專利名稱：一種基于camshift和卡爾曼濾波的視頻目標(biāo)跟蹤方法
技術(shù)領(lǐng)域：
本發(fā)明涉及視頻監(jiān)控技術(shù)領(lǐng)域，尤其涉及一種基于CAMSHIFT和卡爾曼濾波的視頻目標(biāo)跟蹤方法。
背景技術(shù)：
隨著計算機視覺技術(shù)的發(fā)展，運動視頻目標(biāo)跟蹤技術(shù)已經(jīng)成為武器制導(dǎo)、模式識另IJ，計算機視覺等領(lǐng)域的重要課題。由于運動視頻目標(biāo)跟蹤技術(shù)在軍事和民用領(lǐng)域都有廣闊的應(yīng)用前景，國內(nèi)外有許多學(xué)者從事這一課題的研究，并提出了許多經(jīng)典的目標(biāo)跟蹤算法。運動視頻目標(biāo)跟蹤把圖像處理、計算機視覺和信息科學(xué)有機結(jié)合起來，形成了一種能從 視頻圖像中實時地自動識別出目標(biāo)，提取目標(biāo)位置信息，自動跟蹤目標(biāo)的技術(shù)。由于現(xiàn)實環(huán)境具有復(fù)雜性，如目標(biāo)被遮擋、背景中存在與目標(biāo)特征相似的物體、光線亮度的變化、目標(biāo)快速運動、背景物體的運動等問題，如何提高目標(biāo)跟蹤實時性、準(zhǔn)確性和魯棒性，解決復(fù)雜背景下的目標(biāo)跟蹤一直是人們研究的熱點。目前，國外學(xué)者對目標(biāo)跟蹤技術(shù)都進行了比較深入的研究。1994年，Jim Ivins等人提出用限制性主動區(qū)域模型對彩色圖形序列進行快速跟蹤的方法。1995年，YZ. Chen將無參估計理論應(yīng)用到目標(biāo)跟蹤領(lǐng)域，提出基于Mean Shift算法的目標(biāo)跟蹤算法。1996年，S. Asaad在機器人視覺實驗中運用邊緣信息有效進行了目標(biāo)跟蹤。1997年，P. Fieguth和D. Terzopouloslg等人進行了基于顏色的目標(biāo)跟蹤方法的研究。1998年，M. Kass等人提出用主動輪廓模型進行目標(biāo)跟蹤。2000年，Y. Zhong等人提出了基于可變形模板進行目標(biāo)跟蹤的方法。2001年，Gi-Jeong Jang等人提出用自適應(yīng)顏色模型進行目標(biāo)跟蹤，同年Y. Bar-Shalom等人提出基于運動估計的估計跟蹤算法。2003年,Ryuzo Okada等人基于光流的邊緣信息，進行了運動目標(biāo)跟蹤的研究。2007年，R. Venkatesh Babu等提出基于運動估計與顏色模型相結(jié)合的跟蹤算法。在Mean Shift跟蹤算法中，通常核窗口由初始跟蹤窗口的大小決定，而且在整個跟蹤過程中不再發(fā)生變化。然而，當(dāng)目標(biāo)存在明顯尺度變化的時候，尤其是當(dāng)目標(biāo)尺寸逐漸增大以至超出核窗寬范圍的時候，固定不變的核窗寬常常會導(dǎo)致目標(biāo)的丟失。CAMSH IFT算法作為連續(xù)自適應(yīng)的Mean Shift，通過自動調(diào)節(jié)核窗口大小以及被跟蹤目標(biāo)在圖像中的大小從而可以有效地解決目標(biāo)變形問題，但其算法也收斂于局部最大值，并沒有對目標(biāo)的相似度做判定。當(dāng)CAMSHIFT的搜索窗口里面包含多個特征相似候選模型時，CAMSHIFT算法無法辨別是否出現(xiàn)干擾，經(jīng)常出現(xiàn)跟蹤精度不夠的問題。而且，當(dāng)目標(biāo)運動物體緩慢地通過障礙物或進行快速無規(guī)則運動時，CAMSHIFT算法將很容易失效，導(dǎo)致目標(biāo)跟蹤丟失。同時，當(dāng)目標(biāo)瞬間有個較大的加速度或被遮擋時，CAMSHIFT跟蹤算法容易失效。

發(fā)明內(nèi)容
本發(fā)明的目的是為了克服現(xiàn)有技術(shù)的缺陷，提供一種基于CAMSHIFT和卡爾曼濾波的視頻目標(biāo)跟蹤方法，通過該方法引入了相似度判定以及重定位技術(shù)，有效地解決了背景干擾，提聞了跟蹤的精度。一種基于CAMSHIFT和卡爾曼濾波的視頻目標(biāo)跟蹤方法，采用卡爾曼濾波方法先預(yù)測出搜索窗口，再結(jié)合自適應(yīng)局部搜索算法進行CAMSHIFT跟蹤，具體步驟如下stepl :該方法以搜索窗口為參數(shù)，使用卡爾曼濾波器預(yù)測搜索窗口 Win ；st印2 :以Win為參數(shù)調(diào)用CAMSHIFT算法尋找目標(biāo)，返回包含候選模型的窗口targetffin ；step3 :計算targetWin和目標(biāo)模型的相似度；step4 :若相似度大于給定閾值,貝U轉(zhuǎn)step6 ；step5 :若相似度不大于給定閾值，則將上一幀的目標(biāo)窗口以及卡爾曼濾波器預(yù)測 的距離代替enlarge作為擴大窗口的參數(shù)，調(diào)用自適應(yīng)迭代搜索算法；St印6:返回目標(biāo)窗口。優(yōu)選地，針對計算量以及視頻亮度變化不定的問題，采用HSV，H為色度分量，S為色彩飽和度分量，V為亮度分量，模型中的色度HUE分量作為跟蹤的特征，采用反向投影圖進行處理；讀取視頻每一幀圖像時，提取其HSV格式中HUE通道的圖像HImg ;初始化搜索窗口，選擇目標(biāo)區(qū)域的大小和位置)，計算該區(qū)域的顏色直方圖；假定使用m級量化的直方圖，{xj i = ,..n為目標(biāo)區(qū)域圖像的像素位置，定義c :R2 — {I. . . m}來表示像素Xi對應(yīng)的像素值，那么目標(biāo)顏色直方圖分布為
nA =M]
!=1(I)其中u = I,…，m, 8為Kronecker Delta函數(shù)。為使得到的概率分布在
范圍內(nèi)，需將直方圖進行縮放
f( 255^ Pu = min -—^,255 ^(2)
II max⑷m對當(dāng)前幀視頻圖像作反向投影，將Hlmg圖像中Xi對應(yīng)的像素值u替換為pu，即得到所求的反向投影圖。優(yōu)選地，本方法基于CAMSHIFT思想，先確定當(dāng)前幀的搜索窗口及其質(zhì)心位置，然后調(diào)整搜索窗口的大小，將搜索窗口的中心移動到質(zhì)心，如果移動距離大于預(yù)設(shè)的閾值，則重新計算調(diào)整后的窗口質(zhì)心，進行新一輪的窗口位置和尺寸更新，直到移動窗口的位置小于閾值或迭代次數(shù)超過一個最大值，最后將窗口的位置和尺寸作為下一幀運算的輸入值，如此循環(huán)迭代；為了計算反向投影圖中搜索窗口的質(zhì)心，可以通過如下方法計算；計算零階矩j^oo(3)
X ^分別計算出X和y的一階矩Mio =ZZ xI (x，少)凡=Z Z 少7 (x，少)(4)
X yX y
計算搜索窗口的質(zhì)心

權(quán)利要求
1.一種基于CAMSHIFT和卡爾曼濾波的視頻目標(biāo)跟蹤方法，其特征在于，該方法采用卡爾曼濾波方法先預(yù)測出搜索窗口，再結(jié)合自適應(yīng)局部搜索算法進行CAMSHIFT跟蹤，具體步驟如下 stepl :該方法以搜索窗口為參數(shù)，使用卡爾曼濾波器預(yù)測搜索窗口 Win ；step2 以Win為參數(shù)調(diào)用CAMSHIFT算法尋找目標(biāo)，返回包含候選模型的窗口targetffin ； step3 :計算targetWin和目標(biāo)模型的相似度； step4 :若相似度大于給定閾值,則轉(zhuǎn)step6 ； step5 :若相似度不大于給定閾值，則將上一幀的目標(biāo)窗口以及卡爾曼濾波器預(yù)測的距離代替enlarge作為擴大窗口的參數(shù)，調(diào)·用自適應(yīng)迭代搜索算法；step6 :返回目標(biāo)窗口。
2.如權(quán)利要求I所述的方法，其特征在于，針對計算量以及視頻亮度變化不定的問題，采用HSV，H為色度分量，S為色彩飽和度分量，V為亮度分量，模型中的色度HUE分量作為·跟蹤的特征，采用反向投影圖進行處理； 讀取視頻每一幀圖像時，提取其HSV格式中HUE通道的圖像HImg ;初始化搜索窗口，選擇目標(biāo)區(qū)域的大小和位置)，計算該區(qū)域的顏色直方圖；假定使用m級量化的直方圖，IxJi= ,..n為目標(biāo)區(qū)域圖像的像素位置，定義c =R2 — {I. ..m}來表示像素xi對應(yīng)的像素值，那么目標(biāo)顏色直方圖分布為% =TuSlc {xt)-u~] (I) 其中u = 1，…，m，8為Kronecker Delta函數(shù)。為使得到的概率分布在
范圍內(nèi)，需將直方圖進行縮放 255 ^,25511(2) I max⑷m 對當(dāng)前幀視頻圖像作反向投影，將Hlmg圖像中Xi對應(yīng)的像素值u替換為pu，即得到所求的反向投影圖。
3.如權(quán)利要求I或2所述的方法，其特征在于，本方法基于CAMSHIFT思想，先確定當(dāng)前幀的搜索窗口及其質(zhì)心位置，然后調(diào)整搜索窗口的大小，將搜索窗口的中心移動到質(zhì)心，如果移動距離大于預(yù)設(shè)的閾值，則重新計算調(diào)整后的窗口質(zhì)心，進行新一輪的窗口位置和尺寸更新，直到移動窗口的位置小于閾值或迭代次數(shù)超過一個最大值，最后將窗口的位置和尺寸作為下一幀運算的輸入值，如此循環(huán)迭代； 為了計算反向投影圖中搜索窗口的質(zhì)心，可以通過如下方法計算； 計算零階矩 mOO=ZZ7(xJ)(3) X ^ 分別計算出X和y的一階矩 M10 =ZZ Xl (X，少);M01 = Z Z 少7 (X，少)(4) X yx y 計算搜索窗口的質(zhì)心
4.如權(quán)利要求I所述的方法，其特征在于，在CAMSHIFT的基礎(chǔ)上，提出了一種重定位窗口的方法，并引入相似度判定的約束，來獲取更加精確的候選模型；當(dāng)執(zhí)行CAMSHIFT算法，獲得候選模型的窗口 Win時,將其分裂為5個子窗口 將Win按其寬度的一半和長度的一半等分為4個窗口 ；以Win中心點為中心點，以其寬度一半為寬度，其長度一半為長度，設(shè)置第5個窗口 ；通過相似度度量方法即采用相關(guān)系數(shù)法或者巴氏距離比對法，分別計算這五個窗口的候選模型與目標(biāo)模型的相似度，選出相似度最高的窗口 maxWin，以maxWin作為參數(shù)再調(diào)用CAMSHIFT，返回候選模型。
5.如權(quán)利要求I或4所述的方法，其特征在于，進行CAMSHIFT算法時，由于搜索窗口的擴大，導(dǎo)致得到的候選模型窗口尺度大于目標(biāo)模型，往往無法準(zhǔn)確地定位出目標(biāo)的位置；為了在候選模型窗口中得到目標(biāo)窗口，在重定位方法的基礎(chǔ)上，引入最大相似度閾值和最小相似度閾值，設(shè)計出一種迭代縮小的技術(shù)；通過迭代分裂窗口以及迭代進行CAMSHIFT的過程，即可以準(zhǔn)確定位目標(biāo)。
6.如權(quán)利要求I或5所述的方法，其特征在于，用迭代縮小算法的特點，在其基礎(chǔ)上，本方法引入了擴大窗口的參數(shù)；每次進行迭代縮小算法，若未能使相似度達(dá)到最大相似度閾值即未能準(zhǔn)確找到目標(biāo)，則每次以enlarge的幅度擴大搜索窗口，再進行迭代縮小算法。
7.如權(quán)利要求I所述的方法，其特征在于，基于卡爾曼濾波器的目標(biāo)運動軌跡預(yù)測方法采用目標(biāo)運動過程中的任意一點作為起點開始預(yù)測，采用遞歸濾波的方法計算；利用卡爾曼濾波進行狀態(tài)估計分為三步初始化、預(yù)測和更新；描述系統(tǒng)的狀態(tài)方程和觀測方程分別如式(6)和(7)所示X (k) = F (k) X (k-1) +w (k) (6) Z(k) = H(k)X(k)+v(k)(7) 式中1，F(xiàn)(k)和H(k)分別是系統(tǒng)的狀態(tài)轉(zhuǎn)移矩陣和觀測矩陣，w(k)和v(k)分別是滿足正態(tài)分布的過程噪聲和觀測噪聲向量，它們是互不相關(guān)的零均值白噪聲序列，即w(k) □ N(0, Q(k)), v(k) □ N(0, R(k)) ；Q(k)為過程噪聲的協(xié)方差矩陣，R(k)為觀測噪聲的協(xié)方差矩陣。
全文摘要
本發(fā)明公開了一種基于CAMSHIFT和卡爾曼濾波的視頻目標(biāo)跟蹤方法。該方法以搜索窗口為參數(shù)，使用卡爾曼濾波器預(yù)測搜索窗口Win；以Win為參數(shù)調(diào)用CAMSHIFT算法尋找目標(biāo)，返回包含候選模型的窗口targetWin；計算targetWin和目標(biāo)模型的相似度；若相似度大于給定閾值，則找到目標(biāo)，返回目標(biāo)窗口；若相似度不大于給定閾值，則將上一幀的目標(biāo)窗口以及卡爾曼濾波器預(yù)測的距離代替enlarge作為擴大窗口的參數(shù)，調(diào)用自適應(yīng)迭代搜索算法。通過該方法引入了相似度判定以及重定位技術(shù)，有效地解決了背景干擾，提高了跟蹤的精度。
文檔編號G06K9/00GK102737385SQ201210123039
公開日2012年10月17日 申請日期2012年4月24日 優(yōu)先權(quán)日2012年4月24日
發(fā)明者孟思明, 羅笑南, 陳欣 申請人:中山大學(xué)