動(dòng)目標(biāo)建立一個(gè)Kalman濾波模型；
[0087] 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：
[0088] X(k) = A (k)X
[0089] 觀測(cè)方程公式如下：
[0090] Z(k)=H(k)X(k)+v (k)
[0091] 假設(shè)系統(tǒng)已確定，Aqo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：
[0092] Q(k)= E{w (k)w(k)T}
[0093] Rqo是v &)的協(xié)方差矩陣，如下公式：
[0094] R(k)= E{v (k)v(k)T}
[0095] 系統(tǒng)狀態(tài)向量為Xw= [x k, yk, vxk, vyk]T;其中，x k、yk為目標(biāo)質(zhì)心坐標(biāo)，v xk、vyk為第 k幀xk、yk的變化速度；
[0096] 定義觀測(cè)狀態(tài)向量
[0097] 設(shè)每幀間隔時(shí)間A t，則狀態(tài)轉(zhuǎn)移矩陣A和觀測(cè)矩陣H分別為：
[0098]
[0099] Kalman濾波的計(jì)算公式如下：
[0100] 系統(tǒng)的預(yù)測(cè)方程為：;
[0101] 預(yù)測(cè)誤差估計(jì)4為：尸'(k> = 4)^)4) + %，
[0102] 增益系數(shù)矩陣 為：心)=Pw<k)(4 krPw<k) +U1 ;
[0103] 系統(tǒng)狀態(tài)的修正方程為：f(kl =名m+[(k)(Z(k) -;
[0104] f(kl與 Xw的誤差協(xié)方差矩陣 Pw為：Pw= (I-KWHW)P (k);
[0105] 通過(guò)對(duì)當(dāng)前幀的目標(biāo)進(jìn)行狀態(tài)方程和觀測(cè)方程建模，預(yù)測(cè)下一幀中目標(biāo)質(zhì)心的位 置。這樣可縮小搜索范圍，同時(shí)修正目標(biāo)參數(shù)。
[0106] 步驟三：相似度量計(jì)算：在可能的范圍內(nèi)搜索目標(biāo)，進(jìn)行相似性度量計(jì)算。
[0107] 步驟四：Mean_shift灰度模板更新：通過(guò)得到的目標(biāo)外接矩形框的長(zhǎng)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。具體方法如下：
[0108] Mean-shift算法目標(biāo)描述：在矩形框標(biāo)記目標(biāo)區(qū)域后，通過(guò)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(lái)對(duì)目標(biāo)進(jìn)行匹配。對(duì)輸入圖像進(jìn)行歸一化處 理，將目標(biāo)置于圖像的正中心，避免因?yàn)閳D像尺寸不一樣，而造成的干擾，然后利用核函數(shù) 對(duì)圖像中的像素點(diǎn)進(jìn)行權(quán)重分析，加重距離目標(biāo)近的像素點(diǎn)的比重，弱化距離目標(biāo)遠(yuǎn)的像 素點(diǎn)比重。然后利用核密度概率分布估計(jì)，計(jì)算基于灰度特征的直方圖概率分布。
[0109] 自適應(yīng)修正Mean-shift算法灰度匹配模板的核函數(shù)帶寬：實(shí)際操作中，分別對(duì)要 跟蹤的目標(biāo)和下一幀候選區(qū)域的候選目標(biāo)的灰度直方圖進(jìn)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(jìn)行m級(jí)量化。
[0110] 假設(shè)跟蹤目標(biāo)區(qū)域的中心坐標(biāo)為X(l，其空間坐標(biāo)為Xi(i = 1，…，n)，目標(biāo)區(qū)域的灰 度值均均分為m個(gè)直方圖區(qū)間，則目標(biāo)模型直方圖可以表示為q = [qiq2…qm]T，每一個(gè)目標(biāo) 模板圖像的灰度直方圖計(jì)算公式如下：
[0111]
[0112] 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：
[0113]
[0114] 5 ( ?)為Kronecker delta函數(shù)，5 [b(Xi)-U]是指如果像素屬于第u個(gè)灰度直 方圖，則該函數(shù)的值為1，否則為〇 ;
[0115] 同理也可以求得，候選區(qū)域中候選目標(biāo)的灰度直方圖特征的概率密度分布：
[0116]
[0117] 其中Ch為歸一化的常數(shù)，且滿足[二凡=1，y為當(dāng)前幀目標(biāo)的中心坐標(biāo)，核半徑 為h0
[0118] 步驟五：迭代跟蹤：根據(jù)Mean-shift算法迭代完成跟蹤。具體方法如下：
[0119] 首先，根據(jù)上一幀目標(biāo)位置計(jì)算跟蹤區(qū)域內(nèi)的目標(biāo)模型，當(dāng)前幀建立初始候選區(qū) 域模型，計(jì)算出目標(biāo)灰度特征直方圖的概率密度分布；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(jì)算候選目標(biāo)區(qū)域灰度特征直方圖的概率 密度分布，改變候選目標(biāo)的位置；最后，通過(guò)相似性計(jì)算公式，找到最優(yōu)匹配的目標(biāo)位置。
[0120] 如果發(fā)生遮擋或粘連的情況，基于Kalman濾波跟蹤算法的特征匹配函數(shù)不在閾 值范圍內(nèi)，則Kalman模型不需要更新，通過(guò)預(yù)測(cè)來(lái)完成目標(biāo)的跟蹤。
[0121] 以上所述僅是本發(fā)明的優(yōu)選實(shí)施方式，應(yīng)當(dāng)指出，對(duì)于本技術(shù)領(lǐng)域的普通技術(shù)人 員來(lái)說(shuō)，在不脫離本發(fā)明技術(shù)原理的前提下，還可以做出若干改進(jìn)和變形，這些改進(jìn)和變形 也應(yīng)視為本發(fā)明的保護(hù)范圍。
【主權(quán)項(xiàng)】
1. 一種改進(jìn)的目標(biāo)跟蹤方法，其特征在于，包括如下步驟： 步驟一：特征提取與匹配：由目標(biāo)檢測(cè)提取的前景二值圖像得到運(yùn)動(dòng)目標(biāo)初始信息， 進(jìn)行特征匹配； 步驟二：Kalman濾波狀態(tài)預(yù)測(cè)：建立Kalman預(yù)測(cè)模型，得到目標(biāo)在下一幀的預(yù)測(cè)位 置； 步驟三：相似度量計(jì)算：在可能的范圍內(nèi)搜索目標(biāo)，進(jìn)行相似性度量計(jì)算； 步驟四：Mean-shift灰度模板更新：通過(guò)得到的目標(biāo)外接矩形框的長(zhǎng)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； 步驟五：迭代跟蹤：根據(jù)Mean-shift算法迭代完成跟蹤。2. 根據(jù)權(quán)利要求1所述的改進(jìn)的目標(biāo)跟蹤方法，其特征在于，步驟一中特征提取的具 體方法如下： 采用在對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行前景提取之后，將得到的二值化圖像進(jìn)行連通域檢測(cè)并進(jìn)行標(biāo) 號(hào)，建立連通區(qū)域的特征集合，如下公式： Box= {Bx,By,A,Bi，Bw} 其中Bx、By為連通域質(zhì)心的橫、縱坐標(biāo)，A為連通域像素點(diǎn)個(gè)數(shù)，BpBWS連通域外接矩 形的長(zhǎng)和寬，當(dāng)檢測(cè)區(qū)域有不只一個(gè)連通域時(shí)，即第k幀的第i個(gè)目標(biāo)的信息列表，公式如 下： BLk (Box 1，讓?zhuān)珺ox。，k，? ? ?，BoXi，讓?zhuān)?. 根據(jù)權(quán)利要求1所述的改進(jìn)的目標(biāo)跟蹤方法，其特征在于，步驟一中特征匹配的具 體方法如下： 定義第k幀圖像第i個(gè)目標(biāo)的質(zhì)心坐標(biāo)為，則第k幀第i個(gè)目標(biāo)和第k+1幀 第j個(gè)目標(biāo)的質(zhì)心距離函數(shù)Dis(i，j)如下：定義第k幀圖像第i個(gè)目標(biāo)的面積為匁，則第k幀的第i個(gè)目標(biāo)和第k+1幀第j個(gè)目 標(biāo)的面積相似程度函數(shù)A(i，j)如式下所示：定義第k幀圖像第i個(gè)目標(biāo)的外接矩形長(zhǎng)寬比為《，則第k幀的第i個(gè)目標(biāo)和第k+1 幀第j個(gè)目標(biāo)的外接矩形長(zhǎng)寬比相似程度函數(shù)W(i，j)如下：特征匹配函數(shù)為： V(i,j) =aDis(i,j) + |3A(i,j) +yff(i,j) 其中a、f3、y為加權(quán)系數(shù)，且a+0+y=1，特征匹配代價(jià)函數(shù)V(i，j)越小，表明前 后兩幀第i個(gè)目標(biāo)與第j個(gè)目標(biāo)匹配程度越高，是同一目標(biāo)的可能性越大。4. 根據(jù)權(quán)利要求1所述的改進(jìn)的目標(biāo)跟蹤方法，其特征在于，步驟二所述Kalman濾波 狀態(tài)預(yù)測(cè)的具體方法如下： 為每個(gè)運(yùn)動(dòng)目標(biāo)建立一個(gè)Kalman濾波模型； Kalman濾波器假設(shè)噪聲序列Wao和v&)是高斯分布的，被建模的系統(tǒng)是線性的，即函數(shù)Aqo和Hw是線性的，系統(tǒng)狀態(tài)方程如下： ^(k)=A(k)X(k-D 觀測(cè)方程公式如下： Z(k) =H(k)X(k)+v(k) 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Q〇〇是w&)的協(xié)方差矩陣，如下公式： Q(k) =E{w(k)W(k)T} Rao是v&)的協(xié)方差矩陣，如下公式： R(k) =E{v(k)V(k)T} 系統(tǒng)狀態(tài)向量為X&)=[xk,yk,vxk,vyk]T;其中，xk、yk為目標(biāo)質(zhì)心坐標(biāo)，vxk、vyk為第k幀xk、yk的變化速度； 定義觀測(cè)狀態(tài)向量Z&)= [xk，yk]T; 設(shè)每幀間隔時(shí)間△t，則狀態(tài)轉(zhuǎn)移矩陣A和觀測(cè)矩陣H分別為：Kalman濾波的計(jì)算公式如下：^與父⑵的誤差協(xié)方差矩陣P&)為：P&)= (I-KooHJP' &); 通過(guò)對(duì)當(dāng)前幀的目標(biāo)進(jìn)行狀態(tài)方程和觀測(cè)方程建模，預(yù)測(cè)下一幀中目標(biāo)質(zhì)心的位置。5. 根據(jù)權(quán)利要求1所述的改進(jìn)的目標(biāo)跟蹤方法，其特征在于，步驟四所述Mean-shift 灰度模板更新的具體方法如下： 在矩形框標(biāo)記目標(biāo)區(qū)域后，通過(guò)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(lái)對(duì)目標(biāo)進(jìn)行匹配； 對(duì)輸入圖像進(jìn)行歸一化處理，將目標(biāo)置于圖像的正中心； 利用核函數(shù)對(duì)圖像中的像素點(diǎn)進(jìn)行權(quán)重分析，加重距離目標(biāo)近的像素點(diǎn)的比重，弱化 距離目標(biāo)遠(yuǎn)的像素點(diǎn)比重； 利用核密度概率分布估計(jì)，計(jì)算基于灰度特征的直方圖概率分布； 分別對(duì)要跟蹤的目標(biāo)和下一幀候選區(qū)域的候選目標(biāo)的灰度直方圖進(jìn)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(jìn)行m級(jí)量化； 假設(shè)跟蹤目標(biāo)區(qū)域的中心坐標(biāo)為X(1，其空間坐標(biāo)為Xi(i= 1，…，n)，目標(biāo)區(qū)域的灰度值 均均分為m個(gè)直方圖區(qū)間，則目標(biāo)模型直方圖可以表示為q=[qiq2…qm]T，每一個(gè)目標(biāo) 模板圖像的灰度直方圖計(jì)算公式如下：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：8 (?)為Kroneckerdelta函數(shù)，8 [bUJ-u]是指如果像素屬于第u個(gè)灰度直方圖， 則該函數(shù)的值為1，否則為〇 ; 同理也可以求得，候選區(qū)域中候選目標(biāo)的灰度直方圖特征的概率密度分布：其中Ch為歸一化的常數(shù)，且滿足，y為當(dāng)前幀目標(biāo)的中心坐標(biāo)，核半徑為h。6.根據(jù)權(quán)利要求1所述的改進(jìn)的目標(biāo)跟蹤方法，其特征在于，步驟五所述迭代跟蹤的 具體方法如下： 首先根據(jù)上一幀目標(biāo)位置計(jì)算跟蹤區(qū)域內(nèi)的目標(biāo)模型，當(dāng)前幀建立初始候選區(qū)域模 型，計(jì)算出目標(biāo)灰度特征直方圖的概率密度分布； 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(jì) 算候選目標(biāo)區(qū)域灰度特征直方圖的概率密度分布，改變候選目標(biāo)的位置； 最后通過(guò)相似性計(jì)算公式，找到最優(yōu)匹配的目標(biāo)位置。
【專(zhuān)利摘要】本發(fā)明公開(kāi)了一種改進(jìn)的目標(biāo)跟蹤方法，解決了現(xiàn)有技術(shù)中Mean-shift算法跟蹤窗口固定不變和Kalman預(yù)測(cè)對(duì)目標(biāo)粘連敏感的技術(shù)問(wèn)題。其具體方法為：利用Kalman濾波預(yù)測(cè)目標(biāo)位置，縮小搜索范圍，然后通過(guò)二值圖特征匹配目標(biāo)，并對(duì)Mean-shift算法的核函數(shù)帶寬進(jìn)行修正，更新Kalman模型，在預(yù)測(cè)位置附近搜索匹配目標(biāo)，由Mean-shift矢量迭代完成目標(biāo)跟蹤。本發(fā)明結(jié)合了Kalman預(yù)測(cè)和Mean-shift算法的優(yōu)勢(shì)，計(jì)算量小、實(shí)時(shí)性佳，且有效保證了目標(biāo)粘連時(shí)的跟蹤準(zhǔn)確性。
【IPC分類(lèi)】G06T7/20
【公開(kāi)號(hào)】CN104992451
【申請(qǐng)?zhí)枴緾N201510357521
【發(fā)明人】李東新, 朱榴垚
【申請(qǐng)人】河海大學(xué)
【公開(kāi)日】2015年10月21日
【申請(qǐng)日】2015年6月25日