多技术融合的Mean-Shift目标跟踪算法

多技术融合的Mean-Shift目标跟踪算法

秦佳贤王海荣程思宁

海口经济学院海南海口571100

摘要：视频数据分析是监控系统中的重要组成部分，监控系统分析视频的第一步是区分对象，第二步是跟踪对象，最后一步是分析对象行为。本文采用改进的MeanShift算法对行人进行跟踪。

关键词：Mean-Shift；目标跟踪算法；应用

前言

MeanShift可以跟踪对象的颜色和其他图像特征。最初的跟踪算法可以在某些情况下跟踪行人。但当行人对象和背景颜色相似时，原有的跟踪算法无法正确跟踪行人对象。本文提出一种方法来解决这个问题。我们将颜色直方图均衡化与原始算法相结合。该方法可以调整视频帧的对比度，使跟踪行人对象和背景颜色更加不同。在此基础上，当跟踪对象和背景有相似的颜色时，跟踪的成功率可以提高。

1MeanShift算法概述(Meanshiftalgorithmoverview)

Meanshift算法是由普度大学的KeinosukeFukunaga于1975年提出的。但平均偏移算法仅用于非参数密度估计，而非计算机视觉或其他区域。1995年，辛辛那提大学的YizongCheng发表了一篇关于meanshift算法的论文。该文扩展了均值移位算法的应用，并详细说明了其中的一些应用。包括计算机视觉在内的许多领域开始研究均值位移算法。在跟踪领域的计算机视觉中，第一次使用shift算法是由DorinComaniciu出版的两篇论文。论文采用平均移位和基于kernel-based对象跟踪实时跟踪非刚性对象。这两篇论文是跟踪领域中平均位移算法中最重要的论文。在这些论文发表后，平均偏移算法已经成为一项热门研究。

2MeanShift跟踪算法的实现

基于均值偏移算法的跟踪算法利用核函数对颜色直方图进行加权，并利用Bhattacharyya系数来测量候选目标和跟踪目标之间的相似性。Bhattacharyya系数可以度量相似度，然后我们可以将这个相似的发现问题转化为一个核密度估计问题。核密度估计是一种利用概率理论估计未知的密度函数。它是一种非参数测试算法，是一种运动检测算法。均值移位算法可以在迭代过程中找到局部极大化。平均位移跟踪分为四步，其中包括测量目标模型、候选模型、相似度函数和相似性测度，以及跟踪目标位置。该算法使用MATLAB作为开发工具，使用CAVIARproject/IST200137540作为评估数据集。

2.1原始MeanShift算法

均值漂移算法的过程包括五个步骤:

(1)处理目标模型

我们需要在算法中定义目标模型，并定义标准化系数C和Epanechnikov核函数。我们将RGB颜色空间设置为16*16*16，然后将权重设置为每个RGB像素。最后，我们计算重量。

(2)读取除了第一帧的图像序列

这一步读取已处理的图像序列并将它们传递到内存，然后等待进一步的处理。

(3)处理候选模型

简而言之，该过程计算候选区域的RGB颜色直方图，并等待进一步的比较。

(4)比较相似度并定位目标

这一步比较相似度并找到目标，然后更新中心点y。最后，我们将新的坐标保存在矩阵中。

(5)显示跟踪结果

这一步显示了上述步骤的目标运动轨迹和其他结果。这是跟踪过程的结束。

3基于尺度估计的MeanShift目标跟踪

在实际生活中，目标尺寸随着移动不断变化，当目标物体在摄像范围内活动，由于搜索窗口固定，目标自身尺寸变大时，目标像素的部分点会被排除在搜索窗外，导致样本点的局部极大值收敛不准确，引起跟踪误差；而当目标尺寸变小时，非目标像素点会被包括在搜索窗口内，即非样本粒子被锁定，往往会导致跟踪失败。因此本文采用尺度估计来改进传统MeanShift的窗口不变引起的跟踪漂移现象，在跟踪过程中，根据目标自身尺寸的变化跟踪窗口作自适应调整。

3.1核函数参数调整

本文采用目标颜色特征作为目标输入信息，在传统MeanShift的基础上，建立对目标描述最为接近的椭圆作为搜索区，在区域内进行收敛，利用MeanShift的迭代思想不断更新模版参数，以上一帧的目标参数作为下一帧的初始参数，达到根据目标的变化自适应调节尺度的目的。在使用MeanShift算法对目标进行跟踪时，首先进行初始化设置，即对系统的参数进行设置，初始化的方式可归结为两种：自动方式和半自动方式。两种方式的最大区别在于获得待跟踪目标区域的方法不同，其中自动方式是通过目标检测的方法自动获得待跟踪的目标区域，而半自动方式则是利用手动方式在原始图片中指定感兴趣的目标区域。本次研究采取半自动方式，即手动选定跟踪目标。

假定{xi)(i一1，2，⋯，n)为归一化像素的目标模型，中心点设定为0，目标模型的概率密度qu(x)可表示为

过小或者过大的的核函数带宽对系统的状态描述都会出现不同程度的误差，过滤掉大部分目标的状态信息。本文采用的尺度估计算法利用椭圆特征对核函数k(*)的参数进行调整，达到调节目标尺度的目的，最大程度地接近目标的真实状态。由于本文是为了达到对目标行人的监测与跟踪，传统的MeanShift是利用圆在区域内进行目标搜索，而行人的外观模型更接近于椭圆，所以采用椭圆特征方式来对目标模型进行尺寸估计。

3.2尺度估计的MeanShift算法设计

本文采取一种椭圆的收敛方式优化了MeanShift算法中的收敛方式，利用椭圆特征来调整核函数的参数，并且在上一帧中收敛的粒子决定下一帧中迭代的粒子数量，本文所采用的算法可以很好地适应目标尺寸的变化，在跟踪过程中搜索窗口随着目标尺寸的变化进行自适应调整，改善了MeanShift算法中窗口固定的弊端。该算法的具体步骤如下：

①在初始图像中手动选择目标区域，并获得目标的初始空间值y0和核函数的带宽h，利用椭圆对核函数参数进行调整，将目标特征信息统计描述，并确定颜色模型qu，生成色彩概率分布图；

②由初始位置y0出发，对待测区域的质心位置进行估计，获得待测区域的目标模型描述Pu(y0)；

③通过对待测区域像素值的计算获得各像素点的权重系数w(Xi)；

④利用巴氏系数ρ的最大值，通过MeanShift向量来寻找质心位置，计算目标样本由初始位置到实际位置的移动向量；

⑤计算目标的当前位置Y1和尺寸h1；

⑥更新目标尺度参数，返回步骤②。

结束语

本文利用尺度估计来改进传统MeanShift的窗口不变引起的跟踪漂移现象，利用椭圆特征对核函数的参数进行调整，使得目标搜索区域和目标模板之间可以进行自适应调整。在跟踪过程中，根据目标自身尺度的变化，跟踪窗口会作自适应调整。利用两组实验对该算法进行了验证，通过对目标中心区域像素的误差进行分析，证明了该方法的有效性与稳定性。

参考文献：

[1]李熵.基于视频监控系统的运动目标跟踪算法研究[D].成都:电子科技大学,2015.

[2]李超.基于OpenCV的运动目标检测与跟踪算法的研究[D].阜新:辽宁工程技术大学,2015.

项目：海口经济学院校级课题，项目编号hjky16-19。