[发明专利]一种基于MeanShift算法的目标跟踪方法

说明书

技术领域

本发明属于数字图像处理、智能视频监控与机器视觉的技术领域，具体涉及一种基于MeanShift算法的目标跟踪方法。

背景技术

对视频流的实时目标跟踪通常为机器视觉应用的基础。后期的目标识别、轨迹分析和目标行为理解等部分均以目标跟踪作为前期的处理。

MeanShift作为一种高效的目标模式匹配算法，由于其不需要穷尽搜索，能够自适应调节步长和方向，已广泛应用于对实时性要求较高的目标跟踪领域中。MeanShift算法的目标跟踪是利用核平滑的方法执行目标的建模和跟踪过程。其主要有三个要素决定了跟踪过程的鲁棒性：目标尺度自适应；目标模型特征的可分性；相似性测度。

首先，在对特定目标的连续跟踪过程中，随着目标在三维空间中的移动，目标的尺度通常会不断的变化。基于不变跟踪框的目标模型在跟踪中飘离目标的可能性较大。因此自适应尺度的目标模型是改善跟踪效果的一个重要途径。

其次，目标模型特征与背景特征和其他目标特征的可分性也是影响跟踪准确性的一个条件。将多种特征相融合是提升特征模型的方法之一。另外，基于模式识别的相关理论，通过特定算法的训练，可以实现自动选取可分性好的特征模型。在特征模型中加入空间信息也可以提高其与局部背景的可分性。例如，基于点样本特征的核密度估计。

MeanShift算法本质上是基于跟踪框中特征的相似度。近年来，基于核函数研究的基础上，寻求好的相似性测度算法成为加强MeanShift算法的热点问题。核函数是跟踪框架的基础，其在很大程度上影响着相似度。当相似度曲面在局部极值处的梯度提高，则MeanShift算法的收敛特性越好，进而在提高跟踪精度的基础上提高收敛速度。

发明内容

本发明的技术解决问题是：克服现有技术的不足，提供一种基于MeanShift算法的目标跟踪方法，其能够提高在单目标跟踪过程中的可靠性和跟踪速度、减少跟踪框飘离目标的情况。

本发明的技术解决方案是：这种基于MeanShift算法的目标跟踪方法，该方法包括以下步骤：

（1）对原始图像中的每一个像素点计算其特征值，生成特征图像，针对特征图像利用双核平滑函数建立目标的特征模型；

（2）将原始MeanShift算法中的单核平滑函数改进为双核平滑函数；

（3）为了保证算法的收敛性，使双核平滑函数满足二元凸函数的限定条件；

（4）为了保证跟踪目标特征模型的标准化，得到新标准化常数公式。

由于本发明利用双核函数强化了目标的空间信息，提高了目标与背景的可分性；双核函数增强了相似度曲面局部极值区域的梯度，更新了迭代公式，使迭代搜索过程收敛速度更快，更准确的定位极值位置（即目标位置）；所以可靠性高、处理速度快，其对目标的部分遮挡和尺度在一定范围内变换等情况都具有较强的鲁棒性，从而减少跟踪框飘离目标的情况。

附图说明

图1为本发明实现过程的具体流程示意图；

图2为两个实例对应的目标相似度曲对比示意图；

图3为视频序列中每一帧的搜索迭代次数曲线图。

具体实施方式

这种基于MeanShift算法的目标跟踪方法，该方法包括以下步骤：

（1）对原始图像中的每一个像素点计算其特征值，生成特征图像，针对特征图像利用双核平滑函数建立目标的特征模型；

（2）将原始MeanShift算法中的单核平滑函数改进为双核平滑函数；

（3）为了保证算法的收敛性，使双核平滑函数满足二元凸函数的限定条件；

（4）为了保证跟踪目标特征模型的标准化，得到新标准化常数公式。

由于本发明利用双核函数强化了目标的空间信息，提高了目标与背景的可分性；双核函数增强了相似度曲面局部极值区域的梯度，更新了迭代公式，使迭代搜索过程收敛速度更快，更准确的定位极值位置（即目标位置）；所以可靠性高、处理速度快，其对目标的部分遮挡和尺度在一定范围内变换等情况都具有较强的鲁棒性，从而减少跟踪框飘离目标的情况。

优选地，步骤（1）中首先在原始图像的每个像素点处得到其特征值，然后用公式（1）的双核平滑函数特征模型计算得到目标的特征模型，