基于Mean Shift算法的运动目标跟踪方法研究

2013-08-26 02:24滕蓉
科学导报·学术论坛 2013年7期
关键词:特征值直方图算法

滕蓉

【摘要】研究了运动视频图像的非参数密度估计及目标跟踪方法,引出了Mean Shift算法理论。将Mean Shift算法应用于跟踪系统中,在运动目标检测的基础上,利用特征空间中特征值的概率密度描述目标模型与候选模型,并对目标进行定位。实验结果证明了基于Mean Shift算法的目标跟踪能准确跟踪目标,该算法可收敛到局部极值点,具有良好的跟踪效果。

引言

Mean Shift目标跟踪算法采用核概率密度来描述目标的特征,基于Bhattacharyya系数用Mean Shift进行迭代搜索,最终收敛的位置即为目标中心。对于尺寸变化不大的目标,其跟踪效果主要取决于用于计算Bhattacharyya系数的目标模板以及候选目标特征选取机制。目标特征的选取原则是要能够最大限度地描述目标本身独有的性质,它决定了Bhattacharyya系数对Mean Shift迭代的收敛速度和收敛位置。常用的方法有图像(灰度或者彩色图像)直方图,也有一些国内学者采用方向直方图,还有结合目标的其他特征,如目标中心加权距离、目标梯度图像、标准差图像等,在一定程度上增强了跟踪的鲁棒性。但是用这些方法得到的直方图中,除了目标本身的灰度以外,还包含了大量的背景成分,背景发生变化将会导致候选目标区域和模板直方图的最佳匹配位置与实际目标中心有所偏差,对跟踪快速运动的目标,系统将会变得不稳定,最终导致目标丢失。文献提出采用背景加权的方法计算目标模板与候选区域特征直方图,试图消除背景影响,但由于目标窗中的部分背景在扩大窗中可能并不存在,因此这种方法亦无法完全消除背景,实际的跟踪效果并没有显著提高。

本文将Mean Shift算法用于目标跟踪中,首先要初始化被跟踪目标所在区域,采用运动目标检测出来的结果作为初始目标。然后对目标区域的所有像素点计算特征空间中每个特征值的概率。利用相似性函数度量初始帧目标模型和当前帧候选模型的相似性,在计算相似函数最大值时可得到目标的运动方向,通过不断的迭代计算,在当前帧中,目标会收敛到运动目标的真实位置,从而实现跟踪。并将其应用到目标跟踪实验中,最后对实验结果进行了分析。

一、Mean shift算法理论

在目标跟踪过程中,常将目标的相关信息映射到特征空间中,特征值表示特征空间的随机变量。对于参数估计来说,在特征值服从已知函数类型的概率密度函数条件下,通过目标区域中观测到的数据对密度函数相关的参数进行估计,然后得到整个空间的概率密度分布情况。在实际应用中,数据模型往往是未知的,因此事先确定概率密度函数的表达式是不现实的,此时通常是采用非参数密度估计解决此类问题。

非参数密度估计方法无需事先知道观测数据的函数分布形式,只需要通过对观测数据样本的分析就可以进行概率密度估计。非参数密度估计的方法通常有最近邻域法、直方图法以及核密度估计法等。其中,最近邻域法比较容易受局部噪声的干扰,很难准确地对模型进行估计;直方图法只适用于维数较低的数据分布,当数据维数增高时,直方图将面临维数灾难,且所需的存储空间也将会随维数的增加成指数增加;核密度方法可以很快产生渐进无偏密度估计,拥有比较不错的概率统计性质,它是目前最常被用到的非参数估计方法。

核密度估计方法的基本原理与直方图方法类似,首先将采样数据的值域分成几个相等的区间(bin),根据数据值的大小,将数据分配到各个bin中,其中每个bin的概率值就是对应的数据的个数与总体样本数据个数的比率。核密度估计比直方图法多一个用来进行数据平滑的核函数,核函数也叫做“窗函数”。常用的核函数有均匀核函数、三角核函数、Gauss核函数、Epanechikov核函数等,其共同特点是关于中信对称,且是有限局部支撑的。

Mean Shift算法的本质是变步长梯度上升搜索峰值,其运算过程就是在概率空间中求解概率密度机制,也就是通过迭代计算的方法将样本点逐渐移动到概率密度函数f(x)的局部极大值点。

关于Mean Shift算法的收敛性问题,文志强等和李乡儒等研究并证明了该算法是收敛的。

二、基于Mean shift算法的目标跟踪

将Mean Shift算法用于目标跟踪中,首先要初始化被跟踪目标所在区域,本节采用上一章中运动目标检测出来的结果作为初始目标,即一个包含运动目标的最小外接矩形区域,该区域也是核函数作用的区域,区域的大小等于核函数的带宽。然后对目标区域的所有像素点计算特征空间中每个特征值的概率,即描述目标模型。特征空间取稳定性较强的颜色特征,若是RGB颜色模型则将颜色子空间R、G、B各分成k个相等的区间,共m个,若是灰度模型则只需将灰度分成m个区间即可。区间对应的值称为特征值,所有的这些区间组成了特征空间。在以后的每帧图像中,对目标的候选区域内同样计算特征空间中的所有特征值的概率,即候选模型描述。然后利用相似性函数度量初始帧目标模型和当前帧候选模型的相似性,在计算相似函数最大值时可得到目标运动的Mean Shift向量,也就是运动目标的运动方向,通过不断的迭代计算Mean Shift向量,在当前帧中,最终目标会收敛到运动目标的真实位置,从而实现跟踪。

实验结果与分析

实验基于SEED_DEC643开发平台,视频口传入的是ITU-RBT,656格式的图像数据流经公式转化后得到RGB格式的图像数据,将RGB空间分成m=8×8×8=512个特征空间来描述目标模型。

视频场景为一个人走过,运动过程中遇到树,目标被完全遮挡,短时间过后目标又重新出现在视野内。实验中,运动目标模型的位置、大小等信息由运动检测结果产生,为了避免背景因素过多的影响目标区域而导致跟踪过程失败,在目标区域的选择方面,是在检测出的包含运动目标的最小外接矩形的基础上按比例缩小,作为目标跟踪的初始区域,并对此区域进行目标描述。可以看出,Mean Shift算法能够准确的跟踪运动目标。在跟踪过程中,通过CCS中watch window工具对变量的实时观察可以看出算法的迭代步骤一般在3次左右,算法收敛速度快,实时性好。

四、结论

本文研究了运动图像的非参数密度估计和跟踪方法,引出了Mean Shift算法理论,通过Mean Shift向量的迭代,使核函数的中心点快速的收敛到数据空间中样本分布密度最大的位置。将Mean Shift算法应用于跟踪系统中,运动目标模型是在运动目标检测结果的基础上初始化的。首先利用特征空间中特征值的概率密度描述目标模型与候选模型。通过跟踪实验证明了基于Mean Shift算法的目标跟踪能够准确的跟踪目标。

猜你喜欢
特征值直方图算法
高中数学特征值和特征向量解题策略
Travellng thg World Full—time for Rree
用直方图控制画面影调
例析频率分布直方图
学习算法的“三种境界”
算法框图的补全
算法初步知识盘点
求矩阵特征值的一个简单方法
中考频数分布直方图题型展示
球壳区域上二阶椭圆特征值问题的一种高精度数值逼近