[发明专利]基于均值偏移的视频目标跟踪方法

说明书

技术领域

本发明涉及一种视频目标跟踪的方法，尤其涉及一种快速的、鲁棒性较强的基于Mean Shift的视频目标跟踪方法，属于物体识别和跟踪领域。

背景技术

视频目标跟踪在安全监控、汽车辅助驾驶、人体运动分析以及视频压缩等领域有着广泛应用。由于视觉目标本身及周边环境复杂多变，因此获得鲁棒而高效的跟踪方法目前仍旧是计算机视觉中一个极具挑战性的研究课题。

视频目标跟踪就是利用图像处理、模式识别的方法发现视频序列中与指定目标图像最相似的部分，是计算机视觉领域内的一个典型问题。根据当前研究，跟踪方法可以简单的分为基于假设的跟踪方法和基于特征的跟踪方法。基于假设的跟踪方法，通过分析被跟踪物体和背景环境的特殊性，找到一些可以利用的条件作为假设，根据这些假设条件，对跟踪问题进行建模，获得对目标的跟踪。这种方法具有较高的准确性，但是算法需要大量的采样，实时性略低于基于特征的跟踪方法。

选择一种好的特征可以很好地表示一个物体。基于特征的跟踪方法，则是通过在连续帧图像中检测关于目标的制定特征来完成对目标的跟踪。基于特征的跟踪方法计算量小，实时性高。Mean Shift算法就是典型代表。

Mean Shift(均值偏移)是一种无参密度估计方法，是由Fukunage和Hostetler在1975年一篇关于概率密度梯度函数的估计中提出来的。Comaniciu等人首先将Mean Shift算法应用到目标跟踪来，把跟踪问题近似为一个MeanShift最优化问题，使得跟踪可以实时进行。文志强，蔡自兴在前人的基础上近一步论证Mean Shift算法具有收敛性。Mean Shift跟踪方法具有快速模板匹配和无参数密度估计等优点，被广泛用于跟踪领域。传统的Mean Shift跟踪方法是基于跟踪目标的空间色彩直方图特征来实现目标的识别与跟踪的。但在跟踪目标出现尺度变化、物体遮挡、旋转、噪声干扰、光照变化等复杂情况 下，空间色彩直方图便无法显著区分颜色相近的背景和目标，这时Mean Shift跟踪方法会出现跟踪误差，甚至跟踪丢失。因为传统Mean Shift不能完全解决这些问题，又有人提出了基于边缘方向直方图的Mean Shift视频目标跟踪方法，解决跟踪目标尺度变化问题，但是没有考虑到跟踪目标的旋转问题。

发明内容

本发明的目的是提供一种基于Mean Shift的视频目标跟踪方法，以解决传统的Mean Shift方法在跟踪目标出现尺度变化、旋转、噪声干扰等复杂情况下，无法得到准确的跟踪结果这一难题，不仅在运算速度上达到实时性的要求，同时也解决了跟踪准确性的问题，具有很强的鲁棒性。

为了达到以上目的，本发明采用的技术方案是：一种基于Mean Shift的视频目标跟踪方法，首先根据尺度不变特征变换(Scale Invariant FeatureTransform，SIFT)算子计算跟踪目标附近的关键点位置和尺度，并获取该尺度空间下关键点邻域的特征向量，接着根据关键点邻域的特征向量得到目标区域的模值-方向分布直方图用以来表示目标区域，最后使用Mean Shift算法对目标区域进行跟踪；所述用目标区域的特征向量的模值-方向分布直方图跟踪目标的方法为，在标定所需要跟踪的目标以后，按下列步骤处理：

[1]将一幅图像通过不同尺度的高斯核函数滤波，形成高斯金字塔图像。并将相邻尺度的两个高斯图像相减得到高斯差分金字塔多尺度空间。

[2]首先运用SIFT算子在尺度空间进行特征检测，确定跟踪目标的关键点，并确定关键点的位置、尺度。然后使用关键点的邻域梯度方向为主方向作为该点的方向特征。

[3]根据得到的关键点的位置、尺度、方向三个信息，确定一组特征向量区域。

[4]根据确定的一组特征向量区域，提取到目标区域的特征向量的模值-方向分布直方图。

[5]基于提取到的特征向量的模值-方向分布直方图，运用Mean Shift算法实现对目标的跟踪。

上述技术方案中，所述步骤[1]中的高斯差分金字塔多尺度空间为把图像 在不同尺度的尺度空间可表为：

L(x，y，σ)＝G(x，y，σ)×I(x，y)

其中，x为图像中点的横坐标，y为图像中点的纵坐标，L(x，y，σ)为变换后尺度空间在点(x，y)的值，I(x，y)是图像在(x，y)处的灰度值，G(x，y，σ)是二维高斯核函数，σ代表了高斯正态分布的方差，定义为变化尺度。

通过不同尺度的高斯高斯核函数滤波，形成高斯金字塔图像，相邻尺度的两个高斯图像相减得到高斯差分金字塔多尺度空间。