一种鲁棒的基于空间直方图的均值漂移目标跟踪算法

来源:用户上传      作者:

　　摘要：该文提出了一种鲁棒的基于空间直方图的均值漂移目标跟踪算法。该算法首先用卡尔曼滤波（KF）预测目标在当前帧的位置，然后将预测结果作为改进的空间直方图的均值漂移目标跟踪算法的初值，用均值漂移算法搜索目标在当前帧的位置，同时更新KF算法的预测值。仿真实验表明该方法具有较好的跟踪精度，且对遮挡具有较强的鲁棒性。
　　关键词：空间直方图；均值漂移；目标跟踪
　　中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2015）14-0160-02
　　Abstract：This paper presents a robust mean shift object tracking algorithm based on spatial histogram. First， the center of the object predicted by KF is used as the initial value of the MS algorithm. Then the mean shift is used to search the object. The searching result of MS is fed back as the measurement of the KF to update the predicted value. The experimental results demonstrate that the proposed algorithm has good localization precision of tracking， and is robust against occlusion.
　　Key words： spatial histogram； mean shift； target tracking
　　视频序列中的运动目标跟踪在机器人视觉导航、医疗诊断、交通监视等领域有着非常重要的实用价值和广阔的应用前景。跟踪算法的目的是在时域上估计运动目标的轨迹。然而，由于目标本身及周围环境复杂且多变，因此获得鲁棒且高效的目标跟踪算法是计算机视觉领域中一个具有挑战性的研究课题。
　　均值漂移（MS）算法[1]是一种非参数密度估计方法，近年来被广泛地应用于目标跟踪领域[2-5]。文献[2]以核加权颜色直方图作为目标模型，表示直方图相似度的Bhattacharyya（BH）系数最大，等价于计算概率密度函数的极大值，从而将MS应用于目标跟踪。该算法计算简单快捷，且实时性好，因此获得了比较广泛的应用。但是该算法在计算目标模型时没有考虑目标区域像素点的位置信息，易引起目标丢失或定位偏差。文献[4]通过在直方图中引入像素点坐标的一阶矩和二阶矩，从而提出空间直方图的概念，并且将该空间直方图引入到MS目标跟踪算法中，提出了一种基于空间直方图的目标跟踪算法（SMS）。
　　SMS目标跟踪算法要求相邻两帧目标位置必须有重叠，否则无法有效跟踪目标。为了进一步提高SMS算法鲁棒性，本文提出了一种RSMS目标跟踪算法。RSMS算法与SMS算法相比，其优越性体现在以下几个方面：（1）定义了一种空间直方图；（2）采用一种改进的空间直方图度量方法[5]度量空间直方图的相似性；（3）将卡尔曼滤波（KF）的预测值作为MS目标的初值，从而使得当目标运动速度较大时能有效跟踪目标。
　　1 空间直方图的定义
　　另外，这里值得强调的是式（3）中方差的定义与文献[4]不同。与文献[4]类似，本文只考虑目标的平移，由于对一组数据进行平移后方差不变，也就是说，方差和[y]没有关系。因此，与文献[4]相比，式（3）定义的方差，具有直观的几何意义。同时由于方差和[y]没有关系，使得对空间直方图模型的相似性度量函数关于[y]求偏导数变得更方便。在文献[4]中，由于该函数中的方差关于[y]求偏导数太复杂，所以忽略掉了。
　　2 目标的定位
　　基于空间直方图的MS目标跟踪本质上就是利用MS算法，在当前帧寻找使空间直方图模型的相似性度量取最大值的目标区域。在文献[4]定义的相似性度量中，两个完全相同的空间直方图模型的相似性度量不为1。文献[5]对其进行了改进，故本文采用文献[5]所述的相似性度量。
　　5 结束语
　　本文提出了一种鲁棒的基于空间直方图的均值漂移目标跟踪算法RSMS算法。与SMS目标跟踪算法相比，RSMS算法的优越性主要体现以下几个方面：
　　1）本文给出了一种几何意义更明确的方差计算方法，由于本文所定义的方差和候选目标位置[y]没有关系，使得优化过程的推导从数学的角度讲更严谨；
　　2）采用一种改进的空间直方图度量方法度量空间直方图的相似性；
　　3）将卡尔曼滤波（KF）的预测值作为MS目标的初值，从而使得当目标运动速度较大时能有效跟踪目标。
　　参考文献：
　　[1] Comaniciu D， Meer P. Mean shift： a robust approach to feature space analysis [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2002， 24（5）： 603-619.
　　[2] Comaniciu D， Ramesh， V， Meer P Meer. Kernel-based object tracking [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2003， 25（5）： 564-577.
　　[3] Collins R T. Mean-shift blob tracking through scale space [C]. Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition， USA： IEEE， 2003： 234-240.
　　[4] Birchfield， S T， Rangarajan， S. Spatiograms versus histograms for region-based tracking [C]. IEEE Conference on Computer Vision and Pattern Recognition， USA： IEEE， 2005： 1158-1136.
　　[5] Conaire C O， Connor， N E， Smeaton A F. An Improved Spatiogram Similarity Measure for Robust Object Localization [C]. IEEE International Conference on Acoustics， Speech， and Signal Processing， USA： IEEE， 2007： 1069-1072.
　　[6]http：//www.ces.clemson.edu/～stb/research/headtracker/seq.
转载注明来源:https://www.xzbu.com/8/view-11744890.htm