[发明专利]基于模糊均值聚类与卡尔曼滤波跟踪相结合的运动目标检测方法

权利要求书

1.基于模糊均值聚类与卡尔曼滤波跟踪相结合的运动目标检测方法，其特征在于，所述方法包括如下步骤：

步骤1，计算像素局部邻域的色差直方图CDH；

步骤2，采用模糊c均值聚类FCM来获得模糊色差直方图；

步骤3，进行背景建模，并使用相似性匹配检测前景；

步骤4，采用基于块匹配的卡尔曼滤波器进行目标追踪。

2.根据权利要求1所述的基于模糊均值聚类与卡尔曼滤波跟踪相结合的运动目标检测方法，其特征在于，步骤1使用对应于两个颜色分量的色差来计算像素的局部邻域的色差直方图CDH，具体包括；

1.1 计算色差值：读入视频段中的所有帧并进行保存，分别记为I₁，I₂，...，I_m∈N^m×n，其中，M为视频段中的总帧数，m，n为每帧图片的大小；将具有强度等级I(p，q，ch)的彩色图像量化为W个等级，I∈{0，1，2，...W-1}；(p，q)是位置坐标，ch是颜色通道，将RGB图像转换为CIE L*a*b*颜色模型；

求在以位置(p，q)为中心的小局部N×N邻域中的色差d，使用下式计算：

其中，I(r，s，ch)表示邻域中像素的强度；

1.2 色差直方图：使用高斯隶属函数将从(1)计算出的色差d模糊化为：

σ表示标准差；

色差直方图最终由以下公式给出：

其中，A×A是以(p，q)位置为中心的局部区域，并且用k计算像素的频率。

3.根据权利要求2所述的基于模糊均值聚类与卡尔曼滤波跟踪相结合的运动目标检测方法，其特征在于，步骤2采用模糊c均值聚类FCM来获得模糊色差直方图，具体包括：

FCM将K-bin局部直方图H＝{h₁，h₂，h₃，...，h_k}分类为以l_i位置为中心的c聚类，每个聚类基于模糊隶属度分配bin，这是通过最小化成本函数的迭代来完成的；

模糊色差直方图使用隶属度矩阵u(c×K维)和CDH向量H(K×1)构建c维CDH(FCDH)模糊向量v，如下：

h_c×1＝u_c×KH_K×1 (5)。

4.根据权利要求3所述的基于模糊均值聚类与卡尔曼滤波跟踪相结合的运动目标检测方法，其特征在于，步骤3进行背景建模，并使用相似性匹配检测前景，具体包括；

3.1 背景建模：相似性度量p是使用直方图测量的建模背景帧F和当前帧h的之间FCDH的交集；

其中，c为给出直方图箱的数量，背景B通过同阈值作比较得出：

3.2 背景更新：背景FCDH使用[0，1]作为背景学习率更新每个像素，t是时间索引，如下所示：

5.根据权利要求4所述的基于模糊均值聚类与卡尔曼滤波跟踪相结合的运动目标检测方法，其特征在于，步骤4采用基于块匹配的卡尔曼滤波器进行目标追踪，具体包括：

4.1 自下而上可变块大小(BVBS)BM：在刚开始选择小尺寸块以检测到更多运动块，然后块尺寸在每个维度上增加一倍，一系列块{B_i，i＝1，2，3，4}}在更小的尺寸，它们共享相同的较大尺寸父块S_b，定义如下：

S_b＝B₁∪B₂∪B₃∪B₄，where B_{i，1≤1≤4}

1、2、3和4分别对应于父块S_b的左上、右上、左下，右下子块；

在先前的步骤中B_i以小的运动块检测该BM过程可以按需要重复多次，或者直到块大小达到预定的最大尺寸为止，这样，可以以较大的块大小丢弃更多的假运动块，同时保持较小块大小的真实运动细节；

4.2 时间更新：已知状态x_k-1，开始迭代对下一状态x_k进行预测；

其中，是先验估计误差协方差，因为在X和Y坐标的目标块的运动运动是完全相互独立的，卡尔曼滤波可以分别应用X、Y坐标，在每一个坐标，一个目标快的运动可以用以下公式表示：

x_k，Δk分别表示k时刻的位移，速度，加速度，以及时差，因为不知道控制项，方程中的B_ku_k为0，实时更新的运动跟踪的具体方程如下：

过程噪声协方差的确定一般比较困难，因为直接观察的估计过程并不总是可行的，在这项工作中，可以将加速度作为分段常数Wiener过程，即加速度在每个时间段的持续时间内保持不变，但对于每个时间段不同，并且每一个都是零均值高斯序列，

q为连续时间白噪声的能量谱密度密度，为了减少计算量，令P₀＝cQ_k，c为一个常数；

4.3：测量更新：状态x_k的z_k可以用一个线性方程来表示：

z_k＝H_kx_k+v_k (13)

z_k是k时刻的m×1测量值，H_k是与z_k相关的m×n的观测矩阵，v_k是m×1的额外的测量噪声向量，具体测量更新的方程如下：

公式n×m矩阵K为使得后验误差协方差最小的增益。