)心的位 置。
[0047] 步驟四所述Mean-shift灰度模板更新的具體方法如下：
[0048] 在矩形框標記目標區(qū)域后，通過提取該區(qū)域的灰度直方圖，作為Mean-shift算法 的區(qū)域匹配特征來對目標進行匹配；
[0049] 對輸入圖像進行歸一化處理，將目標置于圖像的正中心；
[0050] 利用核函數(shù)對圖像中的像素點進行權(quán)重分析，加重距離目標近的像素點的比重， 弱化距離目標遠的像素點比重；
[0051] 利用核密度概率分布估計，計算基于灰度特征的直方圖概率分布；
[0052] 分別對要跟蹤的目標和下一幀候選區(qū)域的候選目標的灰度直方圖進行建模，前者 的直方圖特征記為q，后者的直方圖特征記為P，將圖像特征進行m級量化；
[0053] 假設(shè)跟蹤目標區(qū)域的中心坐標為X(l，其空間坐標為Xi(i = 1，…，n)，目標區(qū)域的灰 度值均均分為m個直方圖區(qū)間，則目標模型直方圖可以表示為q = [qiq2…qm]T，每一個目標 模板圖像的灰度直方圖計算公式如下：
[0054] \ /
[0055] 其中C為歸一化的常數(shù)，且滿足；k(〇為核函數(shù)的剖面函數(shù)，采用常用 的Epanechnikov核函數(shù)，其剖面函數(shù)為：
[0056]
[0057] 5 ( ?)為Kronecker delta函數(shù)，5 [b (xj-u]是指如果像素屬于第u個灰度直 方圖，則該函數(shù)的值為1，否則為〇 ;
[0058] 同理也可以求得，候選區(qū)域中候選目標的灰度直方圖特征的概率密度分布：
[0059]
[0060] 其中Ch為歸一化的常數(shù)，且滿足[^=1凡=1，y為當(dāng)前幀目標的中心坐標，核半徑 為h0
[0061] 步驟五所述迭代跟蹤的具體方法如下：
[0062] 首先根據(jù)上一幀目標位置計算跟蹤區(qū)域內(nèi)的目標模型，當(dāng)前幀建立初始候選區(qū)域 模型，計算出目標灰度特征直方圖的概率密度分布；
[0063] 然后讀取當(dāng)前幀圖像，并且利用均值漂移算法，根據(jù)加權(quán)的均值平移矢量反復(fù)迭 代計算候選目標區(qū)域灰度特征直方圖的概率密度分布，改變候選目標的位置；
[0064] 最后通過相似性計算公式，找到最優(yōu)匹配的目標位置。
[0065] 與現(xiàn)有技術(shù)相比，本發(fā)明所達到的有益效果是：將Kalman預(yù)測和Mean-shift算法 融合，結(jié)合了兩者的優(yōu)勢，有效減少了迭代次數(shù)，計算量小、實時性佳，且克服了 Mean-shift 算法跟蹤窗口固定不變和Kalman預(yù)測對目標粘連敏感的缺點，使跟蹤結(jié)果更加穩(wěn)定、準 確。
【附圖說明】
[0066] 圖1是本發(fā)明方法的流程圖。
【具體實施方式】
[0067] 目標跟蹤要研宄的內(nèi)容就是在成功檢測出前景目標之后，實現(xiàn)目標的描述與定 位，然后通過數(shù)據(jù)關(guān)聯(lián)實現(xiàn)目標跟蹤。下面結(jié)合附圖對本發(fā)明作進一步描述。以下實施例 僅用于更加清楚地說明本發(fā)明的技術(shù)方案，而不能以此來限制本發(fā)明的保護范圍。
[0068] 如圖1所示，是本發(fā)明方法的流程圖，一種改進的目標跟蹤方法，包括如下步驟：
[0069] 步驟一：特征提取與匹配：由目標檢測提取的前景二值圖像得到運動目標初始信 息，進行特征匹配。
[0070] 1)特征提取的具體方法如下：
[0071] 采用在對運動目標進行前景提取之后，將得到的二值化圖像進行連通域檢測并進 行標號，建立連通區(qū)域的特征集合，如下公式：
[0072] Box = {Bx, By, A, Bw}
[0073] 其中Bx、By為連通域質(zhì)心的橫、縱坐標，A為連通域像素點個數(shù)（面積），B p BWS 連通域外接矩形的長和寬，當(dāng)檢測區(qū)域有不只一個連通域時，即第k幀的第i個目標的信息 列表，公式如下：
[0074] BLk= (Box u，Box2，k,…，Boxu) 〇
[0075] 2)特征匹配的具體方法如下：
[0076] 定義第k幀圖像第i個目標的質(zhì)心坐標為g ，則第k幀第i個目標和第k+1 幀第j個目標的質(zhì)心距離函數(shù)Dis(i，j)如下：
[0077]
[0078] 定義第k幀圖像第i個目標的面積為匁，則第k幀的第i個目標和第k+1幀第j 個目標的面積相似程度函數(shù)A (i，j)如式下所示：
[0079]
[0080] 定義苐k幀圖
像苐i個目標的外接矩形長寬比為/(，則第k幀的第i個目標和第 k+1幀第j個目標的外接矩形長寬比相似程度函數(shù)W(i，j)如下：
[0081]
[0082] 特征匹配函數(shù)為：
[0083] V(i,j) = a Dis(i, j) + |3 A(i, j) + yff(i, j)
[0084] 其中 a、|3、y 為加權(quán)系數(shù)，且 a + |3 + y = 1，優(yōu)選的，a = 〇. 5, |3 = 0. 4, y = 〇. 1。特征匹配代價函數(shù)V(i，j)越小，表明前后兩幀第i個目標與第j個目標匹配程度越 高，是同一目標的可能性越大。
[0085] 步驟二：Kalman濾波狀態(tài)預(yù)測：建立Kalman預(yù)測模型，得到目標在下一幀的預(yù)測 位置。為了減小目標跟蹤匹配的搜索范圍，采用Kalman濾波來預(yù)測目標在下一幀圖像中的 可能位置，并對運動目標速度進行修正，快速實時匹配目標。具體方法如下：
[0086] 為每個運